吴恩达应Quora邀请做了一次在线答疑，回答了从AI的泡沫、伦理、数学、深度学习到职业生涯等六大问题。机械鸡编译如下：
AI作为基本技术不应受到管制。
政府要阻止你，在电脑上实操神经网络也是不切实际的。然而，有AI的应用，例如自动驾驶，需要监管。AI对反垄断（监管垄断）也有新的影响，监管机构尚未深入思考，但应该重点关注。
关于人工智能法规的讨论，大部分来源于对“高能AI”或“邪恶的杀手机器人”认识的恐惧，而不是更深入地了解，自己能做和不能做的事情的后果。由于今天的AI还不成熟，但发展迅速，任何国家的强硬监管都会阻碍该国的AI进展。
然而，一些人工智能用例需要监管来保护个人。汽车行业已受到严格监管，以确保安全。通过自动驾驶等新的AI功能，通过这些规则如何改变是值得思考的，这将有助于整个行业。
其他领域也一样，包括制药、军控、金融市场等。但是，监管应该是针对某一个行业的，并且基于对用例的深思熟虑，以及我们在特定产业而不是基本技术上看到的结果。
政府也可以发挥重要的作用，帮助在不远的未来那些受AI影响而失去工作的人，例如提供基本收入和再培训。
大约100年前还有很多关于电力的炒作。那个泡沫还没有爆发，我们发现电力很有用！
更严重的是，由于深度学习已经创造了大量的价值 - 它用于网络搜索、广告、语音识别、推荐系统等等。深度学习，还有更广泛的其他AI工具（图形模型，KR等），现在有一个明确的行业转型方向。
深度学习的影响将超越科技界。
尽管如此，我认为在核心技术之外，有一些过分夸张的对“感知力AI”的期望；我也和多位CEO聊过，似乎他们认为，AI可以是所有技术问题的灵丹妙药。
所以，在深度学习中有一些不可避免的泡沫，我希望这些较小的泡沫会爆发 - 越早越好，在他们有时间发展壮大之前。
完成您的Coursera机器学习课程后，可以做些什么项目？构思新项目的好方法是，花时间温习借鉴已有的项目。关于你的大脑如何工作，是一件神奇的事情。
很多艺术家通过复制大师的作品来学习绘画 - 如果你参观美术馆，有时候你有时会看到艺术学生，坐在地板上试图复制展览的艺术作品。同样，很多研究人员通过在旧的研究论文中复制结果，来学习发明新的算法。
对于我来说，正是通过在不同的公司看到很多实际的ML使用案例，帮助我现在定期为ML转型公司找到新的机会。
所以，如果你想知道如何做有趣的项目，阅读（也许复制）你喜欢的项目，你会找到灵感。你可以参考，我斯坦福大学的这个项目：2016年秋，CS 229机器学习最终项目（http://cs229.stanford.edu/projects2016.html）
最后，当您完成一个有趣的项目时，请编写一个Arxiv论文或博客文章，或者在github上开源代码，并与社区分享！这样，其他人现在可以反过来学习你。此外，你还可以获得更多的反馈，从而加速你的学习。
除了研究以前的例子，我还花时间和人聊天，包括除了ML以外的地区的专家（例如，我花费了大量时间与医疗保健专家进行交谈），这通常会激发新项目在ML和医疗保健等领域。
机器学习的初学者，在MOOC学完了机器学习和深度学习课程，怎样更进一步?课程是非常有效的学习方式，在完成ML MOOC（ml-class.org）和深度学习课程（http://deeplearning.ai ）之后，你可以这么做：
在Twitter上关注ML的科学家，看看哪些研究论文/博客文章等值得研究。
复现他人发表的结果。这是一个掌握ML非常有效但却被低估的方式。看到很多新的斯坦福大学博士生成长为出色的研究人员，我可以自信地说，复现他人的成果（不只是阅读论文）是最有效的方式之一，这样能确保你了解最新的细节算法。
当你看完足够多的论文/博客，并复现足够多的结果后，很奇妙地，你会开始产生自己的意见和想法。当你自己建立新的东西时，发表一篇论文或博客文章，并考虑开源代码，与社区分享！这将有助于你从社区获得更多反馈，并进一步加速你学习的过程。
参加活动，如在线比赛，线下讨论会，参加（或观看在线视频）好的AI/ML/视觉/NLP/语音学术大会，比如ICML，NIPS和ICLR等会议。
找朋友实践。你可以自己取得很大的进步，但跟朋友交换意见和想法将有助于你学习，并使学习过程更有趣。如果你认识教授，博士生或优秀研究人员，也可以与他们多交流。有时候，我跟Geoff Hinton，Yoshua Bengio，Yann LeCun这些人交流5分钟就学到一大堆的东西。
尽管跟朋友有合作很重要，但如果你朋友不同意你的想法，有时候你仍然应该去做，自己尝试去实现。Geoff Hinton在接受deeplearning.ai采访中说过类似的话。
应该掌握那些数学知识，以便能够在机器学习和AI领域拿到硕士学位？
我认为机器学习的、最重要的数学知识顺序：
这之外的其他数学知识相关度都很低低。我发现信息理论也有帮助。你可以在Coursera或大多数大学找到所有这些课程。
我认为有机会学习相关数学和机器学习的博士已经减少了，因为机器学习已经变得更偏向经验（基于实验），较少理论，特别是深度学习的兴起，让这一趋势更加明显。
我在读博士的时候，很喜欢真实的分析，也研究了微分几何，测量理论和代数几何。你如果能了解这些领域当然更好，但如果时间有限，你可以考虑用更多的时间学习机器学习本身，甚至研究一些建立AI系统的其他技术基础，例如正在建设大型数据系统和如何组织巨型数据库以及HPC（高性能计算）的算法。
祝你好运！
我有一个小孩，她应该如何开启自己的职业生涯，来面对15年后的AI的世界。我应该教她Python吗？是的，请教她代码。更重要的是，培养她能够继续学习的能力。
在CS世界中，我们所有人都习惯于，每5年就要跳到新技术和思维模式（互联网 - >云 - >手机 - > AI /机器学习），所以CS人习惯于一直在学习新事物。
现在改变的是，CS几乎影响了所有行业。所以现在不仅仅是CS世界每几年都要改变，而是现在每个人都需要改变。
我也认为（差不多）每个人都应该学习代码。
今天我们处于一个很少人可以编程的时代，这个时代的代码，是针对大众编写的。
但是，如果每个人都可以编写代码，也许一个角落里，小店的夫妻可以编写几行代码，来定制他们的LCD显示屏，用于本周的促销活动；或者也许丈夫可以写一个简单的应用程序，其唯一的用户将是他的妻子，就像他今天可以发送一封电子邮件一样，专为妻子而写。
知识改变了人与人之间的交流。 现在，人机交流也变得越来越重要，编程能力将成为可以预见的未来，最深层次的人机交流的基础。
所以，我不同意那些认为世界只需要几百万程序员的人；我认为几乎每个人都应该学习编程，就像每个人都应该学习阅读/写作一样。
