人工智慧是我的主要研究領域，目前也在指導機器學習方向的研究生，所以我來回答一下這個問題。

首先，要從事人工智慧領域的研發一定要有一個紮實的數學基礎，因為不論是從事機器學習（包括深度學習）、計算機視覺、自然語言處理還是機器人學等方向的研發都有一個共同的核心，這個核心就是演算法設計，而演算法設計說到底就是數學問題。

人工智慧的發展需要三個基礎，分別是資料、算力和演算法，隨著目前大資料和雲計算的發展，人工智慧在資料和算力上有了一定的保障，這也在一定程度上推動了人工智慧的發展，也使得深度學習的效果得到了較大的改善，但是相比於資料和算力來說，演算法的研究才是目前人工智慧領域研究的核心。演算法的突破往往具有較大的難度，不少人工智慧領域的核心演算法已經有了幾十年的應用歷史。

由於目前人工智慧領域的研發依然處在行業發展的初期，依然有大量的研究課題需要突破，所以當前人工智慧領域的人才需求依然以研發型人才為主，而紮實的數學基礎是研發型人才必須具備的條件之一。雖然目前已經有一小部分高校在本科階段開設了人工智慧專業，但是人工智慧人才的培養依然以研究生教育為主，未來較長一段時間內，要想專業從事人工智慧領域的研發，讀研是比較現實的選擇。

在5G時代，物聯網將迎來全面發展的行業預期，而物聯網作為人工智慧產品的重要落地應用場景之一，未來物聯網和人工智慧的結合也會逐漸緊密，所以對於數學基礎比較薄弱的學習者來說，從物聯網開始學習是不錯的選擇。

一定要學好數學。程式設計師一大堆，能學好數學的程式設計師就少。只是套演算法訓練個模型發論文的，難聽點arxiv就要成垃圾桶。

人工智慧與數學的關係。人工智慧三大要素是算力、演算法和大資料，都與數學有關，人工智慧本質就是數學。人工智慧工作機制與人腦類似，就是收集資料（感知世界）、認知資料（發掘規律）、輸出資料（決策應用），整個過程效能可以量化為數學公式，即人工智慧效能等於算力乘以資料再乘以演算法的平方。效能代表全過程處理時間，越小代表效能越高，從公式可知，演算法的影響力最大。算力有量子計算機幫助，大資料採集、儲存和挖掘也越來越成熟，演算法的突破將是人工智慧的重點突破。人工智慧體現了數學。科學需要用數學表達。以華為為例，GSM多載波干擾問題就是俄羅斯數學家使用非線性數學多維空間逆函式解決的，設定了行動網路演算法，使2G、3G、4G網路同平臺執行，減少了建設成本。同時，華為手機拍月亮，也是使用了法國的數學家設計的人工智慧演算法，用數學的方式合成影象。華為手機的指紋解鎖技術，背後也是數學演算法，識別紋路、手指生物特徵等。學人工智慧如何學數學。學人工智慧與從事人工智慧是兩回事。如果想了解人工智慧，那麼要具備線性代數（多維矩陣）、微積分（深度學習工具）、數理統計（理解和視覺化資料）、機率（統計規律）基礎知識基本就夠了。如果想深度研究、或者以人工智慧為主業，那麼還是應該精通以上知識，同時還要學習最最佳化理論（尋求最優解）、資訊理論（定量不確定性）、形式邏輯（抽象推理）等，如果空學理論很難，最好結合具體場景與應用，倒逼學習，帶著問題學習人工智慧，不是“學”數學，而是“做”數學。歡迎關注，批評指正。

不講太深奧的東西，就說說人工智慧的入門課。入門的時候你就會接觸到 梯度下降 這個詞，所謂梯度下降，就是函式不斷求導數（對多元函式來說就是偏導數）迭代更新得到最優解。

你可以想想看，一入門就涉及微分形式了，而大家都說人工智慧需要數學，你可以想想看了。

人工智慧涉及的數學範圍很廣，從數值分析，矩陣分析，機率論，數理邏輯，近世代數等等可以延展很多很多。人工智慧的本質就是將萬事萬物看成數字，以便計算機在一定演算法下處理並返回給你某種期待的值

