人工智能的数学特性

        AI的本质是一个数学问题的求解,你相信么?其道理来自,作为AI算法的计算机程序,本身就是一个数学求解问题,其低层实质上是一个一切符号01化后的数学演算,其上层表现为多程序步骤的函数求解。

       既然AI求解是可供算法化的数学模型,那么在人工智能之前,数学和算法已经存在上千年了,它们又是否可以界定为人工智能呢?很显然,数学是人类智慧的结晶,虽然受到哥德尔不完备定理的限制,大多数数学问题还是可以实现算法化,即由计算机来处理的。

       笛卡尔发明笛卡尔积,将空间和几何图案代数化,牛顿发现万有引力定理,并用数学公式研究力学,用微积分表达运动规律,布尔发明布尔代数,将逻辑推导代数化,又得到弗雷格和罗素的完善和推广,加上化学早就实现了代数表达和定量计算,计算机的发明,更进一步实现了计算过程和信息处理的代数化,这一切使我们不仅实现了莱布尼茨让一切知识都符号化的理想,更验证了古希腊哲学家毕达哥拉斯万物皆数的哲学思想,记得某大学的哲学老师曾经讲过:现代科学知识的一个显著特征就是数学化,其目的不仅仅是为了精确描述客观世界规律,更主要的是想控制和改造世界,计算机技术正是这一结论的完美体现,基于计算机技术的AI更不可能是例外。

       自计算机发明以来,数学化就具有特定的含义,那就是将一切知识符号化,这需要将非代数的数学代数化,早期的AI符号主义流派便顺着这个历史脉络,引领AI几十年的热潮,除了催生出大量高级计算机语言,还催生出LISP和prolog等逻辑语言,这一流派倾向于知识表达和演绎推理,以此构造具有庞大知识的专家系统,但不具备机器学习能力的静态知识体系显然难以适应知识的大爆炸,很快趋于没落,很快给日本第五代计算机浇了一盆冷水,将AI打入第二次低谷

       于是在60年代被明斯基《感知器》判了死刑具备学习能力的神经网络在九十年代死灰复燃了,神经网络看似高深,实际是一个数学模型,起源早于AI概念的诞生之前的1943年,麦克洛克和皮茨为单个神经元建立了MP数学模型,后来发展成为AI的主要流派——的连接主义流派,虽然灵感来自生物学意义上的神经元,用的却都是数学方法。

       更直白的,神经网络模型和支持向量机等分析类AI算法,实质上是一组带未知参数的方程,参数未知如何求解?要反其道而行,那就是给你一堆已知方程解样本去训练参数,这就是机器学习,实际上和线性规划中的拟合是一回事,做过线性规划的都知道,散乱的样本解要归纳出精确方程的概率极低,只能拟合出近似的结果,神经网络一样,因此诞生了哈佛大学教授莱斯利·瓦利安特提出近似正确学习模型(PAC Learning)。

      无论是无监督学习的聚类算法,还是监督学习的支持向量机、BP神经网络、Hopefield神经网络、普尔兹曼机还是积卷神经网络,都可以将数据样本构建在自变量的笛卡尔多维空间上。

     当进行线性划分时,其数学上可以转换为一次多元线性回归问题,线性回归问题实质上是分析已知解在多维空间中的分布规律,更进一步,就是从中拿出一个维度作为因变量,其他的维度作为自变量,想办法找出二者之间的一个函数关系,比较恰当的刻画所有样本数据(已知解)的分布规律。

     要求解未知参数,还要用参数作为自变量构造评价函数,使得不同的参数取值下评价函数极值等价于拟合结果,因此评价函数越接近极值,说明越符合样本数据的分布规律,参数求解变成了优化问题,即评价函数在多维参数空间上的极值求解,评价函数组成的方程组形成的界面,如同崎岖不平的大地,存在多个高低不同的低洼之处,这些低洼之处叫局部极值,那个最小的极值就是机器学习训练出的最优解,目前有很多算法用于极值求解,用矩阵变换和主成分分析(PCA)提取特征值,用微积分求偏导寻找梯度下降最快路径,用遗传算法遍历搜索,用模拟退火算法避免局部极值的截留等等,都是数学方法去解决问题。

在多维参数空间中,无论是用确定的数学计算(如支持向量机的不等式求解),还是采用启发式的步步逼近的迭代算法,在给定的初值解和局部极值之间可以形成一条求解尝试路径(遗传算法、梯度下降法、决策树),这意味着机器学习的搜索特性,有些机器学习算法不一定能找到精确的极值,但按照PAC理论,只要大概率达到一定的近似度,确保基于所有的样本数据的评价函数向着局部极值收敛,以便达到目的。

因为认识上的局限性,加上经济性考虑,人类的知识获取和智能活动存在不确定性和模糊性,这是精准和确定的数学无法满足的,为此必须运用概率方法,它是AI中另一个重要数学工具,是决策树搜索路径基础,贝叶斯概率运算公式是不确定性推理的重要公式,贝叶斯网络、马尔可夫随机场和因子图等概率图模型是包括大模型在内生成式AI的重要数学基础,概率图模型是概率论和图论相结合产物。对于生成式AI来讲,如语言大模型,依据概率图搜索一个语言Token后面出现另一个概率最大的Token是生成式AI的基本机制。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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