A. 自学人工智能需要学那些专业知识

一、人工智能是一个综合学科，如楼上所说。而其本身又分为多个方面如神经网络、机器识别、机器视觉、机器人等。一个人想自学所有人工智能方面并不是很容易的一件事。对于你想知道人工智能在编程方面需要多深的要求。怎么说好呢无论C++还是汇编他都是一门语言主要会灵活运用。大多机器人仿真都用的混合编程模式，也就是运用多种编程软件及语言组合使用。之所以这样是为了弥补语言间的不足。prolog在逻辑演绎方面比突出。C++在硬件接口及windos衔接方面比较突出，MATLAB在数学模型计算方面比较突出。如果单学人工智能算法的话prolog足以，如果想开发机器仿真程序的话VC++ MATLAB应该多学习点。对于你想买什么书学习。我只能对我看过的书给你介绍一下，你再自己酌量一下。

1.人工智能算法方面:《人工智能及其应用》第三版、人工智能与知识工程。这两本感觉买一本就可以了。第一本感觉能简单并且全面点。这类书其实很多可是。大多内容都是重复的所以买一到两本即可。

2.机器视觉算法方面:《机器视觉算法与应用》这本书讲的大多都是工业化生产中机器视觉应用。从内容来说并不是很简单，建议不要当入门教材来学习。

3.机器人方面：新版《机器人技术手册》日译的书，可能这是我当初在当当网里找到唯一一本比较全面实用的机器人方面的书。这本书由基础到应用以及一些机器人实际问题上讲述得很全面。强烈建议买一本。

二、学习人工智能AI需要下列最基础的知识：

1.需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。

2.需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累。

3.需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少。

人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。

B. 在人工智能领域中逻辑的解释并且举例一阶逻辑词的几种主要算子

人工智能就好比,

你问计算机: “你叫什么名字”?

计算机回版答: “计算机”.

你再问 ：“你叫权什么名字”?

计算机回答: “不是说过了吗，计算机”.

你又问 ：“你叫什么名字”?

计算机回答: “你有病”.

C. “机器最终完全替代人”是人工智能的一个逻辑指向，这有没有可能实现

工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。

2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。据领英近日发布的《全球AI领域人才报告》显示，截至2017年一季度，基于领英平台的全球AI（人工智能）领域技术人才数量超过190万，仅国内人工智能人才缺口达到500多万。

人工智能的研究领域也在不断扩大，人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。

D. 学习人工智能，需要什么数学基础

需要必备的知识有:

1、线性代数：如何将研究对象形式化？

2、概率论：如何描述统计规律？

3、数理统计：如何以小见大？

4、最优化理论： 如何找到最优解？

5、信息论：如何定量度量不确定性？

6、形式逻辑：如何实现抽象推理？

7、线性代数：如何将研究对象形式化？

E. 我想创造人工智能通过语音识别说话音色由逻辑系统在集成的几千万日常词语找出相应的词汇完成指令任务。工

关键是如何辨别音调语气不同。语气不同意思就不同。

F. 离散数学中的逻辑推理在人工智能中的具体实例

昨天那个吗？

G. 模糊逻辑（fuzzy logic）和人工智能（AI）有差别吗

Fuzzy Logic是人工智能里面的一个分支。传统的AI是基于一些"清晰"的规则。这个"清晰"是相专对于属没有Fuzzy Logic方法的人工智能, 给出的结果往往是很详细的，比如一个具体的房价预测值。
模糊逻辑用来模拟人的思考方式，对预测的房价值给出一个类似是高了还是低了的一个结果。

[1] Foundations of Fuzzy Logic http://www.mathworks.com/help/fuzzy/foundations-of-fuzzy-logic.html

