Answers:
您将需要一些离散数学。图，树等。这些是AI的基础结构。
您将需要一些编程技能，尤其是使用Prolog和LISP之类的语言。许多AI系统都使用这些语言进行编程。
您将需要一些逻辑。命题和谓词演算。它们的语法和语义。也许有些模态逻辑。这将构成学习知识表示的基础，而知识表示是AI的基础。
在常规计算机科学学位的前两年中，您通常获得足够的背景来开始学习AI。
但是，人工智能的复杂程度没有限制。为了更深入地了解它，您将需要统计量，微积分，矩阵代数，以及可能更多。统计学习理论（或更简单地说是机器学习）取决于这些领域。
我的建议。买一本关于人工智能的书，以自己的时间阅读。一个不错的例子是Stuart Russell和Peter Norvig撰写的《人工智能：一种现代方法》。每当您不了解某些内容时，请尝试找出您缺少的背景知识。然后填补这些空白。
我马上说。
当然，您将需要很多不同的主题，例如提到的Dave Clarke。您真正需要的是哪一种取决于您选择哪种AI。如果您打算朝着机器学习的方向发展，则不需要逻辑或离散数学，但是将需要概率论，统计，线性代数，优化和多元演算的大量帮助。
我的观点是，如果您是为了掌握AI而学习这些东西，而不是为了自己的缘故，那么您将需要一些东西来保持动力。所以我就开始搞乱。不用阅读所有这些东西，而只是尝试在没有任何先验知识的情况下写一个国际象棋棋手，或者编写一个简单的人工生活模拟程序。如果您自己开始，它将为您提供一个上下文，以放置您以后将要学习的内容。
如果您在编写第一个AI程序之前一直等到完成了我上面提到的所有主题，那么您将需要一个坚定的决心来坚持三年左右的时间。
一旦编写了一些玩具程序，就可以从概述手册开始，使所有这些主题的品尝者都专注于AI。罗素和诺维格在逻辑上有些沉重。最佳选择取决于您对哪些子领域感兴趣。如果您打算学习机器学习，那么Tom Mitchell的“机器学习”将是一个不错的选择。
尽管我同意其他答案，但我本人并希望成为现代AI的学生，但我认为数学知识至关重要。
以斯坦福大学的YouTube系列讲座为例。如果您能看完前6堂课，并且理解了所介绍的数学概念和符号来解释如何以及为什么可以使用Logistic回归，贝叶斯算法和SVM（支持向量机）等神经网络算法来解决问题。计算机的知识收集过程，那么您就可以开始认真研究了-我认为。
如果您发现缺乏基础知识，那么下面列出的课程可能是一个不错的起点：
有些人可能会建议使用常微分方程或分析过程-但这可能会导致过度失败。尽管如果您认真研究是您的目标，那么我还是建议您采用彻底解决的方法。如果您只是好奇的话，另一本推荐给我的有趣的书是Nick Bostrom的《Superintelligence》。
我还认为，心理学，基础神经科学，生物学（细胞与微生物如何交流）课程甚至社会学课程可能都不是您所花费的宝贵时间。它将帮助您从广义上理解智力。例如，遗传算法是根据有关基因如何传递的生物学过程建模的。
在社会学意义上，人群是怎么想的？是在某些情况下是分布式智能还是分布式愚蠢，或者两者兼而有之？这可以为将来的新算法提供指导吗？令人怀疑，但希望您能明白我的意思。