现在的人工智能是否走上了数学的极端?

数学不好,就不能学人工智能了?吓跑90%小白的不是算法,是数学! 数学不是AI学习的障碍,而是通向AI世界的桥梁。不必被那些复杂的公式吓倒,它们只是工具,最终目的是为我们服务。人工智能不是科学家的专属,每个人都可以学习、使用甚至开发AI应用。从今天开始,迈出你AI学习的第一步吧!我将持续分享关于人工智能的教程。你对AI中的哪个数学概念最感兴趣?是让AI看懂世界的线性代数,还是让AI学会思考的概率论?欢迎在评论区分享你的想法!📢 扫码加入我们每日获取前沿AI资讯。 阅读详情

作者丨谢凌曦@知乎(已授权)

来源丨https://www.zhihu.com/question/519393525/answer/2430233113

编辑丨极市平台

声明:所有内容均只代表作者本人观点,均有可能被推翻,二次转载务必连同声明一起转载

AI派导读

 

数字电路、集成电路的高速发展让计算机的计算和存储能力达到了新的高度,我们开始实现一些从前不可能的事情,人工智能也因此得到快速的发展。但目前的人工智能好像都是基于逻辑和结构的基础上寻找答案,那么还存在所谓的智能吗?现在的人工智能是否走上了数学的极端呢?

原问题:人工智能在当下如火如荼,有一个很重要的原因是计算机的计算和存储能力达到了一个新的高度,让原来不敢想的事情成为可能。但是,这种计算能力的高度是基于数字电路、集成电路的高速发展带来的。

目前我所了解的人工智能领域,包括机器视觉,包括语义分析知识图谱等,都是基于逻辑和结构的基础上去找答案,去找特征,去组织关系,是数字的结构的。但最大的问题就在这里,当开发者依据个人的倾向去组织数据确定逻辑和结构的时候,已经不存在所谓的智能了,就已经将核心固化了。

所以,我理解智能应该是存在很大程度上的巧合的,也存在很大程度上的随机,凭借数学公式是不能实现的。所以,我想,在数字技术之上的模拟技术是否才是这个问题的答案?有么有类似的案例?结果怎么样?

-------------------------------------------------------------------------

这是一个很有价值的问题,对于初学者尤其重要。从题主的补充说明中,可以看出题主进行过深入的思考。只是题主或许不太熟悉人工智能的早期发展历史,同时稍微混淆了几个概念。下面,我尝试提供一些观点。

按照普遍的认知,现代意义上的人工智能,正式提出于1956年的达特茅斯会议。相比于古早时期的幻想(如中国战国时期的偃师和西方中世纪炼金术中的Homunculus),1956年的定义明确了“智能可以独立于肉体存在” ,然而站在今天的视角看,当时人们对于人工智能的定义仍然很不清晰。从当年proposal的首页截图中,可以看到他们提出的前两个问题是“自动化的计算机”和“如何编写程序让计算机学会使用语言”。前者显然是非常模糊的说法;而后者(也许是受到了图灵测试[1]的影响)看似跟今天的自然语言处理非常相似,可细看描述就会发现,先驱们并没有把具体任务形式化地定义下来。也许是这些不明确的定义给了人们莫名的信心,当时的10个参与者提出了“两个月内解决人工智能基础问题” 的豪言壮语,让今天的人们忍俊不禁。后来的事情大家是知道的:这些基础问题直到今天也没有解决(甚至接近解决),但是这10位先驱中有5人先后荣获图灵奖。所以挖坑早是多么重要!(最后一句划掉)

2f67cf858cc358764dc3b2e00f908967.png

达特茅斯暑期研究计划的proposal首页如果对人工智能早期历史感兴趣,可以浏览维基百科的人工智能史页面,也可以开2倍速听下我的讲解(第1课第2部分):

谢凌曦:第1课 人工智能综述:https://zhuanlan.zhihu.com/p/452444873

回到正题上来。无论早期人工智能的定义多么幼稚,有一个事实是确定的:现代人工智能,脱胎于数学、神经科学和当时尚在襁褓中的计算机科学。我们再看维基百科对于人工智能的定义:

