人工智慧中的計算機視覺、NLP自然語言處理和個性化推薦系統哪個前景更好一些？

謝邀！

先說結論，個人覺得短期內推薦系統更有前景，另外CV這個領域不太了解，所以我根據我的經歷給一些意見吧。

本科後期到碩士，科研上基本圍著NLP轉，感覺這是一個科研領域的概念，在現實應用，他很少獨立存在(也可能是我看到的少額，只知道類似法律大數據之類的有，但是規模不是特別大)，一般是會在一個大系統裡面的一個輔助功能更多，而且真的還挺多，下面說的搜索是一個，另外分析用戶的評論來做用戶畫像，標題關鍵字設計，提取文檔標題信息來輔助推薦系統推薦，這塊倒是很多需求。最近我閱讀了一篇文章，就是討論nlp在搜索系統的應用，搜索其實也是目前比較常見的應用，無論是百度這種比較常見的全面搜索，還是類似網易雲音樂的音樂搜索這種垂直搜索，都有很大應用空間，我現在就是做搜索的，下面這個是我寫的讀書筆記~

機智的叉燒：NLP.TM[16] | SIGIR2019: 深度NLP在搜索系統中的應用?

zhuanlan.zhihu.com圖標

後來發現了推薦系統，其實感覺在現在互聯網當道的環境下，有很多應用場景其實都會用到，而且有了推薦系統這個東西，對於平台而言多了很多商機，例如廣告等，有錢的地方就會有機會，所以，前景當然會更多，這時候，推薦系統肯定就可能是一整個系統的核心了，例如今日頭條，他們的推薦系統就非常厲害。詳細可以看看我這篇文章：

技術向：推薦學習推薦系統（深度思考，不是廣告）?

mp.weixin.qq.com圖標

也是因為如此，我選擇了開始學推薦系統，從去年年末到現在，也學了不少哈哈哈，感覺挺不錯的。現在我基本算總有NLP和推薦系統的雙生武魂了哈哈哈哈！

CV簡單說一下吧，很多人應該都能感受到CV人很多，相比NLP多不少，坑卻相比NLP不會多很多，所以導致競爭很激烈，但是隨著現在網路發展，視頻之類的受限會減少，不排除未來還有更多需求的可能。

另外說一個有意思的事情，去年校招，我和OPPO談的時候，問我CV，NLP，推薦系統選哪個，我當時的回復是，CV不太熟，NLP我現在就在干，推薦系統我現在正在學，在美團也能小小的接觸到，所以NLP和推薦系統我覺得都可以，別CV就行，結果把我分到了搜索哈哈哈哈，搜索後來了解到，是一個NLP和推薦都會用到的方向，NLP重在對用戶檢索內容，即query進行處理，推薦主要用的是排序方面的知識，要把系統搜索到的內容根據模型規則進行排序，所以兩個會結合，這個對我來說絕對是一個意外收穫~

先說到這，想到了我再來補充。

~~~~分割線~~~~

最後做個廣告呀，歡迎關注我的知乎，另外還有我的微信公眾號：CS的陋室，這裡面有我寫的關於推薦系統，NLP，機器學習方面的筆記，另外不定期更新一些自己的經驗和心得，裡面應該也會有大家需要的一些信息，感謝大家的支持啦！！！

謝邀，大致從對AI目前發展情況來說說我對這個問題的一些理解：

1、人工智慧大致可分為感知智能與認知智能，其中感知智能主要包括語音識別和計算機視覺兩塊，認知智能主要包括語義識別和理解；

2、目前圖像識別和語音識別在技術上都有較大的突破，尤其是2016年以來，這兩項識別的準確率可以超過人類，很多公司藉此爆發出來；3、在計算機視覺方面，像商湯、曠視、依圖、雲從等都獲得了大筆投資，在應用上也已經挖掘了很多落地的場景，如安防、金融、新零售等。所以要在計算機視覺方面再進一步突破，難度可能更大一些，更多的是需要考慮如何挖掘垂直應用場景，把這些技術更好的落地；4、在語音識別方面也是差不多，像科大訊飛，思必馳等也大有潛力，但是就人機對話交互的流程來說，語音識別很難單獨發展，語音識別後的語義識別限制了其應用落地和發展；5、語義識別的主要技術是NLP，在技術上的突破不如圖像和語音，但是2017年也是得到了較大的發展，有些深度學習學者在圖像處理獲得突破後都考慮深度學習在NLP中的應用，同時，像知識圖譜等語義網路技術也逐漸被工業界應用，微軟小冰、蘋果語音助手等也更加智能。但是NLP存在的問題很多，比如要考慮語言背景知識，考慮語言情感，考慮語言的個性化等，所以要真正實現這一塊大規模的應用還有很長一段路要走；

6、最後，就是多模態的研究，語音，圖像，語言等模態混合研究是趨勢；

7、在推薦系統方面，這是離商業化最近的，也存在一些應用的詬病，比如「大數據宰熟」、「暴力事件的推送」、「重複推薦」等，這都反應目前的推薦存在較大的改進空間，這些問題是否是完全由推薦演算法性能能改進的？我覺得也不見得是。在推薦技術方面，最近研究比較火的也是深度學習的應用，比如寬深度模型，deep+ffm等。所以，我覺得推薦系統研究不僅是要考慮這些新演算法推薦的精準度，實時性，在線化等問題，更要從產品和用戶的角度考慮如何使其機制更完善，流程更自然。

瀉藥

短期推薦（2年），中期CV（5年），遠期NLP（10年）。

因為推薦最成熟商業化落地最好，但逐漸進入紅海。

CV其次，NLP最不成熟。

需求都很大，越成熟的行業競爭越激烈，而且基本發展到一定程度都在拼語義認知，也就是NLP在解決的核心問題，即怎麼讓機器跟人類溝通。

所以某種角度來說，NLP相對站在更高的位置。

兩者相鋪相成，共同發展才會使得人工智慧有大的進步，誠然現在計算機視覺發展比NLP好點，但是兩者的發展遠遠不夠，大家不應跟著大牛大公司跑，很多應用場景處於發展的處級階段。

得人覺得把cv和nlp結合起來有很大的發展空間。因為目前的NLP都是基於語法的淺層語義理解，好一點的加上上下文和一些不完善的知識圖譜。用這樣的系統來理解人類複雜的思想、情感和意圖，結果是顯而易見的。如果加上CV的信息並加以融合就可以大大增強NLP在意圖、情感方面的理解能力。這個應該是一個不錯的方向，有能力可以嘗試一下。如果對自然語言理解感興趣的話，可以關注一下我在知乎個人主頁《智能機器人》一書的連載，我們準備以關注者為基礎建一個微信群來討論一下人工智慧的「牛頓」理論和應用，謝謝。

推薦。nlp在我有生之年很難被「業務人員」所接受，特別是不經他們人工審核的。。。給推薦做標籤或者表徵向量，為啥不直接去干推薦算了。

毫無疑問計算機視覺方向更好，

中國企業：商湯科技C輪融資6億美元，阿里巴巴淡馬錫蘇寧等參與投資_財經_騰訊網?

finance.qq.com

計算機視覺方向的大公司多了去了，投資過億的也不再少數，nlp領域還沒怎麼留意到有哪個比較大的公司，相對來說cv領域落地的商業項目和應用場景要遠遠多於nlp領域

僅從就業難度來說cv是最最激烈的

推薦閱讀：
相关文章