机器学习|AI Insight：放弃幻想，搞 AI 必须过数学关作者|子白从2012年“大数据”概

文章插图
作者 | 子白
从2012年“大数据”概念兴起到2016年人工智能大热，已经四五年时间了，该看的热闹看到了，该爆炒的话题炒够了，该沉淀的也沉下来了。现在越来越多的人已经放下质疑，相信这一届 AI 确实靠谱，该找找门道了。最近好多关注 AI 的公众号都发表了文章谈数学学习的问题，这就真的上道了。如果你是技术人员，特别是程序员，想成为 AI 工程师，那么只要你稍微花点时间研究一下 AI 的门道，就会意识到，主要的拦路虎是数学。如果你看到有人说什么不懂数学也能搞 AI ，那你可能要警惕，因为这很可能是一种误导。
一定要认识到一点，数据科学、机器学习、DT、AI ， whatever ，不管你叫什么，它不是 IT 行业中又一项新技术，而是一个新行业。马云说 IT 时代结束了， DT 时代开始了，有点标题党，但大意是对的。
我们要充分认识到，这不是一次 paradigm shift（范式转换）。游戏没变，规则变了，那是 paradigm shift ，连游戏都变了，那就是 game shift 了。比如说，对于商业来说，互联网是一次 game shift ，但对于 IT 行业来说，从企业网 C/S 架构走向互联网 Web 架构，平台变了，工具变了，协议变了，模式变了，赚钱的规则也变了，但事情的本质没变，还是在网络上构造商业管理和通讯系统。所以面向对象是 paradigm shift ，敏捷是 paradigm shift ， Web 是 paradigm shift ，移动互联网开发是 paradigm shift 。而 AI 不是 paradigm shift ，是 game shift 。
新行业有新玩法。 AI 跟 IT 技术的主要差别是什么？简单的说，就是 AI 对数学要求较高，对编程要求较低，而 IT 开发对于编程要求高，特别是对编程经验要求高，但对数学要求不高。
文章插图
“大学工科数学三板斧”
说一个秘密，全世界的程序员两千万，大多数手持大学学历，外行人以为他们的数学都得要好，但其实大部分人对于大学数学三板斧微积分、线性代数和概率统计的记忆已经基本清零。除了专业从事有关领域的底层技术开发人员，大多数程序员、架构师、软件工程师、项目经理甚至相当多的 CTO ，对于什么方向导数和梯度、函数项级数的一致收敛、魏尔斯特拉斯定理、拉格朗日乘数法、矩阵特征值与特征向量、矩阵二次型、多维随机变量条件分布之类的大学数学基本概念，实际已经陌生如听天书了。这无可指责，因为这些东西在实际产品设计、系统开发和运维当中根本用不着。他们必须将主要精力投入到“广义计算机语言”的学习当中，适应所谓“热门驱动开发（Hype Driven-Development）” ，包括一门又一门最新最火的编程语言，一个又一个网络协议，成百上千的 API 用法，各种框架、平台、数据库、操作系统和浏览器的方言、怪癖甚至陷阱，还有设计模式、架构模式、版本管理、build system、container、DevOps ，等等等等，内容实在是太繁杂了，变化实在是太多了，风潮转换实在是太快了，耗费精力实在是太大了。哪有时间搞没用的东西？连算法都只是在准备跳槽刷题时才需要认真对待的，数学？一边凉快去吧。
文章插图
“三板斧之后”
然而搞 AI 就完全是另一回事，关键是数学。大学工科数学？那只是一个基础，想再搞懂 AI 的那些基本的算法和思想，你不但需要把这三板斧基础打扎实，而且还需要学习矩阵分析和凸优化。这只是一个入门，想要在这个领域有点建树，你可能还需要在随机过程、泛函分析、微分流形、数值分析和优化理论等领域进一步深造。想要搞机器人学或自动驾驶？还得研究微分方程、运动学、动力学。毫不夸张的说，在 AI 学习的入门阶段，数学是主要的攻坚对象，任何胸有大志的 AI 学习者都不要幻想绕过数学。
【机器学习|AI Insight：放弃幻想，搞 AI 必须过数学关】可能正是因为数学是一只拦路虎，最近我们看到了不少鸡汤文章出来安慰说数学不好也可以学 AI 。这些文章，大多只是标题党，你以为他给你指了一条方便法门，其实打开一看，只不过是舒缓你的畏难情绪，推荐几本寓教于乐的数学书，给你做做心理按摩，本质上还是一句话：想搞 AI ，就得把数学拿下。但是很多人现在看文章只看标题啊，所以就产生了幻想，是不是不学数学也能搞 AI呢？有没有可能把数学都交给封装好的框架和程序库，我只做调用和调试的工作呢？未来会不会达到 AI 工具化、AI 工具傻瓜化的程度呢？