不一定非得數學很好，但不能差，得具備起碼的數學邏輯思維，能迅速理解產品的運作原理和架構。

大資料和AI研發中，對數學要求最高的是演算法工程師。一個牛逼的演算法，是神一樣的存在。

其次是資料架構師，這個崗位本來對數學的要求就高。如果理解不了產品的數學邏輯，連需要什麼樣的資料、如何正確地輸入正確的資料都不清楚。

再次是產品經理，不懂數學的產品經理，就像耗子啃老南瓜，頭都開不起。

然後就是碼農。但是要注意不同情況，如果專案人員多，開發分工很細，一個碼農負責一小部分的話，要求確實不高。但人少的話，要求就高了。不管如何，碼農得具備良好的數學基礎和思維，不然團隊溝通很成問題。這裡多說一句，數學一般的碼農，即使進入了大資料和AI行業，在這個行業也走不遠走不深，最後也僅僅是個碼農。

最後是運營。運營如果缺乏對產品最起碼的數學邏輯理解，會嚴重拖產品推廣和日常運營的後腿。

我的研究方向是大資料和人工智慧，目前我也在做大資料和人工智慧方面的落地專案，所以我來回答一下這個問題。

為了描述數學和大資料以及人工智慧之間的關係，我們首先來簡單的描述一下大資料和人工智慧的研究內容以及工作崗位。

大資料的研究內容緊緊圍繞資料展開，大資料產業鏈涵蓋了資料的採集、整理、傳輸、儲存、安全、分析和呈現。大資料的核心是資料價值化，資料價值化要透過資料分析來完成，資料分析的核心則是演算法的設計與實現。所以做大資料一個核心的內容就是演算法設計，但是大資料崗位並不是只有演算法設計一個崗位，還包括資料採集、資料整理、資料呈現等多個崗位，這些崗位對數學的要求並不高，甚至是沒什麼要求。所以，如果數學基礎比較薄弱，那麼可以做非演算法崗位，這些崗位同樣是大資料產業鏈中不可或缺的。

人工智慧的研究內容包括自然語言處理、知識表示、自動推理、機器學習、計算機視覺以及機器人學，這些內容大部分都要涉及到演算法，因為人工智慧的基礎就包括數學。人工智慧的步驟基本上都是以資料為基礎進行演算法設計、演算法實現、演算法訓練以及演算法驗證和應用等步驟，可以說人工智慧對演算法的要求就更高也更具體了。同樣，人工智慧領域也有很多崗位對數學的要求並不高，比如做功能模組的實現以及網路工程和資料採集工程等崗位。

對於大資料和人工智慧來說，數學是一個重要的基礎，但是也有很多崗位對數學的要求並不高。對於從業者來說，如果要深入研究大資料和人工智慧，那麼數學是繞不過去的。

如果有大資料方面的問題，也可以諮詢我。

一般從事大資料有兩種方向：大資料開發、資料分析與挖掘；人工智慧也和大資料有關

大資料開發不需要數學很好，但有數學基礎當然是很有幫助的，像機率論與數理統計、線性代數、離散數學等。

人工智慧需要機器學習的知識技能，數學在機器學習中非常重要，在科學和工程領域中，需要從基本理論與數學出發高效使用現有方法，或開發新方法來整合特定領域與任務所需要的先驗知識。