人工智能(英语:artificial intelligence,缩写为AI)亦称智械、机器智能,指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。

也就是说,现代人工智能的共同特点,就是通过高速计算机来实现(有时候甚至可以说复现)人类行为。以此可以回应题主的第一段话:确实,如果未来人类没有造出仿生机器,那么人工智能只能通过数字集成电路来实现。 一个有趣的例子是,科学家们通过把电极插入老鼠和猴子的大脑,可以记录它们对于各种外界刺激的反应。如果我们将这个系统理解为一个机器,那么它确实在一定程度上不依靠数学实现了智能(或许应该叫做鼠工智能或者猴工智能)。当然,出于伦理的考虑,我们是绝无可能把人脑当成机器来使用的(虽然有各种类似的研究)。

再回到主线上来。题主第二段说,“目前我所了解的人工智能领域,……,都是基于逻辑和结构的基础上去找答案,去找特征,去组织关系,是数字的结构的”。正是通过这句话,我判断题主不太熟悉早期人工智能史。事实上,从1950年代开始,人工智能就存在着三个彼此竞争的流派:逻辑演绎、归纳统计、类脑计算。直至今日,也没有人从理论上论证三个流派孰优孰劣,虽然归纳统计在今天占据了压倒性的优势(包括机器学习和从中发展出的深度学习)。这其中,类脑计算的思想很终极也很容易理解:搞清楚人脑是如何工作的,然后用数学模型去复现它;可惜的是,虽然21世纪是生命科学的世纪(大雾),脑科学的进展还是没能满足人工智能的需求。

除了高冷的类脑计算派,逻辑演绎派和归纳统计派也进行了长达数十年的竞争。它们的本质分歧在于:逻辑演绎派希望能对任何任务建立起规则,并且通过严谨的逻辑推理来解决问题;而归纳统计派则认为,严格建模即不现实也不必要,“这个世界就是描述它自己最好的模型”[2]。1970年代,逻辑演绎派在符号人工智能的框架下搞出了专家系统[3],一举带来人工智能的第二次繁荣期;但是很快,人们就发现专家系统的使用场景过于受限,同时维护规则库的开销太大,人工智能进入第二次低谷期。带领业界走出第二次低谷期的,正是归纳统计派,包括后来被归为亚符号人工智能的统计学习理论[4]。再后来,手工设计模型遇到瓶颈,而1950年代就存在的连接主义(人工神经网络)在大数据的驱动下,进化为深度学习理论,基本上统治了人工智能领域,直至今日。

因此对于第二个问题的回答是:人工智能里存在其他学派,但是它们目前还没有跟归纳统计派抗衡的能力。但是,统计学习方法的缺陷是非常明显的(这正是题主的观点,也是业界普遍的担忧)。从我个人的观点看,我不相信统计学习能够实现真正的人工智能,但是它确实是当前人类掌握的最有力工具。特别是在深度学习出现以后,统计学习方法能够解决很多受限场景下的实际问题,因而形成了正向循环,获取了政府和工业界的大量投资。因而,从观感上,有一种“人工智能只剩下统计学习”的错觉,但我相信其他流派也还在努力,等待翻身的一天。

最后,我不太能够从数学上理解“智能存在很大程度上的随机”的含义。不知道是否有生物学或者遗传学专家,能够从物种进化的角度来分析。不过针对第三段所说的“数字技术之上的模拟技术”,我相信前面的介绍已经多少回答了这个问题:类脑计算就是希望模拟人脑,但是当前还不能在实际问题中看到应用。这里必须澄清:虽然人脑也是分区分层的,不过我向来反对将深度神经网络看做类脑计算(brain-like computing),它最多只能算做脑启发的计算(brain-inspired computing)。许多年前,我听过一个有趣的哲学辩论:人类的大脑,是否能够理解大脑本身?可惜我现在找不到相关材料了。

总之,人工智能的范畴很广,价值也很大。许多我们能够想到的问题,之前都已经有人做过各种各样的思维实验。我强烈建议初学者们,不要仅仅局限在深度学习的框架内,有空可以看看早期各种有趣的故事,至少要搞清楚业界是怎样一步步走到深度学习的,这对于形成完整的人工智能世界观大有裨益。 最后的最后,说到未来,那一定是“道阻且长”,只有保持永恒的探索欲,才有可能突破当前瓶颈,找到新的道路。

参考

1.^Turing A M. Computing machinery and intelligence[M]//Parsing the turing test. Springer, Dordrecht, 2009: 23-65.

