数学，AI时代的底层引擎

当大模型能够写代码、解方程、生成论文，甚至在某些数学竞赛中取得惊人的成绩时，一个问题随之而来：

既然 AI 已经这么聪明，我们还需要学习数学吗？

我的答案是：需要，而且可能比以往任何时候都重要。

区别在于，我们不再需要把所有时间花在手工计算上，而应该把更多精力投入数学建模、推理、优化和对结果的判断。

一、AI 看起来在取代数学，实际上正在放大数学的价值

过去，数学能力往往体现在计算速度、公式推导和解题技巧上。如今，AI 可以帮助我们完成大量重复性工作。

例如：

• 让 AI 推导一个复杂公式，并检查推导过程；
• 使用 Python 快速实现优化算法；
• 让大模型解释概率分布、矩阵分解或微分方程；
• 使用自动微分计算复杂模型的梯度。

这些能力确实改变了数学的使用方式。

但问题在于：AI 能给出答案，不代表答案就是正确的；AI 能写出代码，也不代表代码解决了正确的问题。

假设我们要建立一个疾病风险预测模型。AI 可以迅速生成 Logistic 回归、随机森林甚至神经网络的代码，但它不会自动保证：

1. 数据不存在信息泄漏；
2. 训练集与测试集划分合理；
3. 模型评价指标符合实际业务目标；
4. 相关关系没有被错误解释为因果关系；
5. 模型在新数据上仍然有效。

