AI成功是因為數學嗎？

學習AI或研究AI的認知偏見："人工智慧之所以有效，是因為數學！"，Sean McClure反駁了這個觀點：

不，至少不是你想象的那樣。

如果你把足夠多的原始部件拼湊在一起，就會得到與部件截然不同的東西。

計算提供了規模和速度，讓工程學可以做到這一點。

但是，這些部件是什麼，遠沒有你想象的那麼重要。

讓我們來看看強化學習：利用現實世界中的系統，透過一些函式抽象（如基函式）來定義實際動態，將這些基函式放入一個線性運算元中，然後透過迭代數百萬次來計算這個運算元，最後得到一個有效的東西（如一個能駕駛汽車的強化學習模型）。 

說這一切都歸功於數學，就好比說《憲法》的存在是因為有人建造了一個大廳，然後把筆交給了人們，（之後，人們用筆來起草憲法）。

系統需要互動，而數學就是我們在機器中實現互動的方式。

解決問題的是混搭和迭代，而不是優雅的數學或精確的模型。

數學並沒有 "解決 "任何問題，它只是

• 獲取資料，
• 改變其表示形式，
• 並透過混合、融合、合併、融合、聚合和混雜的方式來實現其工作原理。

數學是工具，而不是解決方案：

• 基礎與實施：數學提供了形式化問題和設計演算法的語言和工具。然而，人工智慧模型的實際“工作”，尤其是在強化學習等複雜任務中，是由迭代過程和大規模計算驅動的。數學框架是必要的，但它並不是成功的唯一因素。
• 與建築的類比：與建造大廳和用筆來起草憲法的比較。大廳（計算基礎設施）和筆（數學構造）促進了這一過程，但結果取決於互動和迭代改進。

在我們向自然界的建造方式邁進的過程中，數學只是一個天真的起點，而不是製造可行事物的秘方。數學構造的神聖屬性並不重要，因為根據定義，這些屬性不會對映到我們需要的輸出。
 
那麼，數學需要嗎？
嗯，是的，因為我們就是這樣告訴機器把東西拼湊在一起的。
但也僅此而已。

數學是資料的載體，使我們能夠進行香料提煉。 如果我們有別的類似數學的東西，我們也會使用它。
 我們帶來了被丟棄的部件，而大自然讓它發揮作用。

自然透過相互作用和進化過程構建複雜系統，而不是透過預定義的數學結構。在人工智慧中，我們模仿這種方法，利用計算能力將資料融合在一起並進行迭代，直到獲得功能結果。
 
數學在機器學習中的作用：

• 資料載體：數學必不可少，因為它提供了表示資料和定義資料操作的框架。然而，它的作用更多的是實現資料的處理和融合，而不是提供精確的解決方案。
• 替代方法：如果有更有效的方法來實現學習和適應的迭代過程，我們可能會用它們代替傳統的數學方法。關鍵在於透過計算來組合和細化資料表示的能力。