AI Insight：放棄幻想，搞 AI 必須過數學關

作者 | 子白

從2012年“大數據”概念興起到2016年人工智能大熱，已經四五年時間了，該看的熱鬧看到了，該爆炒的話題炒夠了，該沉澱的也沉下來了。現在越來越多的人已經放下質疑，相信這一屆 AI 確實靠譜，該找找門道了。最近好多關注 AI 的公眾號都發表了文章談數學學習的問題，這就真的上道了。如果你是技術人員，特別是程序員，想成為 AI 工程師，那麼只要你稍微花點時間研究一下 AI 的門道，就會意識到，主要的攔路虎是數學。如果你看到有人說什麼不懂數學也能搞 AI，那你可能要警惕，因為這很可能是一種誤導。

一定要認識到一點，數據科學、機器學習、DT、AI，whatever，不管你叫什麼，它不是 IT 行業中又一項新技術，而是一個新行業。馬雲說 IT 時代結束了，DT 時代開始了，有點標題黨，但大意是對的。

我們要充分認識到，這不是一次 paradigm shift（範式轉換）。遊戲沒變，規則變了，那是 paradigm shift，連遊戲都變了，那就是 game shift 了。比如說，對於商業來說，互聯網是一次 game shift，但對於 IT 行業來說，從企業網 C/S 架構走向互聯網 Web 架構，平臺變了，工具變了，協議變了，模式變了，賺錢的規則也變了，但事情的本質沒變，還是在網絡上構造商業管理和通訊系統。所以面向對象是 paradigm shift，敏捷是 paradigm shift，Web 是 paradigm shift，移動互聯網開發是 paradigm shift。而 AI 不是 paradigm shift，是 game shift。

新行業有新玩法。AI 跟 IT 技術的主要差別是什麼？簡單的說，就是 AI 對數學要求較高，對編程要求較低，而 IT 開發對於編程要求高，特別是對編程經驗要求高，但對數學要求不高。

“大學工科數學三板斧”

說一個秘密，全世界的程序員兩千萬，大多數手持大學學歷，外行人以為他們的數學都得要好，但其實大部分人對於大學數學三板斧微積分、線性代數和概率統計的記憶已經基本清零。除了專業從事有關領域的底層技術開發人員，大多數程序員、架構師、軟件工程師、項目經理甚至相當多的 CTO，對於什麼方向導數和梯度、函數項級數的一致收斂、魏爾斯特拉斯定理、拉格朗日乘數法、矩陣特徵值與特徵向量、矩陣二次型、多維隨機變量條件分佈之類的大學數學基本概念，實際已經陌生如聽天書了。這無可指責，因為這些東西在實際產品設計、系統開發和運維當中根本用不著。他們必須將主要精力投入到“廣義計算機語言”的學習當中，適應所謂“熱門驅動開發（Hype Driven-Development）”，包括一門又一門最新最火的編程語言，一個又一個網絡協議，成百上千的 API 用法，各種框架、平臺、數據庫、操作系統和瀏覽器的方言、怪癖甚至陷阱，還有設計模式、架構模式、版本管理、build system、container、DevOps，等等等等，內容實在是太繁雜了，變化實在是太多了，風潮轉換實在是太快了，耗費精力實在是太大了。哪有時間搞沒用的東西？連算法都只是在準備跳槽刷題時才需要認真對待的，數學？一邊涼快去吧。

“三板斧之後”

然而搞 AI 就完全是另一回事，關鍵是數學。大學工科數學？那只是一個基礎，想再搞懂 AI 的那些基本的算法和思想，你不但需要把這三板斧基礎打紮實，而且還需要學習矩陣分析和凸優化。這只是一個入門，想要在這個領域有點建樹，你可能還需要在隨機過程、泛函分析、微分流形、數值分析和優化理論等領域進一步深造。想要搞機器人學或自動駕駛？還得研究微分方程、運動學、動力學。

可能正是因為數學是一隻攔路虎，最近我們看到了不少雞湯文章出來安慰說數學不好也可以學 AI。這些文章，大多隻是標題黨，你以為他給你指了一條方便法門，其實打開一看，只不過是舒緩你的畏難情緒，推薦幾本寓教於樂的數學書，給你做做心理按摩，本質上還是一句話：想搞 AI，就得把數學拿下。但是很多人現在看文章只看標題啊，所以就產生了幻想，是不是不學數學也能搞 AI呢？有沒有可能把數學都交給封裝好的框架和程序庫，我只做調用和調試的工作呢？未來會不會達到 AI 工具化、AI 工具傻瓜化的程度呢？

AI 工具化可能性是有的，而且是必然，趨勢很明顯。比如著名的機器學習框架 scikit-learn，把多種機器學習算法包裝成他們所說的“黑盒子”，使用時只需要選擇算法，設置合適的參數進行初始化，然後灌數據訓練模型，得到模型以後就可以進行分析和預測了，大多數複雜性都被包裝在後面。而現在當紅的深度學習，這個趨勢更加明顯。在張重生所著的《深度學習——原理與應用實踐》一書中，作者援引周志華教授的一段話，吐槽當前深度學習現狀說：