这些问题背后，依然是统计学、概率论、优化理论和数学建模。

AI 正在降低数学工具的使用门槛，但并没有消除理解数学的必要性。

二、深度学习的核心，依然是一套数学体系

很多人学习 AI 时，首先接触的是各种框架、模型和 API。但如果想真正理解模型为什么有效，就必须回到数学本身。

1. 线性代数：模型如何表示世界

神经网络中的数据通常被表示为向量、矩阵或更高维张量。

一个简单的线性变换可以写成：

其中，$\mathbf{x}$ 是输入，$W$ 是权重矩阵，$\mathbf{b}$ 是偏置项。

这不是一个孤立的公式。神经网络的多层结构，本质上是在不断进行线性变换与非线性映射。

在 Transformer 中，注意力机制同样离不开矩阵运算：

理解这个公式，就能进一步思考：为什么要计算 Query 和 Key 的相似程度？为什么需要缩放？注意力权重究竟表达了什么？

不理解线性代数，你依然可以调用 Transformer；理解线性代数，你才更容易分析它的机制与局限。

2. 概率论与统计学：模型如何面对不确定性

现实世界的数据并不完美。

医学检测存在测量误差，用户行为存在随机性，金融市场充满不确定性，训练数据也无法覆盖所有可能的场景。

概率论帮助我们描述不确定性，统计学则帮助我们从有限样本中提取信息。

例如，贝叶斯公式：

它揭示了一个重要思想：观察到新证据后，我们应该如何更新对某件事情的判断。

在机器学习中，概率模型、似然函数、正则化、置信区间和模型校准，都与这套思想紧密相关。

对于医疗 AI 而言，这一点尤其重要。预测一个患者属于高风险人群，与准确判断其真实患病概率，是两个不同的问题。

模型给出的数字，必须放在统计假设和实际场景中解释。

3. 微积分与优化：模型如何学习

深度学习并不是简单地把数据输入网络，然后等待智能出现。

训练过程通常涉及损失函数、梯度计算和参数更新。

以梯度下降为例：

其中，$\theta$ 表示模型参数，$L$ 是损失函数，$\eta$ 是学习率。

这个过程的核心，是根据损失函数的梯度调整参数，使模型逐步改善预测结果。

理解微积分与优化理论，有助于解释梯度消失、学习率选择、局部极值以及训练不稳定等问题。

框架让你能够训练模型，数学让你有能力理解模型为什么训练成功或失败。

三、真正值得警惕的，不是数学被 AI 取代，而是人失去判断能力

我认为，AI 时代最危险的一种工作方式是：

看到一个问题，直接让 AI 写代码；代码运行成功，就认为问题解决了。

这种方式在简单任务中可能很高效，但在复杂问题中存在明显风险。

例如，我们要分析某种代谢物与疾病之间的关系。

AI 可以快速完成差异分析、绘制火山图、执行回归分析，甚至生成一份看起来非常专业的报告。

但如果研究者不理解多重检验、混杂因素、样本量和效应量，就可能把随机波动解释为生物学发现，把统计显著误认为实际价值。

类似的问题也会出现在推荐系统、金融预测、自动驾驶和科学研究中。

代码运行成功，只能证明程序完成了某些操作，不能证明研究结论成立。

因此，我更看重一种能力：不仅能够让 AI 完成任务，还能够独立判断任务是否定义正确、方法是否合理、结果是否可信。

而这正是数学训练能够提供的重要价值。

四、AI 也在反过来改变数学

如果只讨论数学如何支撑 AI，那么我们只看到了这场变化的一半。

AI 也正在成为数学研究的新工具。

它可以帮助研究者探索证明思路、搜索候选解、发现复杂模式，并辅助处理一些传统方法难以高效解决的问题。

在自动定理证明、符号计算、科学机器学习以及蛋白质结构预测等方向，AI 与数学之间已经形成了深刻的互动。

当然，AI 生成的证明或研究结果仍然需要验证。一个看起来合理的证明，可能隐藏着错误假设；一个漂亮的数值结果，也可能只是特定条件下的现象。

真正重要的不是让 AI 代替数学家，而是让研究者把更多精力投入那些更难的问题。

从这个意义上说，数学和 AI 并不是简单的竞争关系，而是相互推动的关系。

五、数学专业的人，应该如何进入 AI 领域？

如果你有数学背景，却担心自己缺少工程经验，我认为没有必要从头成为一个只会堆技术栈的程序员。

更值得做的是建立一套互相支撑的能力体系。

第一阶段：补齐机器学习基础

重点掌握：

• 线性代数与矩阵运算；
• 概率论、数理统计与贝叶斯思想；
• 微积分、梯度与优化；
• 经典机器学习算法及其假设。

目标不是重新学一遍所有数学课程，而是理解这些理论如何具体作用于模型。

第二阶段：把数学转化为代码

使用 Python、NumPy、pandas 和 scikit-learn 实现经典算法。

不要只调用模型接口。可以尝试自己实现线性回归、逻辑回归、梯度下降和简单的神经网络，再与成熟框架的结果比较。

当理论、实现和实验结果能够相互印证时，理解才真正扎实。

第三阶段：学习大模型与 AI 工程

掌握 Transformer 的基本原理，理解 Embedding、向量检索、RAG、Agent 和模型评估。

然后选择一个具体场景开展项目，而不是无休止地追逐新框架。

第四阶段：建立自己的专业优势

如果你熟悉医学、组学数据或实验室业务，就可以把数学、统计学和 AI 结合起来，解决真实问题。

例如：

• 建立实验室检测指标的异常监控模型；
• 使用统计方法评估生物标志物的预测能力；
• 利用大模型辅助科研文献检索与数据分析；
• 将领域知识融入 AI Agent 工作流。

相比只会调用通用模型的人，能够理解业务、统计假设和模型局限的人，更容易建立难以复制的竞争优势。

六、未来真正稀缺的，是提出正确问题的能力

我并不认为每一个 AI 从业者都必须成为数学专家。

不同岗位需要的数学深度不同。产品开发者、应用工程师、算法研究者和理论研究者，完全可以拥有不同的知识结构。

但有一点值得坚持：

当 AI 给出结果时，你至少应该知道它解决了什么问题、依赖什么假设，以及在哪些条件下可能失效。

未来的竞争力，不会简单地取决于谁记住了更多公式，也不会只取决于谁掌握了更多框架。

它更可能来自三种能力的结合：

数学思维： 把复杂问题抽象成可以分析的模型。

工程能力： 把模型转化为能够运行的系统。

领域理解： 判断结果是否真正解决了现实问题。

AI 可以帮助我们更快地计算、更快地编程、更快地探索，但我们仍然需要决定应该探索什么，以及如何判断结果的价值。

结语：数学不会退出舞台，只会换一种方式发挥作用

每一次技术革命都会改变人的工作方式。

计算器改变了计算，编程语言改变了算法实现，而大模型正在改变知识获取和问题解决的过程。

数学也会随之改变。

未来，我们或许不必亲手完成每一次复杂推导，但仍然需要理解推导的意义；不必从零实现每一个模型，但仍然需要知道模型的假设和边界。

我的结论是：AI 不会让数学变得不重要，而是让机械性的数学工作逐渐贬值，让真正的数学理解更加重要。

如果你正在学习 AI，不要只问“这个模型怎么调用”，还可以继续追问：

• 它为什么有效？
• 它隐含了哪些假设？
• 它在什么条件下会失败？
• 有没有更简单、更可靠的方法？

这些问题，才是从 AI 工具的使用者走向真正问题解决者的起点。

---

如果你也认同数学是理解 AI 的重要基础，欢迎在留言板分享你的看法：AI 时代，数学究竟是门槛、工具，还是一种长期竞争优势？