人工智慧是我的主要研究領域，目前也在指導機器學習方向的研究生，所以我來回答一下這個問題。

首先，要從事人工智慧領域的研發一定要有一個紮實的數學基礎，因為不論是從事機器學習（包括深度學習）、計算機視覺、自然語言處理還是機器人學等方向的研發都有一個共同的核心，這個核心就是演算法設計，而演算法設計說到底就是數學問題。

人工智慧的發展需要三個基礎，分別是資料、算力和演算法，隨著目前大資料和雲計算的發展，人工智慧在資料和算力上有了一定的保障，這也在一定程度上推動了人工智慧的發展，也使得深度學習的效果得到了較大的改善，但是相比於資料和算力來說，演算法的研究才是目前人工智慧領域研究的核心。演算法的突破往往具有較大的難度，不少人工智慧領域的核心演算法已經有了幾十年的應用歷史。

由於目前人工智慧領域的研發依然處在行業發展的初期，依然有大量的研究課題需要突破，所以當前人工智慧領域的人才需求依然以研發型人才為主，而紮實的數學基礎是研發型人才必須具備的條件之一。雖然目前已經有一小部分高校在本科階段開設了人工智慧專業，但是人工智慧人才的培養依然以研究生教育為主，未來較長一段時間內，要想專業從事人工智慧領域的研發，讀研是比較現實的選擇。

在5G時代，物聯網將迎來全面發展的行業預期，而物聯網作為人工智慧產品的重要落地應用場景之一，未來物聯網和人工智慧的結合也會逐漸緊密，所以對於數學基礎比較薄弱的學習者來說，從物聯網開始學習是不錯的選擇。

一定要學好數學。程式設計師一大堆，能學好數學的程式設計師就少。只是套演算法訓練個模型發論文的，難聽點arxiv就要成垃圾桶。

人工智慧與數學的關係。人工智慧三大要素是算力、演算法和大資料，都與數學有關，人工智慧本質就是數學。人工智慧工作機制與人腦類似，就是收集資料（感知世界）、認知資料（發掘規律）、輸出資料（決策應用），整個過程效能可以量化為數學公式，即人工智慧效能等於算力乘以資料再乘以演算法的平方。效能代表全過程處理時間，越小代表效能越高，從公式可知，演算法的影響力最大。算力有量子計算機幫助，大資料採集、儲存和挖掘也越來越成熟，演算法的突破將是人工智慧的重點突破。人工智慧體現了數學。科學需要用數學表達。以華為為例，GSM多載波干擾問題就是俄羅斯數學家使用非線性數學多維空間逆函式解決的，設定了行動網路演算法，使2G、3G、4G網路同平臺執行，減少了建設成本。同時，華為手機拍月亮，也是使用了法國的數學家設計的人工智慧演算法，用數學的方式合成影象。華為手機的指紋解鎖技術，背後也是數學演算法，識別紋路、手指生物特徵等。學人工智慧如何學數學。學人工智慧與從事人工智慧是兩回事。如果想了解人工智慧，那麼要具備線性代數（多維矩陣）、微積分（深度學習工具）、數理統計（理解和視覺化資料）、機率（統計規律）基礎知識基本就夠了。如果想深度研究、或者以人工智慧為主業，那麼還是應該精通以上知識，同時還要學習最最佳化理論（尋求最優解）、資訊理論（定量不確定性）、形式邏輯（抽象推理）等，如果空學理論很難，最好結合具體場景與應用，倒逼學習，帶著問題學習人工智慧，不是“學”數學，而是“做”數學。歡迎關注，批評指正。

不講太深奧的東西，就說說人工智慧的入門課。入門的時候你就會接觸到 梯度下降 這個詞，所謂梯度下降，就是函式不斷求導數（對多元函式來說就是偏導數）迭代更新得到最優解。

你可以想想看，一入門就涉及微分形式了，而大家都說人工智慧需要數學，你可以想想看了。

人工智慧涉及的數學範圍很廣，從數值分析，矩陣分析，機率論，數理邏輯，近世代數等等可以延展很多很多。人工智慧的本質就是將萬事萬物看成數字，以便計算機在一定演算法下處理並返回給你某種期待的值