通過這段吐槽，我們側面瞭解到深度學習這個領域當前的局面，極少人做核心理論研究，一小部分人開發框架和程序庫，大多數人只是把黑盒子拿來刷參數、攢論文。我們從正面的意義上來理解這件事情，這恰恰表明深度學習的工具化做得比較好，初步形成了一個金字塔模型。專家們批評的，只不過是現在很多金字塔底層的“深度學習民工”在利用 AI 的熱潮和外界對這個領域的不瞭解沽名釣譽，導致某些 AI 人士所說的“深度學習泡沫”。批評歸批評，這個人員分佈結構是合理的，AI 工具化是有效的。

所以，是的，機器學習和 AI 領域的軟件工具也會逐漸走向成熟，也會像黑盒子一樣把很多複雜性包裝起來，把很多今天需要較深數學理解才能做到的事情簡化為調參。但是這是否就能讓我們得出結論說，未來的 AI 工程師可以不懂數學呢？

當然不能。首先，數學不過關的人在 AI 這個圈子裡是無法參與交流的，或者說得直白一點，是被人瞧不起的，根本無法被接納成為AI 圈子裡的人。其次，數學不過關而只能調參數的人，實踐當中並不好用。我接觸過幾個 AI 創業企業，他們都瘋狂的缺人，但是對於不懂數學只會使用工具的“人才”，他們卻大門緊閉。什麼原因？溝通效率低，出活慢，遇到問題無法解決，一句話，“不好用”。第三，即便是調參這件事情本身，懂不懂數學也是有很大差別的。因為調參是一個跟自己較勁的過程，不斷地劃分訓練數據集和驗證數據集，調整參數，追求更高的準確率，又要防範過擬合，一遍又一遍，本身就是非常繁瑣和枯燥的工作。如果你數學不過關，對參數的意義和相關關係理解不深，方向感不強，只能半隨機的去刷參數，那麼工作的單調性和煩瑣性還會大大上升，很難堅持到做出好的模型來。

就這三點，決定了不懂數學的“AI框架調參工”不會是一個令人嚮往的工作。我絕不相信一個年輕人滿懷 AI 夢想走進這個行業，會滿足於做一個“以其昏昏使人昭昭”的調參工。

所以，結論已經很清楚，想搞 AI，數學必須過關。一切與這個結論有衝突的說法，都是耍流氓。

當然，請注意我在這裡說的是“數學必須過關”，只要求過關，並不是要求你為了搞 AI 而先要變成一個數學家，那既不現實也不必要。為什麼只要求過關呢？為什麼不是數學越棒越好呢？因為 AI 要在數學上形成重大的突破，可能是十年甚至幾十年一遇的。今天機器學習中有效的數學方法，絕大多數都是幾十年前做出來的成果。因此做 AI 工程，重點是充分理解、熟練掌握和運用這些成熟的數學工具，尊重分工，把數學領域的創新交給數學家和應用數學家。

機器學習學者張志華教授曾經說過：“搞好機器學習，關鍵是數學，但你又不能把機器學習變成搞數學，那樣就漫無邊際了。”數學浩瀚如海，神靈通天，我們還是要敬畏數學之神，不要毫無目標、不計成本的擴大數學的鑽研，而是要把握好度。對於絕大多數 AI 工程師來說，還是應該以機器學習為主導，對於其中涉及的數學知識形成理解，打牢基礎，突出重點，適度拓寬，這就算過關了。

數學過關以後，還得懂編程語言、系統架構、數據庫、異構平臺上的高性能計算，要成為一個優秀的 AI 工程師，這些都得通。吳恩達就說過，深度學習的前沿是高性能計算。因為數學的進展是可遇而不可求的，而軟硬件的進步是線性的甚至指數的，是一趟快車。你想衝在前沿，得搭上這趟快車。如果你只是數學好，編程和工程化能力不行，所能做的事情就比較有限，需要一個強有力的工程團隊來支持你。實際上，我就知道一些學院派的 AI 人士，他們的數學背景很好，但是編程玩得不溜，下面的學生又不給力，只能封閉在“數學—Matlab—論文” 這個三角里，對他們來說，編程成了一個障礙。

但是對於一個有一定經驗的程序員而言，編程是優勢。前不久，我向一個在國內 AI 界有點名氣的新銳 AI 科學家瞭解情況，他們手上的深度學習項目使用 Python 和 C++ 語言開發，都是基於開源的深度學習框架，但自己的工程師也要做相當程度的調整和改進。那麼他們對於工程師編程語言的掌握程度有多高的要求呢？Python 語言不需要自己設計 class，就更不用提什麼 decorator, metaclass, asyncio 了，C++ 只要求看懂框架代碼當中核心的部分，只有很少的人需要去修改 C++ 代碼。這裡頭真正有點挑戰的，是要熟練掌握 Python 標準庫和一些流行包中的 API 用法，快速完成數值計算、數據清洗、數據可視化等工作，這是需要時間去熟悉和掌握的。但有經驗的人知道，這些可以邊做邊熟悉，不是什麼硬約束。如果你在“城頭變幻大王旗”的開發界混過幾年，轉行搞 AI，你的編程能力絕對是下山猛虎，完全不必擔心。你真正要過的，就是數學關。只要你過了數學這關，後面將數學理解、工具框架、數據資源和應用結合起來形成正向循環，就可以一步一步的攀爬 AI 的高峰了。

閱讀更多 AI科技大本營 的文章

關鍵字: 大學 大熱 程序員