会。这样你会结识另外一群人，或许还会学到另外一种看待事物的方式。可以去问高年级同学如何获取这样的机会，他们或许已经在你想去的地方工作过了，能帮你联系。通常的情况，你只能做AI领域的事情，对AI领域之外的事情一无所知，好像有些人现在也仍然这么认为。但是，现在要求好的研究者对几个相关的领域都了解颇深。计算的可行性本身并没有对什么是智能提供足够的约束，其他的领域给出了其他形式的约束，例如心理学获得的经验数据。更重要的是，其他的研究领域给了你思考的新工具，看待智能的新方法。学习其他领域的另外一个原因是AI本身并没有评价研究价值的标准，全是借自于其他领域。数学将定理作为进展；工程会问某个对象是否工作可靠；心理学要求可重复的试验；哲学有严格的思辨；等等。所有这些标准有时都在AI中起作用，熟悉这些标准有助于你评价他人的工作，深入自己的工作以及保护自己的工作。经过六年左右的课程方可获得MIT的PhD，你可以在一到两个非AI领域里打下坚实的基础，在更多的领域内具有阅读水平，并且必须对大部分内容具有一定程度的理解。下面是如何学习自己所知甚少领域的一些方法：选修一门研究生课程，这很牢靠，但通常不是最有效的方法。阅读课本。这方法还算不错，不过课本的知识经常是过时的，一般还有很高比例的与内容无关的修辞。找出该领域最棒的期刊是什么，向该领域的高人请教。然后找出最近几年值得阅读的文章，并跟踪相关参考文献。这是最快的感受该领域的方法，但有时候你也许会有错误的理解。找出该领域最著名的学者，阅读他们所著的书籍。跟该领域的研究生泡在一起。参看外校研究该领域的系的课程表。拜访那里的研究院办公室，挑选有用的的文献数学可能是接下来需要了解的最重要的学科。对于工作在视觉或者机器人学的人来说更关键。对于以系统为中心的工作，表面上看，并不相关，但数学会教你有用的思维方式。你需要能阅读定理，如果具有证明定理的能力将会给本领域的大多数人留下深刻的印象。很少有人能自学数学，光做个听众是不够的，还得做习题集。尽可能早地选修尽可能多的数学课，其他领域的课程以后选也很容易。计算机科学是以离散数学为基础的：代数，图论，等等。如果你要从事推理方面的工作，逻辑是很重要的。逻辑在MIT用得不多，但是在斯坦福以及其他地方，这是认识思维的主流方法。所以你必须具备足够的逻辑知识，这样你才能保护自己的观点。在MIT数学系选修一两门课程r