人工智能領(lǐng)域和其他最新發(fā)展的技術(shù)一樣是一個(gè)奠基數(shù)理科學(xué)上的一門技術(shù),。

1）所以最基礎(chǔ)知識就是數(shù)學(xué)，也看到有的回答說需要邏輯,。這個(gè)也是對的,，其實(shí)嚴(yán)格上來講邏輯與數(shù)學(xué)也不分家。多少數(shù)學(xué)家想把完備的數(shù)學(xué)大廈建立在邏輯的基礎(chǔ)上 ,，后來還是失敗了（搜索David Hilbert, Bertrand Rusell）,。這種失敗也是邏輯學(xué)家哥德爾(Kurt Godel)用數(shù)學(xué)的方法來完成的。 離散數(shù)學(xué)中講到的很多就是邏輯,，也是計(jì)算機(jī)科學(xué)發(fā)展的基礎(chǔ),。 一句話計(jì)算機(jī)與數(shù)學(xué)不分家，人工智能一般還是認(rèn)為是計(jì)算機(jī)科學(xué)或信息科學(xué)的一個(gè)分支,，所以一樣離不開數(shù)學(xué),。

2）作為一個(gè)普通的人工智能工程師，不是所有的數(shù)學(xué)都需要,。 主要是高等數(shù)學(xué)（微積分,、優(yōu)化）、線性代數(shù),、概率與統(tǒng)計(jì)這三門是非常重要而且必要的數(shù)學(xué)基礎(chǔ),。 很難相信不懂什么是高斯分布可以用貝葉斯方法做推理，不懂線性代數(shù)可以理解高維空間流形,，不懂微積分可以理解反向傳播,，和不懂優(yōu)化能理解SVM. 這些必要的數(shù)學(xué)基礎(chǔ)，也是在教機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中一次次被復(fù)習(xí)的內(nèi)容,。 甚至很多課程要花大量的時(shí)間,，確定學(xué)生有這樣的基礎(chǔ)。

3）編程是實(shí)現(xiàn)人工智能的方法,，我們懂了理論,，就要實(shí)踐，代碼是我們實(shí)現(xiàn)我們算法的唯一路徑,。如果我們代碼能力不好,，我們無法正確表述我們的理論模型，無法發(fā)現(xiàn)代碼中的錯(cuò)誤還以為是理論錯(cuò)了,。甚至不夠熟練,，會把一個(gè)簡單問題，變得很復(fù)雜,，是算法的計(jì)算復(fù)雜度超級大,，需要很長的時(shí)間求解。 我印象中一個(gè)特別清晰的例子，一個(gè)算法中涉及到的一步是從一個(gè)超大的數(shù)據(jù)庫中需要找到3個(gè)最大的數(shù),，結(jié)果一個(gè)學(xué)生把整個(gè)數(shù)據(jù)庫進(jìn)行排序算法之后取前三個(gè),，可想而知。這個(gè)算法能快嗎,？還有跟多的例子是我們設(shè)計(jì)了一個(gè)算法,，最后結(jié)果出來不是對，我們就研究,、討論,、分析和各種辦法想理解我們以前的想法哪里錯(cuò)了，結(jié)果呢,，經(jīng)常是一個(gè)Bug!

4) 英文能力,，人工智能學(xué)科發(fā)展快。大部分文獻(xiàn)是英文的,，代碼的解釋也是英文的,。很多技術(shù)博客等等，都是英文中有大量的優(yōu)秀資源,，不是中文中就沒有，但是英文好會讓你學(xué)習(xí)的能力事半功倍,，可以追到前沿,，直接看MIT，Berkeley, Standford, CMU教授的一手課程和筆記,。