學習人工智慧AI需要哪些最基礎的知識?

人工智慧的定義可以分為兩部分，即“人工”和“智慧”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或著人自身的智慧程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。
關於什麼是“智慧”，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、思維（mind）（包括無意識的思維（unconscious_mind）等等問題。人唯一瞭解的智慧是人本身的智慧，這是普遍認同的觀點。但是我們對我們自身智慧的理解都非常有限，對構成人的智慧的必要元素也瞭解有限，所以就很難定義什麼是“人工”製造的“智慧”了。因此人工智慧的研究往往涉及對人的智慧本身的研究。其它關於動物或其它人造系統的智慧也普遍被認為是人工智慧相關的研究課題。
人工智慧目前在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用－－機器視覺:指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統等。
人工智慧(Artificial Intelligence)是研究解釋和模擬人類智慧、智慧行為及其規律的一門學科。其主要任務是建立智慧資訊處理理論，進而設計可以展現某些近似於人類智慧行為的計算系統。AI作為電腦科學的一個重要分支和計算機應用的一個廣闊的新領域，它同原子能技術，空間技術一起被稱為20世紀三大尖端科技。
人工智慧學科研究的主要內容包括：知識表示、自動推理和搜尋方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智慧機器人、自動程式設計等方面。
知識表示是人工智慧的基本問題之一，推理和搜尋都與表示方法密切相關。常用的知識表示方法有：邏輯表示法、產生式表示法、語義網路表示法和框架表示法等。
常識，自然為人們所關注，已提出多種方法，如非單調推理、定性推理就是從不同角度來表達常識和處理常識的。
問題求解中的自動推理是知識的使用過程，由於有多種知識表示方法，相應地有多種推理方法。推理過程一般可分為演繹推理和非演繹推理。謂詞邏輯是演繹推理的基礎。結構化表示下的繼承效能推理是非演繹性的。由於知識處理的需要，近幾年來提出了多種非演澤的推理方法，如連線機制推理、類比推理、基於示例的推理、反繹推理和受限推理等。
搜尋是人工智慧的一種問題求解方法，搜尋策略決定著問題求解的一個推理步驟中知識被使用的優先關係。可分為無資訊導引的盲目搜尋和利用經驗知識導引的啟發式搜尋。啟發式知識常由啟發式函式來表示，啟發式知識利用得越充分，求解問題的搜尋空間就越小。典型的啟發式搜尋方法有A*、AO*演算法等。近幾年搜尋方法研究開始注意那些具有百萬節點的超大規模的搜尋問題。
機器學習是人工智慧的另一重要課題。機器學習是指在一定的知識表示意義下獲取新知識的過程，按照學習機制的不同，主要有歸納學習、分析學習、連線機制學習和遺傳學習等。
知識處理系統主要由知識庫和推理機組成。知識庫儲存系統所需要的知識，當知識量較大而又有多種表示方法時，知識的合理組織與管理是重要的。推理機在問題求解時，規定使用知識的基本方法和策略，推理過程中為記錄結果或通訊需設資料庫或採用黑板機制。如果在知識庫中儲存的是某一領域(如醫療診斷)的專家知識，則這樣的知識系統稱為專家系統。為適應複雜問題的求解需要，單一的專家系統向多主體的分散式人工智慧系統發展，這時知識共享、主體間的協作、矛盾的出現和處理將是研究的關鍵問題。
需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。
需要演算法的積累：人工神經網路，支援向量機，遺傳演算法等等演算法；當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM；總之演算法很多需要時間的積累。
需要掌握至少一門程式語言，畢竟演算法的實現還是要程式設計的；如果深入到硬體的話，一些電類基礎課必不可少。