1、核心三要素——算力、算法、数据（三大基石）：
算法、算力、数据作为人工智能（AI）核心三要素，相互影响，相互支撑，在不同行业中形成了不一样的产业形态。随着算法的创新、算力的增强、数据资源的累积，传统基础设施将借此东风实现智能化升级，并有望推动经济发展全要素的智能化革新。让人类社会从信息化进入智能化。
（1）算力：
在AI技术当中，算力是算法和数据的基础设施，支撑着算法和数据，进而影响着AI的发展，算力的大小代表着对数据处理能力的强弱。
（2）算法：
算法是AI的背后“推手”。
AI算法是数据驱动型算法，是AI的推动力量。
（3）数据：
在AI技术当中，数据相当于AI算法的“饲料”。
机器学习中的监督学习和半监督学习都要用标注好的数据进行训练，由此催生了大量数据标注公司，它们将处于未经处理的初级数据，转换为机器可识别信息。只有经过大量的训练，覆盖尽可能多的各种场景才能得到一个良好的模型。
2、技术基础：
人工神经网络是一种仿造神经元运作的函数演算，能接受外界资讯输入的刺激，且根据不同刺激影响的权重转换成输出的反应，或用以改变内部函数的权重结构，以适应不同环境的数学模型。
（2）靠巨量数据运作的机器学习。
科学家发现，要让机器有智慧，并不一定要真正赋予它思辩能力，可以大量阅读、储存资料并具有分辨的能力，就足以帮助人类工作。
自然语言处理的研究，是要让机器“理解”人类的语言，是人工智慧领域里的其中一项重要分支。
自然语言处理可先简单理解分为进、出计算机等两种：
其一是从人类到电脑──让电脑把人类的语言转换成程式可以处理的型式；
其二是从电脑回馈到人──把电脑所演算的成果转换成人类可以理解的语言表达出来。
着重于抽象概念的解释而非具体的数学公式来看，线性代数要点如下：线性代数的本质在于将具体事物抽象为数学对象，并描述其静态和动态的特性；向量的实质是 n 维线性空间中的静止点；线性变换描述了向量或者作为参考系的坐标系的变化，可以用矩阵表示；矩阵的特征值和特征向量描述了变化的速度与方向。
除了线性代数之外，概率论也是人工智能研究中必备的数学基础。随着连接主义学派的兴起，概率统计已经取代了数理逻辑，成为人工智能研究的主流工具。在数据爆炸式增长和计算力指数化增强的今天，概率论已经在机器学习中扮演了核心角色。
同线性代数一样，概率论也代表了一种看待世界的方式，其关注的焦点是无处不在的可能性。频率学派认为先验分布是固定的，模型参数要靠最大似然估计计算；贝叶斯学派认为先验分布是随机的，模型参数要靠后验概率最大化计算；正态分布是最重要的一种随机变量的分布。
总之，线性代数之于人工智能如同加法之于高等数学，是一个基础的工具集。
要掌握处理数据相关的其他技术，其中包括了算法，代数和微积分。具备这些技能的重要性显而易见。同时我们还需要了解人类对于自然语言处理的思维过程，其中的上下文联系，隐含意图以及所描述事物间的联系等等。这需要深入洞察人类的思维过程。
数学专业的学生更容易成为一名人工智能项目中的软件开发人员，因为他们已经具备了统计学的基础，而这对人工智能或机器学习是非常重要的。相反一名普通的软件开发人员不可能简单的通过某些Python库的运用就能解决实际问题。
统计学，数据建模，大数据，深度学习和递归神经网络等知识与一种或多种编程语言相结合，对于试图进入人工智能的开发人员来说是一个比较好的出发点。进而把实际问题从更高层次的角度抽象出来，从而使的计算机能够理解并进行处理。
良好的数学知识和数据科学的学术背景，通过不同方式（各种研讨会，个人博客等）跟上这个快速发展的领域。擅长处理大数据集。能够快速掌握机器学习的工具集并将其集成到更大的项目中。
对众多相关数学知识进行梳理，并建立自己的人工智能知识体系。比如， 了解数据类型，掌握机器学习，相关算法，决策树和神经网络。还要了解业界的知名项目（开源项目，Apache，谷歌，IBM，微软，R，Python等等）。
不需要什么基础。
比如，扫地机器人，很常见吧？
你有钱，就能买到。
掌握人工智能，根本就不需要什么基础。