從做框架的角度看到幾個方向，供參考：

1、AI與科學計算結合

AI技術，特別是深度學習/強化學習/圖神經網絡等方法，基于實驗或者計算產生的數據對所求解的問題進行可計算建模，從而得到復雜問題的有效解決方式，這對當今科學的研究范式已經產生了巨大影響。經過近幾年的發展，通過AI建模/AI求解/框架加速等手段，已經滲透到科學的各個領域，例如數學，化學，物理等，這里我列舉幾個AI+科學計算解決傳統問題的實例，拋磚引玉，歡迎大家討論。相信未來幾年，AI與科學計算交叉研究與應用，會保持很高的熱度。

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

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

3、AI進入千行百業，AI的可信可能是未來研究的熱點

這里包括數據和模型的隱私、模型的魯棒性、模型的防竊取、數據防投毒、模型的可解釋性等等。

看了幾個回答，都在說因果推斷、知識圖譜，這其實都是一個東西，都是上世紀專家系統的舶來品，是基于符號人工智能的產物。不能說不行，但是目前進步不大，而且太偏理論，不好進行研究；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網絡，是不是面太寬了，研究也可以，但是難度很大，不建議為了畢業這么研究。

此外，有人說NLP已經研究不出來什么了。NLP作為人工智能的明珠，是一個圖靈完備的問題，如果NLP能徹底解決，強人工智能就能順勢誕生。目前階段，我感覺距離NLP發掘完畢還很遠，遠到根本看不到車尾。

結合其他答案，可以研究基于知識圖譜、實體關系的NLP。前幾年的自然語言技術（忘了簡稱了）比賽也提到了這個方向，貌似還不錯。有基于結構化信息的，有基于知識圖譜和，有基于開放域的。

AI+醫學圖像。

這是比較適合刷文，但不一定適合業界。

一個很明顯的苦難是，很多醫學圖片的差別幾乎都是微小的。但這個最缺的是數據，如果有公司弄個超大數據集，可能下一個五年又是CV的了。

PS：高贊的因果推斷已經做了幾十年的東西了，不要輕易入坑啊。

編輯：jq