2.^Brooks R A. Elephants don't play chess[J]. Robotics and autonomous systems, 1990, 6(1-2): 3-15.

3.^Shortliffe E H, Buchanan B G. A model of inexact reasoning in medicine[J]. Mathematical biosciences, 1975, 23(3-4): 351-379.

4.^Vapnik V. The nature of statistical learning theory[M]. Springer science & business media, 1999.

觉得还不错就给我一个小小的鼓励吧!
如何学习人工智能,学习AI的一般路线 现在人工智能可以说是非常的火热,很多同学也想学习。但是刚开始时候总是会觉得比较迷茫,不知道如何开始学,也担心人工智能太难,自己可能学不会。其实不用太担心,因为人工智能入门其实并不难。这篇文章对如何去学习人工智能,给出一些建议。 学习AI的大致步骤: (1)了解人工智能的一些背景知识; (2)补充数学或编程知识; (3)熟悉机器学习工具库; (4)系统的学习AI知识; (5)动手去做一些AI应用; ... 阅读详情

相关推荐

【人工智能离散数学基础】——深入详解组合数学:理解组合问题在某些AI算法中的应用

组合数学(Combinatorics)是数学的一个分支,研究离散对象的组合、排列及其性质。组合数学在计算机科学和人工智能(AI)领域中有广泛的应用,特别是在优化问题、搜索算法、概率模型和图论等方面。本文将深入探讨组合数学的基础知识,重点解析其在AI算法中的应用,并通过示例代码帮助读者更好地理解这些概念。

编程技术探索者,分享C/C++、C#、Java、数据库等开发经验,聚焦实战技巧与AI兴趣,助力编程爱好者成长。 4155

【强基固本】现在的人工智能是否走上了数学的极端?

来源:知乎—谢凌曦地址:https://www.zhihu.com/question/519393525/answer/2430233113“强基固本,行稳致远”,科学研究离不开理论基础,人工智能学科更是需要数学、物理、神经科学等基础学科提供有力支撑,为了紧扣时代脉搏,我们推出“强基固本”专栏,讲解AI领域的基础知识,为你的科研学习提供助力,夯实理论基础,提升原始创新能力...

人工智能学家 250

数学领域的数学思想与人工智能

本文深入探讨数学思想如何从根本上塑造和推动人工智能的发展历程,揭示两大知识体系间的深刻联系与相互影响。通过第一性原理分析,我们系统解构了支撑现代AI的四大数学支柱——形式逻辑、概率统计、几何结构和优化理论,并展示这些数学框架如何转化为具体的AI算法与系统。文章构建了从理论到实践的完整知识链条,既包含对数学基础的严谨阐述,也提供了算法实现的技术细节与代码示例。特别地,我们分析了前沿数学领域(如拓扑学、范畴论)对解决AI核心挑战的突破性贡献,并探讨了人工智能反过来启发数学研究的新兴交叉方向。

AI天才研究院 858

重塑数学边界:人工智能如何引领数学研究的新纪元

本文探讨了人工智能如何深刻改变数学研究的边界,特别是在数学理论、推理和证明方式上的创新。随着生成式AI的快速发展,AI不仅帮助数学家加速推理过程,还能在新理论的构建中发挥重要作用。文章还深入分析了人机共证的数学证明探索,展现了AI与数学研究之间日益密切的双向关系。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 14万+

