有研发的，主要是做电容器的。
空缺的职位还挺多的，业务的、实验室的，都有。
数学
这取决于你想要在这个领域研究多深入。人工智能是一门不可知的语言。你的确需要知道关于数据和其他的一些技术。这包括数学，代数和算法的演算等，但其中的很多知识前人已经写好了。你需要懂得自然语言处理的人类思维过程, 包括上下文，意图以及如何链接实体。更深入地洞察人类思维过程。
有统计学的基础。数学专业的人员更容易成为软件程序员。在统计学方面拥有坚实的基础可以使你在人工智能或者机器学习领域有所造诣。软件开发者不能只是简单地把一个Python库应用于一个问题上。
计算机科学，数学，统计学，人工智能，深度学习，循环神经网络(RNN)。创建更高层次的抽象来将许多东西移植到机器上。
有 统计学，数据建模，大数据的专业知识, 并精通一种或多种编程语言方面对于尝试进入AI领域的开发人员来说是一个良好的开端.
我们发现需要以下技能: 良好的数学技能 并有数据科学的学术背景。能跟上这个快速发展的领域(需要数据的领域诸如费用统计，会议数据搜集，博客数据整理等等)的发展。轻松地操纵大数据集。快速掌握机器学习工具集并将其集成到一个更大的项目中。
深入这个困难的领域并建立专长。了解数学和数据类型(数字和类别)。学习机器学习，算法，决策树和神经网络。了解开源，Apache，谷歌，IBM，微软，R语言，Python等技术或者IT公司和它们的技术。
数据科学
有能力并乐意查看数据，了解数据，预测数据，对数据有共鸣，能够将数据图形化以达到一定的理解水平。只要求掌握一定程度的数学运算技巧, 并且这个要求还在不断降低。理解过度拟合的陷阱。这不是拖放式的机器学习, 人类可以给电脑更多的数据。将人类的洞察能力与编程输入结合起来。问问你自己，你真正知道的有什么?数据能告诉自己什么?聪明的软件开发人员会在思维上加入对数据的感觉和预测来习得机器学习。
精通Python和Java。了解TensorFlow，Café和Torch等主流人工智能库。能够从HDFS(Hadoop Distributed File System, Hadoop分布式文件系统)数据库中提取正确的数据。知道如何使用过滤器。能够融合和关联不同的feed。提高解析度。了解神经网络。精通数学。使用库不要求开发者如同以前一样知道很多知识。
知道一些基础。Coursera上可以获得理论基础。开始为一家人工智能公司工作或在工作中自己做一些与人工智能相关的事情。寻找用例。我们只需让开发人员使用神经网络来构建一个应用程序以了解图像何时被完全正确呈现。了解AI框架和Spark。
什么是数据科学家? 他们需要会计算机科学，分析部署，摄取，ETL(Extract-Transform-Load, 数据仓库技术)，还有很多琐碎的知识。知道如何实现价值。了解业务问题。
在学习中使用其他算法，观摩其他客户或业务问题来解决问题。利用现有的算法。关注可用数据, 思考如何训练系统，如何提供最佳结果，提升训练级别, 组织开展编程马拉松。学习TensorFlow，Spark和R语言.
数据科学家需要从R语言，Scala和Python入手。如果从事机器学习算法研究，请依靠语言学团队的成员来确定如何针对机器学习进行数据预处理。
使用开源社区工具。专注于解决业务问题。学习Scala，R语言和Python。数据科学和机器学习正在使用R语言和Python进行迭代建模，但是它们不会缩放规模。因此必须使用Scala来进行缩放实现真正的分布式计算。
弄懂业务问题。理解认知系统。知道可用的服务有哪些才不会学习一些你用不上的东西。学习算法和大众数据科学。学习如何使用Torch，Café，TensorFlow，回归，Python，R语言和JavaScript。更深入地收集训练数据, 数据的质量很重要。明白如何组织和准备数据。
