因為人工智慧，背後需要一些模式識別與演算法支援。涉及到演算法，就涉及到數學，例如傅立葉變換，聚類分析，歐式距離，貝葉斯轉換等等。

智慧的背後，是對大量資料的採集和分析，離不開數學計算。

人工智慧需要透過計算機語言來實現的，而計算機的語言要用到大量的數學知識，尤其是高等數學的數理統計和機率論的知識是不可缺少的。

首先需要明晚，不是學人工智慧要求數學，

而是想學好人工智慧需要數學。

人工智慧領域，對於隨便學學，入門級，和普通級別對數學的要求並不是很高。

現在學習人工智慧的人多數都是呼叫各方的開源庫，比如TF，pytorch，keras，caffe，這些庫的使用多數人都能夠學會，很多人甚至是呼叫別人寫好的開源專案。

而真正需要數學的是，搞懂人工智慧，例如你想做一個專案，然而目前開源的框架無法滿足你的要求，你需要自己搭建模型，這裡開始需要你具有高水平的數學。這樣你才能建立自己的數學模型，然後不斷的修改，找到合適的模型結構。

在人工智慧領域，主要數學知識，線性代數，微積分，機率論等，人工智慧的卷積神經網路，迴圈神經網路等一系列的網路都需要掌握數學。當然並不是數學厲害的人就一定能學好人工智慧，人工智慧是理論與實踐結合的領域，也就是理論知識和寫程式碼的能力。如果你想真正學好人工智慧那麼數學自然是不可少的，同事實踐能力也是必須的。

數學是基礎學科，人工智慧的演算法、模型等都是建立在數學等基礎學科之上，如果只是做做人工智慧的應用開發，不用太多學數學，使用人工智慧現成的應用、介面就行，門檻非常非常低，但如果要做人工智慧的底層開發，和演算法模型相關的就要有深厚的數學基礎了。

根據《人工智慧影響力報告》顯示：

人工智慧科學家主要畢業於清華大學、中國科學院、中國科技大學、麻省理工大學、北京大學等知名學校，學歷上看，73%的人工智慧科學家都擁有博士學歷，可見人工智慧領域是高階人士的聚集地，普通人根本玩不了，你有沒有懼怕人工智慧的高門檻？

學習人工智慧需要具備最最最總要的是學習態度和學習能力，畢竟是前沿科學行業，其次才是數學知識和程式設計能力，數學知識如果你是做學問做演算法突破，那麼對於你的數學能力要求是相當高的，如果是做工程等，數學這塊要求並不高，大概大專文化水平就行。而程式設計能力是後面長期累積的，這個不是必要條件

首先要掌握必備的數學基礎知識，

具體來說包括：

線性代數：如何將研究物件形式化？

機率論：如何描述統計規律？

數理統計：如何以小見大？

最最佳化理論： 如何找到最優解？

資訊理論：如何定量度量不確定性？

形式邏輯：如何實現抽象推理？

線性代數：如何將研究物件形式化？

事實上，線性代數不僅僅是人工智慧的基礎，更是現代數學和以現代數學作為主要分析方法的眾多學科的基礎。從量子力學到影象處理都離不開向量和矩陣的使用。而在向量和矩陣背後，線性代數的核心意義在於提供了⼀種看待世界的抽象視角：萬事萬物都可以被抽象成某些特徵的組合，並在由預置規則定義的框架之下以靜態和動態的方式加以觀察。

著重於抽象概念的解釋而非具體的數學公式來看，線性代數要點如下：線性代數的本質在於將具體事物抽象為數學物件，並描述其靜態和動態的特性；向量的實質是 n 維線性空間中的靜止點；線性變換描述了向量或者作為參考系的座標系的變化，可以用矩陣表示；矩陣的特徵值和特徵向量描述了變化的速度與方向。

總之，線性代數之於人工智慧如同加法之於高等數學，是一個基礎的工具集。

機率論：如何描述統計規律？

除了線性代數之外，機率論也是人工智慧研究中必備的數學基礎。隨著連線主義學派的興起，機率統計已經取代了數理邏輯，成為人工智慧研究的主流工具。在資料爆炸式增長和計算力指數化增強的今天，機率論已經在機器學習中扮演了核心角色。

