140NRP31200C
截至目前，智能机器（包括形形*的“机器人”）的优点和缺点同样鲜明。它们能够更迅速更高效地完成很多人类难以承担的工作：在实验室、计算中心等需要运算的环境，在工厂流水线、组装车间等辛苦又单调的环境，在核污染现场、深海、太空等人类不宜接触的环境，到处都有智能机器的身影。
处理数据是机器的强项。多年以前分析较大规模的数据需要动员许多具备*知识的人共同参与，还往往耗时良久，而现在，遍及全球的互联网与传感网时刻都在生成海量的、多维的数据，依靠人脑无法有效处理，而用计算机来分析，也就是一眨眼的事。借助机器的力量，人们可以更快地由现象抽取规律，由规律导出结论。而今，AI与大数据的结合，已表现在每个领域、每个应用中。未来的两三年，初步拥有了看、听、连接能力的多元化的设备会反过来推动AI研究的跃进，因为更多的数据会让机器不断发现更准确的规律和更贴近事实的因果。
但在可见的未来，让机器拥有接近于人的选择、判断、创造与决策能力仍不容易。就像聪明的Cortana，在安静的办公室里可以听懂你说什么，并遵照你的指令帮你拨电话、发信息、查影讯、订餐厅，但如果是在嘈杂的公众场合，比如音乐节现场或鸡尾酒会上，Cortana一定会变得不那么聪明，因为太多的声音信号让她无法分辨有用的信息。但换做是人呢？即便现场宾客再多，声音再嘈杂，没法听清楚谈话对象的每一句话，但多数情况下，你仍然能猜对、补足并理解对方发送的信息，因为你的大脑在全神贯注之下，能够去除环境杂音，捕捉到想听的信号，同时基于对谈话对象所处领域和语言惯的了解，你可以用想象和思维延展填上没听清的语句漏洞，而且准确率相当高。的AI可没有这种能力。
同样道理，机器翻译工具可以给出词语的释义，甚至帮我们逐字逐句翻译每句话，但如果是现场即听即译的情况下，逐字逐句翻译既没有必要，也不太可能，因为倾听、辨识、翻译、选择词句都需要思考，但倘若翻译者很了解发言者，也知道之前他曾经讲过类似的话题，就会比较省力，很多时候，发言者讲了很长一段话，翻译者只用一两句成语就能概括与传达准确的意旨；反之，发言者只是说了一个与学术相关的句子，翻译者可能既要表达原意，还要添加注释，来让周边的非*听众能够明白——这是专属于人的Generate and Test（半猜测半验证）能力，AI并不具备。
结合各种感官捕获的信号与过往的知识积淀去处理信息、判断并做出决策，这是人的专长。机器的优势是数据处理、模式识别，而不是判断、创造与综合。所以我相信，无论AI科技发展得多么迅速，人与机器之间，依然会是主宰与助手的关系。
结一下，我们需要什么样的机器人？
真正有用的机器人不一定是人的形象，人形机器有趣但不实用。试想一下，当你站在一台高大强壮的人形机器旁，会不会油然而生恐惧感呢？客观地说，粗壮又庞大的机器人只适合工厂和工地，我们可以幻想一种普遍适用且长得与人相像的全能机器，但这种设备的拥有成本一定很高，此外还有空间和能耗等现实问题。现实中，已开始帮助我们做各种工作的机器大多是小巧和悦目的，未来我们的办公室、我们的家都会变得越来越智能，但“智能”会无形地隐藏在吊灯里、电视中、墙壁上，更像是人类生活在智能机器中，而不大可能只是以人的形象提供服务的机器人。
研发有类人情感的机器，对科学家而言或许是值得投入心血的课题，但其实用意义远不及科学意义——而今生活中已经有很多智能机器，虽然它们没有情感，但这能说是坏事吗？假设你的机器人既能干又爱你，但爱的反面不正是沮丧、愤怒等负面情绪？这样的机器人，可能会在情绪不好时拒绝你的指令，还可能希望自己也有权像人一样工作五天休息两天，这恐怕不是我们想要看到的。
另外，很多人受到科幻电影的影响，因为机器变得越来越智能而恐慌，对此我倒不太担心——刀、锯，甚至汽车、飞机都可以拿来做坏事，但正常状态下，这些工具对人类来说大多有着至关重要的正面价值。真正决定其用途的，是背后的使用者。况且，人类自古以来就在持续制造和自己一样有情感甚至更聪明的生命，即我们的下一代，也一直懂得如何与之相处。只要科技对人的帮助远大于伤害，那我们就该正面、乐观地看待它，并继续向前走。自动化*缺点就是学的太难了，结果毕业又不太赚钱。其实自动化*很高端，《信号与系统》、《数字信号处理》、《自动控制原理》、《现代控制理论》这几个课程可是要送卫星上天必须要懂的，只不过是大多数人没那么高端，另外送卫星上天工作的待遇好像没有BAT的工资高。个人是强烈建议自动化作为一个电子、电气、计算机等*的一个二级学科。从转软件开发的角度来说，自动化和通信、电子信息这三个*转到计算机*应该说是**容易的。基本上计算机**主要的核心课程在自动化*都有开，只不过是简单版本。主要有：（左侧为计算机*课程，右侧为自动化、电子、通信*课程）数据结构=> 计算机软件技术基础数据库（难）=> 数据库（简单）计算机网络 => 数据通信与计算机网络/工业控制网络 （难度相当）组成原理 => 微机原理汇编 => 微机原理（难度相当）嵌入式系统 => 嵌入式系统 （难度相当）图像处理 => 图像处理 （难度相当）操作系统（难）=> 计算机软件技术基础（简单）面向对象程序设计（难） => 面向对象程序设计（简单）虽然开了简单版本，但是实际情况是如果你想把东西学懂学透的话，需要付出跟计算机*相同的的努力，同时还需要学电子电气、控制的相关课程，这些电子电气、控制相关课程非常非常消耗时间。