在這裡，我們需要明確一個概念與基礎，那就是人工智慧不僅僅是你所理解的計算機專業本身（我猜想你理解的計算機專業只是程式編碼本身）。然而，即使是計算機專業本身，不是為了人工智慧，你也逃離不掉機率統計。在計算機等工科專業中，有三門數學課程是逃不掉的，這也是考研考的，那就是高等數學、線性代數、機率論與統計，計算機專業不僅僅等價於編碼，計算機專業會涉及到作業系統、計算機組織、編譯原理、數學、甚至還有軟體工程專案管理與UML等很多，這裡面很多都不僅僅是編碼與程式設計本身。

那麼，讓我們回到人工智慧，人工智慧並不神秘，它目前所依賴的一個強烈的基礎就是數學，而這裡面機率統計與統計學佔有著強有力的比重。舉一個非常淺顯易懂，但並不十分嚴謹的例子，計算機應用人工智慧去判定一張圖片是否是貓，或者說今天是否會下雨，它所依賴的就是非常多的特徵，非常多的過去資料，這些特徵與過去的資料都能如我們的程式編寫一樣一一匹配嗎？答案是否定的，在這裡會有一個機率閥值，我們認為大於了這個機率閥值，就認為是一個答案，小於則是另外一個答案，如是貓，或者不是貓。那麼，對於不同的情況，不同的特徵，不同的業務，你所需要的機率計算模型是不同的，甚至拋開模型，即使是如何來進行機率計算值的本身都是需要知道的，如你是否知道貝葉斯公式的機率計算？那麼，對於人工智慧來說，如上文所述，你所需要了解的也並僅僅是機率統計，還有線性代數（如矩陣的計算，乃至對矩陣求導）、高等數學（求導）等都需要掌握，而且計算機本身也是需要掌握，因為你要讓你的模型跑的更快，跑的更好，跑的更穩定，這離不開計算機知識的支撐。

人工智慧目前確實是計算機專業才有可能接觸到，其他IT類專業還學不到這麼深，主要原因是計算機專業學習了低階語言，瞭解作業系統原理，離散數學等其他專業不需要的知識。

我們一開始要做的，就是透過人工智慧專用的程式語言來為這個agent賦予動作。那麼動作的判斷依據是什麼哪？這就需要機率了。例如讓agent和人類下棋，agent首先需要透過機率，判斷人下一步走哪裡，然後agent再透過機率，判斷自己走哪裡最好。下棋的時候我們會推斷對方會走哪一步，那麼agent就是透過算機率來“推斷”人類對手的。

下棋這種只能算是初級人工智慧，本科生基本就可以搞定。再後面更高深的人工智慧，例如機器學習，就需要更多的機率知識了，當然其他的數學知識也需要。

機率統計可以對人工智慧中的不確定性進行建模。其實還需要對模糊性進行建模，你需要了解模糊數學；還需要對不完全資訊的時空進行建模，你需要了解系統科學。。。

這還僅僅是建模而已。。。

回到問題本身，大家都覺得機率論重要，是因為絕大多數人瞭解到簡單的機率論後，就無法理解更深層次的東西了。輿論總是被無知卻自認為天下無敵的人操縱，許多人又被輿論操縱，如此迴圈，普羅大眾再沒有那種探索真知的虔誠了。

人工智慧眼下被炒得極度火熱，連政府都在跟風，也給我們的生產生活或多或少帶來一些驚訝。但從原理上看，目前任何一種人工智慧方法都沒涉及特別深刻的數學。從根源上了解數學的人，不會覺得人工智慧是一個多麼新奇的東西。

建議:無論什麼專業，首先該學好基礎理論，再以此為基礎瞭解前沿和熱點，不要盲目崇拜和跟風。

學習人工智慧要學習機率統計是為了走的更遠，如果沒有任何的數學理論基礎去學人工智慧，我覺得可能根本就看不懂關於人工智慧的知識，因為目前火熱的深度學習模型，以及之前一段時間佔領機器學習統治地位的機率圖模型，都依賴於機率分佈作為這些框架的基本建模語言，如果你機率論學的不好，那麼你或許就只能達到用的層面，有一個關於人工智慧的笑話：

“問：你做語音識別是怎麼做的

答：深度學習

問：那你做人臉識別是怎麼做的

答：深度學習

問：那你做影象處理是怎麼做的

答：深度學習

問：深度學習這麼強，那麼怎麼學好呢

答：深度學習的關鍵在於學會調引數”

現在很多人的層面就是隻會調調引數，然後就認為自己是這一領域的專家了，實則不然，學習知識，只有真正的理解了，才能夠融會貫通，舉一反三，學好機率統計，以及一些相關的比較重要的數學知識，比如線性代數等等，有了這些理論知識，你才能去探索，去發現人工智慧中未知的奧秘，如果你對人工智慧方面的知識一知半解，那麼你調起引數來也會很累，因為你知其然而不知所以然。