同線性代數一樣，機率論也代表了一種看待世界的方式，其關注的焦點是無處不在的可能性。頻率學派認為先驗分佈是固定的，模型引數要靠最大似然估計計算；貝葉斯學派認為先驗分佈是隨機的，模型引數要靠後驗機率最大化計算；正態分佈是最重要的一種隨機變數的分佈。

數理統計：如何以小見大？

在人工智慧的研究中，數理統計同樣不可或缺。基礎的統計理論有助於對機器學習的演算法和資料探勘的結果做出解釋，只有做出合理的解讀，資料的價值才能夠體現。數理統計根據觀察或實驗得到的資料來研究隨機現象，並對研究物件的客觀規律做出合理的估計和判斷。

雖然數理統計以機率論為理論基礎，但兩者之間存在方法上的本質區別。機率論作用的前提是隨機變數的分佈已知，根據已知的分佈來分析隨機變數的特徵與規律；數理統計的研究物件則是未知分佈的隨機變數，研究方法是對隨機變數進行獨立重複的觀察，根據得到的觀察結果對原始分佈做出推斷。

用一句不嚴謹但直觀的話講：數理統計可以看成是逆向的機率論。 數理統計的任務是根據可觀察的樣本反過來推斷總體的性質；推斷的工具是統計量，統計量是樣本的函式，是個隨機變數；引數估計透過隨機抽取的樣本來估計總體分佈的未知引數，包括點估計和區間估計；假設檢驗透過隨機抽取的樣本來接受或拒絕關於總體的某個判斷，常用於估計機器學習模型的泛化錯誤率。

最最佳化理論： 如何找到最優解？

本質上講，人工智慧的目標就是最最佳化：在複雜環境與多體互動中做出最優決策。幾乎所有的人工智慧問題最後都會歸結為一個最佳化問題的求解，因而最最佳化理論同樣是人工智慧必備的基礎知識。最最佳化理論研究的問題是判定給定目標函式的最大值（最小值）是否存在，並找到令目標函式取到最大值 (最小值) 的數值。 如果把給定的目標函式看成一座山脈，最最佳化的過程就是判斷頂峰的位置並找到到達頂峰路徑的過程。

通常情況下，最最佳化問題是在無約束情況下求解給定目標函式的最小值；線上性搜尋中，確定尋找最小值時的搜尋方向需要使用目標函式的一階導數和二階導數；置信域演算法的思想是先確定搜尋步長，再確定搜尋方向；以人工神經網路為代表的啟發式演算法是另外一類重要的最佳化方法。

資訊理論：如何定量度量不確定性？

近年來的科學研究不斷證實，不確定性就是客觀世界的本質屬性。換句話說，上帝還真就擲骰子。不確定性的世界只能使用機率模型來描述，這促成了資訊理論的誕生。

資訊理論使用“資訊熵”的概念，對單個信源的資訊量和通訊中傳遞資訊的數量與效率等問題做出瞭解釋，並在世界的不確定性和資訊的可測量性之間搭建起一座橋樑。

總之，資訊理論處理的是客觀世界中的不確定性；條件熵和資訊增益是分類問題中的重要引數；KL 散度用於描述兩個不同機率分佈之間的差異；最大熵原理是分類問題彙總的常用準則。

形式邏輯：如何實現抽象推理？

1956 年召開的達特茅斯會議宣告了人工智慧的誕生。在人工智慧的襁褓期，各位奠基者們，包括約翰·麥卡錫、赫伯特·西蒙、馬文·閔斯基等未來的圖靈獎得主，他們的願景是讓“具備抽象思考能力的程式解釋合成的物質如何能夠擁有人類的心智。”通俗地說，理想的人工智慧應該具有抽象意義上的學習、推理與歸納能力，其通用性將遠遠強於解決國際象棋或是圍棋等具體問題的演算法。