另外老师教学水平也不够好，很多计算机*的课程由于自动化/电子电气学的老师都是本*出身，而非计算机*出身，他们本身对上述课程掌握都不好，交出来质量自然差。而且由于虽然是简化版本的教材，但是很多简化版本的教材无法讲清楚东西，所以为了学透，就必须看计算机*的教材。然而计算机*课程并不轻松，甚至已经比较疲惫了（虽然在工科里计算机和软件*算轻松的，我是说跟电子、电气、通信、自动化、航空航天等*相比）。计算机*还有考公务员的退路，自动化是没有的，基本只能考不限*的。补充一下。各位大佬说的其实都比较到位，但是个人感觉不是很接地气。我来说一说个人觉得比较接地气的观点。首先解答一个问题，自动化*到底跟电气、电子、计算机*区别是什么？同时，既然有了高度相关的电气、电子、计算机*，为什么还要有自动化*？首先，说明，自动化*除了学电气、电子、计算机*课程，*强调《自动控制原理》这门课程。《自动控制原理》本质就是对于控制系统的数学建模。所以自动化*本质就是数学。另外由于现在是信息时代，自动控制系统的大脑是计算机（广义计算机，包括单片机和各种工控计算机、PC、PLC等），也就是本质是计算机控制。所以除了学《自动控制原理》，剩下的课程大多数围绕计算机展开的，还有另一部分是围绕电机展开的，因为电机是非常常见的被控制对象。也就是说，除了自动化**以外，其他*要么不学《自动控制原理》
So far, the advantages and disadvantages of intelligent machines (and "robots" of all stripes) are equally stark. They can more quickly and efficiently complete a lot of work that is difficult for human beings to undertake: in the laboratory, computing center and other computing environment, in the factory assembly line, assembly workshop and other hard and monotonous environment, in the nuclear pollution site, deep sea, space and other environment that is not accessible to human beings, there are intelligent machines everywhere.
Processing data is the machine's forte. Years ago analysis of large-scale data need to mobilize the participation, many of the people who have professional knowledge, also tend to take for a long time, and now, the global reach of the Internet and sensing net all the time in generating huge amounts of multidimensional data, and rely on the brain cannot effectively handle, and use the computer to analysis, namely the twinkling of an eye. With the power of machines, people can extract laws from phenomena and derive conclusions from laws more quickly. Today, the combination of AI and big data has been shown in every field, in every application. In the next two or three years, a diverse array of devices with preliminary seeing, hearing and connecting capabilities will in turn drive the leap forward in AI research, as more data will allow machines to discover more accurate patterns and cause and effect closer to reality.