NX二次开发入门必看:手把手教你搭建开发环境

想顺利开展nx二次开发,第一步就是配置好开发环境。本文详细讲解从安装准备到环境调试的完整流程,结合实际操作细节,帮你避开常见坑点,快速进入nx二次开发的实战阶段。

weixin_31569663的博客 1462

用户消费行为分析(MapReduce实现,Hive分析)

一、题目要求 数据来自CDNow网站的一份用户购买CD明细,本数据集共有 6 万条 左右数据,数据为 CDNow 网站 1997年1月至1998年6月的用户行为 数据

紫烟的博客 3014

人工智能中的数学计算和数学思想

数学思想不仅是人工智能技术实现的基础,更是引领该领域突破传统、不断创新的智慧源泉。

xw555666的博客 5326

PSM-DID实战指南:Stata代码解析与案例应用

本文详细解析PSM-DID方法在Stata中的实战应用,从理论到代码实现全面覆盖。通过倾向得分匹配(PSM)和双重差分(DID)的结合,有效解决政策评估中的选择偏差问题。文章提供完整的Stata命令代码、样例数据处理技巧和案例应用,帮助研究者准确评估政策效果。

vulkan6gpu的博客 795

人工智能的数学形式化

人工智能的本质是数学的形式化表达,其核心原理可完全用数学语言描述。

qq_46250678的博客 2369

UNet改进(54):当医学图像分割遇上频域学习与自监督

本文提出了一种改进U-Net的方法,通过频域增强模块和代理任务模块提升医学图像分割性能。频域增强模块在傅里叶空间对特征图进行可学习的频率调制,重点增强高频细节特征;代理任务模块通过图像重建约束编码器保留关键信息。两个模块协同工作,在仅增加5%参数量的情况下,形成空间域、频域和重建约束三条互补的信息路径。该方法特别适用于需要精细边缘分割的医学图像任务,预期能提升5%-10%的边缘分割精度,在小样本场景效果更显著。部署时可移除代理任务模块,不影响推理效率。未来可探索空间自适应频域调制和更丰富的代理任务设计。

2501_91516851的博客 228

YOLOv12涨点改进 | 全网独家首发Conv改进篇 | Arxiv 2025 | 引入一种新的WConv加权卷积改进YOLOv12,显著提升其特征提取能力和目标检测精度

本文提出了一种新型加权卷积(WConv)模块,通过引入最优密度函数动态调整邻域像素权重,显著提升了YOLOv12目标检测性能。WConv在保持参数数量不变的情况下,提高了模型精度(VGG准确率提升10%)、增强了小目标检测能力,并改善了多尺度特征提取。文中详细介绍了模块原理、网络结构改进方法,并提供了核心代码实现和yaml配置文件。实验表明,该方法在图像任务中最高可降低53%的损失,虽然会带来11%的时间开销,但具有优异的鲁棒性。该技术可广泛应用于2D/3D图像处理领域。

Ai缝合怪、助力小伙伴高效发论文 219

AI人工智能的数学书籍(2025.03.03)

AI人工智能的数学书籍(2025.03.03)

青少年趣味编程 3184

ESP32-IDF开发之旅 外设篇④ 串口通信 Uart

ESP32-S3 UART串口通信详解 本文介绍了ESP32-S3的UART串口通信配置流程,涵盖硬件引脚分配、参数设置、数据收发等关键步骤。

单片机菜鸟哥的博客 499

人工智能背后的数学力量

数学知识广袤且深邃,在通往人工智能的道路上,我们并不需要把所有数学内容都事无巨细掌握,可以以目标为导向,先把数学中必要的基础知识进行掌握,然后针对具体工作目标进行针对性的学习,其实并不困难,下面我们就来了解一下人工智能的“魔法”是在哪些数学基础知识的力量支持下完成的。数学不仅是解决复杂问题的工具,更是理解和构建人工智能算法的基础,理解其背后的原理可以使我们更加客观地审视人工智能的功能和局限,避免过度神话或错失人工智能带来的能力。通过将数据或关系表示为图的结构,图论的方法可以有效地分析和处理复杂的数据关系。

2401_86636311的博客 3053

EDEM-FLUENT耦合报错几大原因总结(持续更新)

