人工智慧，涉及到的專業知識較多。

比如:AI 視覺演算法包含，數學邏輯，程式語言，比如 Python，C # ，C++，JAVA，等諸多程式語言，語言需要較好的理工科基礎，985 211 理工類大學就不錯。

機械方面的知識：比如機械工作原理，機械設計軟體，力學基礎。至少你要會一個CAD不！涉及人工智慧移動，外形，關節，受力分析等。

驅動方面：電機，驅動電池，功耗都要考慮，有人跳出來說，我上個小電機加幾塊電池即可。誠然沒錯，但是，比如功耗，驅動物品，如何保證AI的運營健康有序，更為重要。

安全方面，如果你的AI擁有自動學習功能，那麼如何控制將會是非常重要的，Google人工智慧實驗室，因為人工智慧自行學習觸及到某些領域，被迫停止。

當然如果你要學人工智慧，可以平時就朝著該領域奮鬥。考一箇中國最頂尖的大學，學好外語，進入國外一些頂尖的AI公司，最前沿的技術在哪裡誕生。加油！

很多企業已經實現自動化

人工智慧需要很好的數學基礎

和虛擬接觸

計算機作業系統

計算機組成原理

C/C＋＋

資料結構

離散數學

其他不記得了

自己也在關注和學習，進行下總結回答。

人工智慧，也就是AI已經成為越來越火的一個方向，程式設計師如何轉向人工智慧方向還真不是學習幾個演算法、框架、語言那麼簡單，需要一個系統的學習。個人感覺在校學習更佳，因為在學習過程中，會發現涉及的面太廣學科太複雜，要面對大量複雜的公式，專案中缺少大資料的支撐，艱辛的調參等實際難題也會勸退不少興趣愛好者。基於這個前提，人工智慧方向的學習就不是短期能達到的事情，需要制定學習計劃系統學習。

如今基於統計的深度學習佔據了AI的主導地位。勢必要了解相應的數學、邏輯學、統計學等專業知識，還要查閱學習大量文件資料，這方面要能看懂英文，畢竟是個不成熟的學科，很多最先進的知識國外也是在不斷進化中。說到這裡，還是強烈建議，沒有好的機會進入有實力研究團隊的愛好者棄坑，這不是一個人埋頭苦讀能玩得轉的，網上很多資料都已經是人家嚼過的渣渣已經過時了。如鐵了心有毅力就當自己重讀大學提升一下，比如線性代數：矩陣、特徵值及特徵函式等；微積分：極限、求導、泰勒級數等；機率論：條件機率、高斯分佈、貝葉斯公式等。頭疼了吧，總結一下AI所涉及的學科：

人工智慧是個大範疇，全系統掌握是不可能的，咱們又沒有進阿里達摩院。需要找到和自己目前工作/研究方向相關的細分領域，至少資訊接觸渠道和資料也好找一些：

1、AI晶片，主要包括影象處理、神經網路加速等，進而衍生出GPU、TPU、NPU等品類；

2、機器視覺，主要包括面部、身體、物品、語音、文字、語言識別等；

3、語音互動，主要指基於語音識別技術的人機互動，進而延伸出智慧音箱等終端裝置；

4、機器人，包括教育、陪伴、娛樂、工業等領域的機器人；

5、AI+教育，主要依託語音、面部、身體、物品等識別技術進行早期、兒童教育等；

6、AI+醫療，主要依託語音、面部、身體、物品等識別技術輔助問診、治療等；

7、自動駕駛，包括無人駕駛、ADAS、疲勞檢測等；

8、資料服務，包括AI資料採集、訓練等……

這對於熟練python的程式設計師有一定優勢，要學習的內容包擴但不限於：python程式設計基礎、Tensorflow、MTCNN、YOLOV2 多目標多種類偵測、NLP智慧應答、語言喚醒等等內容。

同時需要對機器學習和深度學習有一定了解，能用tensorflow做一些模型訓練。熟悉tensorflow，caffe，pyTorch等框架，擁有對Inception，Resnet等經典模型的基礎。能看懂論文和程式碼，並能夠結合資料進行分析和實驗，對模型結構，引數等不斷進行最佳化，達到提高識別率等目的，這個最佳化過程需要耗費大量的時間。

有了足夠多的模型設計經驗，同時具備一定的基礎理論知識，這才是剛入門。可以主動尋找參與一些實際專案，才算起步。

好了，取經路上十萬八千里，九九八十一難，感覺難度太大的該棄坑就棄坑吧。

如果你是一個工程師，那人工智慧軟體方面的書籍多如牛毛。但如果談到專業知識，那恐怕要了解一點哲學知識。

建議你讀一下人工智慧專家朱迪亞•珀爾的《為什麼》，珀爾教授一直致力於因果推斷的研究，之前不被人們所重視，但從幾年前開始該技術取得了突飛猛進，最有可能實現機器能像人一樣去思考。因果推斷不是什麼新科學，甚至不是一項新技術，但確實是一種行之有效的方法。

因果推斷可能會對統計學進行改良，如果統計學家仍然堅持相關性關係不等於因果關係這樣的祖訓，那恐怕就會誕生一門獨立的應用數學學科——因果學。

統計資料告訴我們，公雞打鳴與太陽昇起高度相關。但雞叫到底是不是太陽昇起的原因？人們只想知道這樣一個常識，而不想知道他們相關。機器如果這樣思考問題，那這個機器就和人無法區分。圖靈測試也就被擊穿了。