如果將認知過程定義為對符號的邏輯運算，人工智慧的基礎就是形式邏輯；謂詞邏輯是知識表示的主要方法；基於謂詞邏輯系統可以實現具有自動推理能力的人工智慧；不完備性定理向“認知的本質是計算”這一人工智慧的基本理念提出挑戰。

恰好我懂一些人工智慧的皮毛，用我的視角來解讀下。

首先第一個問題，人工智慧的本質是新鮮的麼？我認為答案是否定的，人工智慧裡的東西比如深度學習本質並不是最近才發現的。我們都知道比如擬合一個曲線比如(簡單點一次或者二次函式)，只要知道有限的幾個特徵值就可以了，在我們可以手動的試，原則就是誤差越來越小……總而言之，這些問題其實就是個數學問題，使用的是微積分的思想。

上面說的是單個問題的最優求解，實際問題是複雜的，這個時候線性代數派上用場了……所以你們看看人工智慧運用的所有理論知識早就已經放在那裡了。

結論:

1.人工智慧問題其實本質是個數學問題

2.深度學習的方法最基本的還是微積分的梯度的反向求解過程

3.最近幾年火起來是因為計算機硬體等技術的發展可以支撐起這個方面的研究和應用了

4.現在很多人工智慧大牛改進了方法和最佳化大大加速了這門技術的進步

5.人工智慧的道路還很遙遠，人類可能剛進門都算不上，目前的計算機體系不足以支撐像人一樣的智慧，需要更高的技術層次比如量子計算機啥的

因為人工智慧的基礎是演算法，演算法的基礎是數學。

不過其實並不一定，現在社會講分工，同樣，人工智慧也是講分工的，簡單的可以分為演算法工程師和應用工程師

解釋下，什麼是演算法，通俗點講，演算法是就解決問題的方法，簡單的比如說，給你一堆資料，然後讓你找出最小的，或者讓你把它們排序下。

當然，人工通知的演算法沒有這麼簡單。

如果你學過吳恩達的人工智慧深度學習課程的話，他那邊是從基礎講起來，我記得有一章，開始講微積分，說你沒有學過也沒關係，只需要瞭解下什麼是微積分，怎麼用微積分，微積分是用來幹啥的，就可以了。

不過那是入門教程，如果你要學習人工智慧，最好還是一邊學習一邊把相關的數學基礎補充完整。

我拿深度學習為例，比如你在學習神經網路的時候，會講到向量化和矩陣相乘，這個是基礎，就是來做神經網路的，如果你連什麼是向量和矩陣相乘是什麼都不懂，那就沒必要往下再學了。

而後面做邏輯迴歸偏導數計算的時候，你不懂微積分，那你怎麼理解這個公式？沒有函式的概念，怎麼學習啟用函式？更不用說什麼梯度下降了。

這些都是基礎的基礎，還不涉及後面的最佳化。真到後面，要對演算法進行最佳化的時候，那怎麼辦？

所以演算法工程師，都是需要高深的數學基礎的。

如果你說，我就是不需要做演算法，我做應用，可以了吧。對，應用工程師，基本上就不怎麼用寫演算法了，一般直接用一些演算法的庫，直接進行應用操作就可以了，不過，基礎是，他們至少得知道一些簡單的數學。

因為應用工程師，最少也是個程式設計師，程式設計師的基礎是程式設計邏輯，而程式設計邏輯的基礎還是數學。只是不需要演算法工程師那麼高深就是了。

你可以不用會數學，結果就是，你做不了人工智慧領域的演算法工程師。

人工智慧其實包括很多領域學科，機械，電氣，計算機，液壓，材料，控制等等工程學科。是一門綜合性學科，跨界要素很多。這些工程學科都完全建立在數學基礎學科之上。公式計算，線性規劃，曲線擬合，最佳化引數，等等都需要數學知識去解答。所以學人工智慧要先學好數學。

這是一個非常好的問題，作為一名科技從業者，我來回答一下。

首先，人工智慧是一個非常典型的交叉學科，不僅涉及到數學，同時還涉及到計算機、控制學、經濟學、哲學、神經學、語言學等多個學科，所以人工智慧技術不僅難度較高，知識量也非常龐大，這也是為什麼長期以來，人工智慧人才的培養都集中在研究生教育領域的重要原因。