EDEM-FLUENT耦合报错几大原因总结(持续更新)

zheaa的博客 2763

YOLO26改进策略【卷积层】| HWD,引入`Haar小波变换`到下采样模块中,减少信息丢失

本文记录的是。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失,为了解决信息丢失问题,HWD作者受无损信息变换方法的启发,引入Haar小波变换到下采样模块中,

Limiiiing的博客 354

AI人工智能需要掌握的数学知识

AI人工智能需要掌握的数学知识

青少年趣味编程 1095

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

人工智能的数学基础 | AI基础

人工智能的基础是数学,这一点已经是确定无疑的共识了。但“数学”二字所包含的内涵与外延太广,到底其中的哪些内容和当前的人工智能技术直接相关呢?今天我们就来看看入门人工智能所需要的数学知识。...

YeJuliaLi的博客 6783

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

【AI中的数学-人工智能的数学基石】数学:构建AI大厦的基石

数学是人工智能(AI)的核心基石,贯穿于AI算法的设计、模型的构建以及系统的优化过程中。正如建筑大厦需要坚实的地基,AI的发展依赖于深厚的数学理论和方法。理解和掌握这些数学原理,不仅能够提升对AI技术的理解,还能为创新和解决复杂问题提供强有力的工具。本节将系统性地探讨支撑AI的主要数学领域,包括线性代数、微积分、概率与统计、优化理论以及离散数学,阐明它们在AI中的具体应用与重要性。

人工智能(AI)技术,大模型技术,深度学习,机器学习,计算机视觉,AI工具实践应用等分享 1884

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

人工智能:你需要搞懂的数学基础

线性代数研究的是向量和矩阵,用通俗的话来说,就是研究“排队”(向量)和“摆方阵”(矩阵)。在人工智能中,线性代数无处不在:神经网络的权重和输入是矩阵,计算是矩阵乘法,甚至输出结果也是矩阵。逻辑是数学中的“哲学家”,它教会我们如何推理和做决策。在AI中,逻辑被用来设计算法、控制流程,比如自动驾驶时的“红灯停,绿灯行”。优化的目标就是“少花钱,多办事”。在AI中,优化方法被用来寻找模型的最佳配置,既让模型表现更好,也让计算效率更高。

weixin_33324696的博客 1416

数学与人工智能:数学在人工智能中的应用

1.背景介绍 人工智能(Artificial Intelligence)是一门研究如何让机器具有智能行为的学科。在过去的几十年里,人工智能已经取得了显著的进展,从简单的规则引擎到复杂的深度学习网络,人工智能已经成功地解决了许多复杂的问题。然而,在这个过程中,数学在人工智能中的应用也是不可或缺的。 在本文中,我们将探讨数学在人工智能中的应用,包括数学在人工智能中的核心概念、核心算法原理、具体最佳...

AI天才研究院 4371

人工智能需要学习哪些数学基础?AI数学基础

人工智能(Artificial Intelligence,AI)是一门涉及到多个学科的交叉领域,其中数学基础尤为重要。其中包括概率论和统计学、线性代数、微积分、最优化理论、离散数学和信息论等多个方面。

gp16674213804的博客 6402

人工智能与数学前沿综述:如何借助 AI 发现数学规律?

导语为了探索数学与人工智能深度融合的可能性,集智俱乐部联合同济大学特聘研究员陈小杨、清华大学交叉信息学院助理教授袁洋、南洋理工大学副教授夏克林三位老师,共同发起“人工智能与数学”读书会,希望从 AI for Math,Math for AI 两个方面深入探讨人工智能与数学的密切联系。在人工智能与数学读书会第一期,陈小杨老师探讨了符号回归、强化学习构造反例、AI辅助发现数学规律,以及大语言模型在数学...

人工智能学家 1024

人工智能的数学基础

人工智能的数学基础

青少年趣味编程 2440
上一篇: 太强了,10种聚类算法完整Python实现!
下一篇: 内卷?谈谈AI算法人才职业发展
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值