智能科学与技术难学吗？AF机器人涉及什么技术？

这观点挺清醒的。现在大家都被“AI取代人类”的焦虑裹挟，其实底层逻辑没变，算力+数据+算法。不过说“看不到突破口”可能有点悲观，毕竟大模型出来的这几年，推理和泛化能力还是有质变的。难不难学看你想学到哪层，调包确实不难，但想搞懂背后的数学原理和架构设计，那绝对不轻松。

别天真了，说“不难”的人多半没真接触过底层。AF机器人那块水深得很，光感知、规划、控制就把人绕晕了，更别提现在还要搞多模态大模型融合。而且别听风就是雨说AI要沉寂，现在可是落地爆发期，从自动驾驶到具身智能，资本和人才都在往里涌。觉得AI会像上世纪90年代那样沉寂，是对当前技术范式转移的根本误判。深度学习只是底座，后面的推理、因果推断才是硬骨头。

“整体来说不难”这个观点属实有些过于乐观了。虽然入门门槛看似因为框架的普及而降低，但智能科学的核心壁垒在于数学底蕴和算法创新，这恰恰是大多数初学者感到最痛苦的地方。关于AI会“再次沉寂”的说法，我倒觉得未必。这次算力与数据的积累量级远超历史上三次泡沫，即便深度学习遇到瓶颈，也会向具身智能、神经符号系统等方向演进，而不是简单的沉寂。AF机器人更是集成了控制、感知、规划等多学科技术，远非“不难”二字可以概括。

楼主这个观点太乐观了吧。虽然入门确实不像数学系那么痛苦，但想深入理解算法原理和数学基础，难度一点都不小。而且你提到AI会沉寂，我倒觉得现在只是处于泡沫期，底层的技术积累和算力提升是实打实的，未来几十年还是主流赛道，机器人更是集大成者，涉及控制论、计算机视觉、自然语言处理等，哪样不是硬骨头？

楼主这个观点挺清醒的。很多人只看到AI的火热，却忽略了其底层逻辑其实还在“深度学习的舒适区”里打转。确实，算力堆上去的效果边际效应正在递减，如果没有新的算法突破，所谓的“奇点”可能只是资本讲故事的工具。作为从业者，感觉现在更多是在做工程化落地，而非真正的智能颠覆，这种“大起大落后再次沉寂”的可能性确实存在，甚至可能已经开始了。

这个观点太乐观了吧，虽然入门门槛看似降低了，但要真正掌握核心算法和解决复杂场景问题，数学和底层原理依然很难啃。至于AI会不会沉寂，我觉得更多是应用层的泡沫破裂，底层逻辑还是扎实的，静默期也是必要的沉淀，毕竟技术演进从来不是直线上升的。