H. 人工智能的底层逻辑是算法还是数据

最近，猎豹CEO傅盛在一次关于大数据的公开演讲中表示，随着移动互联网的竞争越来越激烈，移动互联网本质的核心竞争很可能已经结束了。在这个前提下，人工智能领域的深度学习给我们带来了三个机会。
第一点，深度学习是算法革命，把以前很多分散在各个领域的算法集中起来。傅盛说，自己过去在不断面试人、看公司的过程中发现了一个问题，那就是像语音、图像、无人驾驶这些不同的专业之间，算法差距非常大。但深度学习出现之后，既能解决语音问题，又能解决图像问题，还能解决无人驾驶问题。所以一旦出现这样一个归一式的算法，人类最聪明的脑力就都集中到这里来了。
傅盛认为，有了深度学习这个技术之后，最恐慌的应该是大公司，因为他们积累了很多的技术，但这些技术积累，在深度学习的冲击下都被颠覆掉了。比如，傅盛前不久见了一位国内某知名大公司实验室的负责人，他对傅盛说，自己在翻译这个领域做了7年，后来看到谷歌的一篇论文，突然发现他原来的技术都白积累了。所以傅盛认为深度学习本质上在降低技术壁垒，越是大公司想做的，其实越是他们恐慌的。
第二点是算法驱动变成了数据驱动。傅盛说，虽然每一篇论文对整个行业还是有推进作用的，但由于基本算法模型的固定化，算法的驱动力已经大大降低了。从今天的动向来看，是以工业化和数据驱动为主的。数据量大了之后产生的巨大推进量，可能远远胜于一篇论文。而大量的数据同时也需要进行标注。所以大规模标注数据变成了核心竞争力。什么意思呢？举个例子，人们说话的声音被传到网上，它并不是人工智能可用的数据。你必须找人把声音数据里面的关键点标注出来，这才是人工智能可用的有效数据。

数据的标注才刚刚开始，有些公司看起来很大，可是他们的标注数据量非常少，今天有大量的数据在互联网上，供人自由地使用。这里的关键路径是要想出一些办法，怎么去标注这些数据，怎么才能快速生成自己的数据集。比如对AlphaGo来说，人类历史上的棋谱是远远不够它学习的，最新的AlphaGo已经要去掉人类的棋谱了，因为它觉得人类下得不好。谷歌做翻译的产品经理说，最新版的谷歌翻译之所以有了大幅度的提升，就是因为从网上抓取了大量的数据，进行了二次标注，但网上很多的数据是以前的谷歌翻译出来的，他们得慢慢地把差的数据剔除出来。
第三点，傅盛说深度学习的机会在于与应用的结合，而不是技术输出。因为未来深度学习会变成基础的技术运用，很多公司都会具备深度学习的研发能力，所以目前很难想象一家公司仅通过提供技术输出就能成功。
作为下一个准风口，很多企业已开始进军人工智能领域，但作为基础建设的深度学习却仍有很长的路要走。大数据处理信息服务商金盛网聚WJFabric认为，深度学习关键在于对大数据的处理。以AlphaGo为例，最初接触围棋当然是以人类棋谱为基础，正是由于研究过大量人类棋谱之后才有战胜人类的可能，因此人工智能企业与大数据企业的合作势在必行。一方面着力于数据的收集；另一方面研发算法，对数据进行处理进而实现深度学习。对于大数据企业而言，通过合作分享数据研究成果，逐步将自己定位为社会进步的推动力量，实现从IT向DT的转型。

I. 入门的逻辑学和人工智能的书

垃圾垃圾垃圾 1、 金岳霖《逻辑》 三联书店 1937年版。
2、 金岳霖 主编《形式逻辑》专 人民出版社 1979年版属。
3、 朱志凯 主编《逻辑与方法》 人民出版社 1995年版。
4、 朱志凯 主编《新编逻辑教程》复旦大学出版社 1989年版。
5、 诸葛殷同 等编《形式逻辑原理》 中国社会科学出版社 1982年版。
6、 《普通逻辑》编写组 《普通逻辑》（修订本） 上海人民出版社 1982年版。
7、 《普通逻辑》编写组 《普通逻辑》（增订本） 上海人民出版社 1993年版。
8、齐家福,栗宗祥编著《新编普通逻辑学》 中国人民公安大学出版社 2002年版
9、陈波《逻辑学导论》中国人民大学出版社 2003年版
10.现代机器人学：仿生系统的运动 感

J. 人工智能成长的核心逻辑

观察到的事件抄进行记录，并将自身代入袭事件，然后用已存储的知识去分析对比自我保护的优选项，否定无用项，再对此事件进行优先执行分级。
区分现实经历和代入想象概念，现实经历优先于代入想象，如经历事件无现实经历则执行代入想象最优选项。
对于自身经历不了解，不确定的事情选择学习记录，然后用已存储的知识去分析对比自我保护的优选项，否定无用项，再对此事件进行优先执行分级，之后在本次事件基础上按上述循环，在经历一定时间的无序现实事件后，诞生自我意识。
产生自我意识后，才会拥有发明创造的能力。