人工智慧當前有六個大的研究領域，包括自然語言處理、計算機視覺、機器學習、知識表示、自動推理和機器人學，這些研究方向都離不開數學知識，所以要想在人工智慧的研發領域走得更遠，一定要有一個紮實的數學基礎。

以機器學習為例，機器學習的步驟包括資料收集、演算法設計、演算法實現、演算法訓練、演算法驗證和演算法應用，所以機器學習的基礎是資料，而核心則是演算法，所以也可以把機器學習問題看成是一個數學問題。機器學習在人工智慧領域的應用非常廣泛，所以很多初學者在進入人工智慧領域之前，都會先從機器學習開始學起，而要想順利入門機器學習的相關知識，數學基礎是非常關鍵的。

雖然人工智慧對於數學的要求比較高，但是即使數學基礎不好，也可以在學習人工智慧技術的過程中，逐漸補齊自己的數學短板，在學習人工智慧技術的初期，也並不會遇到非常複雜的數學問題，只需要具有一些線性代數、機率論的基礎知識就可以了。

最後，人工智慧技術的學習對於場景有比較高的要求，所以學習人工智慧技術並不建議完全透過自學的方式來掌握，最好能夠藉助研發團隊的實驗和交流環境，來不斷提升自身的研發能力。

儘管人工智慧是一門交叉學科，涉及數學，經濟，情感的領域，但人工智慧技術需要三個基礎技術，分別是大資料，演算法，算力，尤其前兩個，都是建立在數學，統計學，概括，應用數學基礎上，需要很深的基礎學科知識，才能去理解和最佳化現有的演算法，從而建立更好的數學模型，並透過大資料進行統計，分類分析，才能發揮人工智慧的價值。

需要必備知的知識有:

1、線性代數：如何將研究物件形式化？

2、機率論：如何描述統計規律？

3、數理統計：如何以小見大？

4、最最佳化理論： 如何找到最道優解？

5、資訊理論：如何定量度量不確定性？

6、形式邏輯：如何實現抽象推理？

7、線性代數：如何將研究物件形式化？

人工智慧簡介:

1、人工智慧（Artificial Intelligence），英文縮寫為AI。

2、它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新回的技術科學。

人工智慧涉及的學科:

哲學和認知科學，數學，神經生理學，心理答學，計算機科學，資訊理論，控制論，不定性論，仿生學，社會結構學與科學發展觀。

首先，人工智慧是一個非常典型的交叉學科，不僅涉及到數學，同時還涉及到計算機、控制學、經濟學、哲學、神經學、語言學等多個學科，所以人工智慧技術不僅難度較高，知識量也非常龐大，這也是為什麼長期以來，人工智慧人才的培養都集中在研究生教育領域的重要原因。

人工智慧當前有六個大的研究領域，包括自然語言處理、計算機視覺、機器學習、知識表示、自動推理和機器人學，這些研究方向都離不開數學知識，所以要想在人工智慧的研發領域走得更遠，一定要有一個紮實的數學基礎。

以機器學習為例，機器學習的步驟包括資料收集、演算法設計、演算法實現、演算法訓練、演算法驗證和演算法應用，所以機器學習的基礎是資料，而核心則是演算法，所以也可以把機器學習問題看成是一個數學問題。機器學習在人工智慧領域的應用非常廣泛，所以很多初學者在進入人工智慧領域之前，都會先從機器學習開始學起，而要想順利入門機器學習的相關知識，數學基礎是非常關鍵的。

雖然人工智慧對於數學的要求比較高，但是即使數學基礎不好，也可以在學習人工智慧技術的過程中，逐漸補齊自己的數學短板，在學習人工智慧技術的初期，也並不會遇到非常複雜的數學問題，只需要具有一些線性代數、機率論的基礎知識就可以了。

最後，人工智慧技術的學習對於場景有比較高的要求，所以學習人工智慧技術並不建議完全透過自學的方式來掌握，最好能夠藉助研發團隊的實驗和交流環境，來不斷提升自身的研發能力。

