從做框架的角度看到幾個(gè)方向，供參考：

1、AI與科學(xué)計(jì)算結(jié)合

AI技術(shù)，特別是深度學(xué)習(xí)/強(qiáng)化學(xué)習(xí)/圖神經(jīng)網(wǎng)絡(luò)等方法，基于實(shí)驗(yàn)或者計(jì)算產(chǎn)生的數(shù)據(jù)對(duì)所求解的問題進(jìn)行可計(jì)算建模，從而得到復(fù)雜問題的有效解決方式，這對(duì)當(dāng)今科學(xué)的研究范式已經(jīng)產(chǎn)生了巨大影響。經(jīng)過近幾年的發(fā)展，通過AI建模/AI求解/框架加速等手段，已經(jīng)滲透到科學(xué)的各個(gè)領(lǐng)域，例如數(shù)學(xué)，化學(xué)，物理等，這里我列舉幾個(gè)AI+科學(xué)計(jì)算解決傳統(tǒng)問題的實(shí)例，拋磚引玉，歡迎大家討論。相信未來幾年，AI與科學(xué)計(jì)算交叉研究與應(yīng)用，會(huì)保持很高的熱度。

2、通過Transformer堆疊的成大模型的思想，從NLP推廣到CV、多模

這個(gè)就不用多講了（GPT-3、swith transformer、DALLE等），不過同時(shí)帶來的挑戰(zhàn)是這些超大模型怎么部署到邊和端。

3、AI進(jìn)入千行百業(yè)，AI的可信可能是未來研究的熱點(diǎn)

這里包括數(shù)據(jù)和模型的隱私、模型的魯棒性、模型的防竊取、數(shù)據(jù)防投毒、模型的可解釋性等等。

看了幾個(gè)回答，都在說因果推斷、知識(shí)圖譜，這其實(shí)都是一個(gè)東西，都是上世紀(jì)專家系統(tǒng)的舶來品，是基于符號(hào)人工智能的產(chǎn)物。不能說不行，但是目前進(jìn)步不大，而且太偏理論，不好進(jìn)行研究；比如，你說你研究CV或者NLP都知道你在研究什么，但是你要說你在研究神經(jīng)網(wǎng)絡(luò)，是不是面太寬了，研究也可以，但是難度很大，不建議為了畢業(yè)這么研究。

此外，有人說NLP已經(jīng)研究不出來什么了。NLP作為人工智能的明珠，是一個(gè)圖靈完備的問題，如果NLP能徹底解決，強(qiáng)人工智能就能順勢(shì)誕生。目前階段，我感覺距離NLP發(fā)掘完畢還很遠(yuǎn)，遠(yuǎn)到根本看不到車尾。

結(jié)合其他答案，可以研究基于知識(shí)圖譜、實(shí)體關(guān)系的NLP。前幾年的自然語言技術(shù)（忘了簡稱了）比賽也提到了這個(gè)方向，貌似還不錯(cuò)。有基于結(jié)構(gòu)化信息的，有基于知識(shí)圖譜和，有基于開放域的。

AI+醫(yī)學(xué)圖像。

這是比較適合刷文，但不一定適合業(yè)界。

一個(gè)很明顯的苦難是，很多醫(yī)學(xué)圖片的差別幾乎都是微小的。但這個(gè)最缺的是數(shù)據(jù)，如果有公司弄個(gè)超大數(shù)據(jù)集，可能下一個(gè)五年又是CV的了。

PS：高贊的因果推斷已經(jīng)做了幾十年的東西了，不要輕易入坑啊。

編輯：jq