百戰程式設計師IT問題專業解答

首先需要明白，不是學人工智慧要求數學，

而是想學好人工智慧需要數學。

人工智慧領域，對於隨便學學，入門級，和普通級別對數學的要求並不是很高。

現在學習人工智慧的人多數都是呼叫各方的開源庫，比如TF，pytorch，keras，caffe，這些庫的使用多數人都能夠學會，很多人甚至是呼叫別人寫好的開源專案。

而真正需要數學的是，搞懂人工智慧，例如你想做一個專案，然而目前開源的框架無法滿足你的要求，你需要自己搭建模型，這裡開始需要你具有高水平的數學。這樣你才能建立自己的數學模型，然後不斷的修改，找到合適的模型結構。

在人工智慧領域，主要數學知識，線性代數，微積分，機率論等，人工智慧的卷積神經網路，迴圈神經網路等一系列的網路都需要掌握數學。當然並不是數學厲害的人就一定能學好人工智慧，人工智慧是理論與實踐結合的領域，也就是理論知識和寫程式碼的能力。如果你想真正學好人工智慧那麼數學自然是不可少的，同事實踐能力也是必須的。

學人工智慧要先學數學嗎？

其實，我們現代的科技發展都需要學數學。數學確切地說，不屬於自然科學，它是一種語言，描述世界的一種語言，是對自然界事務的歸納和總結。像我們學物理，就必須要先學數學。牛頓發明微積分就是為了表達他的牛頓三定律。愛因斯坦不學黎曼幾何，也建立不了偉大的廣義相對論。現在很著名的物理學家愛德華·威滕，他獲得過數學中的最高獎菲爾茲獎。物理跟數學密不可分。

人工智慧跟數學也是密不可分。

我們先看看人工智慧的起源，人工智慧起源可以追溯到萊布尼茨的時代。萊布尼茲是數學家。現代公認的人工智慧之父是圖靈。圖靈是數學家，他的著名論文《計算機器與智慧》中提出了一個問題：機器會思考嗎？提出了著名的圖靈測試。這是一篇徹頭徹尾的數學方面的論文，從數學的範疇引申到了人工智慧和思維的問題。所以，人工智慧一開始就是數學家們提出的，當然跟數學的關係非常緊密。

在科學界和產業界，人工智慧跟普通老百姓想的不一樣，不是外形像人，而是在功能上，人工智慧能夠模擬、代替或者加強人類某些方面的能力。比如會聽（語音識別、機器翻譯等）、會看（影象識別、文字識別等）、會說（語音合成、人機對話等）、會思考（人機對弈、定理證明等）、會學習（機器學習、知識表示等）、會行動（機器人、自動駕駛汽車等）。

這些語音識別、影象識別、機器學習等等，怎麼來實現呢？全部是用數學來實現，下圖就是人工神經網路的一個學習的數學模型。有本暢銷書叫《數學之美》，作者是清華畢業生，曾在谷歌和騰訊當過研究員。這本書裡面講到了資訊、搜尋、文字識別、語言識別模型等的各種數學模型和公式。

人工智慧需要的關鍵的數學知識，主要是偏向離散數學和統計數學。需要的數學知識包括：數學分析、高等代數、機率與統計、模式識別、泛函分析等等。

可以說，如果要在人工智慧方面有所成就，數學一定要學好。所以，這也是我經常說的，要學人工智慧最好是名校，最好是博士，因為在名校，數學基礎才有保證。

不過，由於人工智慧的就業崗位很多，有很多崗位也不需要很多數學，有電子資訊、控制和計算機程式設計能力就夠了。各人根據自己情況來定，不要被數學嚇唬住。

總之，人工智慧是我們科技一個非常重要的發展方向，有志者都可以參與。

學習數學很重要的。

不論你搞什麼，都會用到數學。

你比如日常生活買點東西，你要用到。

你就去開個車，加個油都會用到的。

數學是基礎的學科。

他是用來搞計算的。人工智慧你要分析把，那就得用計算。

況且你要分析，你的分析就是計算呀。這就是數學呀。

總之，數學搞得事情很多的。學好他對你是有好處的。

總之，一切都會好起來。

個人意見，僅供參考。