人工智能需要多少数学知识，是否有严格的要求？

问：人工智能需要多少数学知识？是否有严格的要求？

答：您应该有足够的知识知道，如果有人向您出售人工智能软件包，那么它可能只是长期存在的数学和统计软件包的翻版。

但是，如果你想做真正有价值的事情，那么你必须从数学背景以外的角度思考问题。人工智能也植根于认知科学。

了解心理学的各个方面会让您陷入这样的境地：您必须了解 z 分数以及处理统计和实验设计的其他方法。否则你可以忽略它并重新制作玩具。

好的知识领域：

· 一阶逻辑

· 模糊集/逻辑

· 贝叶斯分析

· 拉姆达演算

· 优化理论和可能的控制系统

· 哈密顿量 - 例如在动力学中

· 组合学

· 图论

· 数值逼近和连续过度松弛

· 其余数值编程

· 数字信号处理，特别是傅里叶分析

这里是仅举几例。

因此，学习微积分和统计学是必要的，但是，只有当你想做一些除了使用人们分发的东西以便你可以复制其他活动之外的事情时。

但是，不要忘记数学只是冰山一角。人工智能是关于智能的。而且，大脑是我们了解这一过程的最佳模型。但是，人工智能并不试图局限于大脑。

我喜欢时不时地阅读神经科学方面的内容。有趣的事实等等。这是我在知道人工智能世界存在之前对人工智能世界的第一个兴趣。但是，出于某种原因，我认为逻辑是纯粹的。

所以，我开始想了解这一点。但是，逻辑并不纯粹。而且，世界是非常不可预测的。但是，有大脑的生物能够很好地适应环境。尽管他们没有真正看到、听到或闻到这个世界，但他们在这方面做得非常好。他们对其进行采样，并根据采样梦想（想象、模拟）世界。他们通过大量的异步神经处理来做到这一点。

大脑本质上是异步的。而且，我们实际上是同时处理多项任务的，否则你不会看到人们一边唱歌一边跳舞。

我更喜欢这样的想法：你可以找到一个线性短语来同步动作，或者双手的节奏拍手。双手必须敲出多节奏。所以，双手同时移动。大脑同时控制两个效应器。但是，语言模式用于排列点击时间（在桌子或其他东西上）。

好的。因此，我们的任务是创建、构建并编程一个由异步网络控制的机器人设备，以使用语言模式来组织由此产生的节奏的演奏。

但是，这个创作应该只在有意义的情况下播放这些节奏。因此，它必须根据其知识社会互动和对其情况的逻辑分析来推断时间是否合适。

那么，其中的数学原理在哪里呢？

到处都是。

但是，不仅仅是数学。有脑科学、认知、社会意识、推理等。

不包括在列表中的是享受。作为人类，我们希望机器人能够在与人类互动中体验到乐趣。因此，应该播放音乐来享受与人类相处的时光。

好的。数学可能还没有发展到那么远。

所以，你可能必须发明一些新的数学。

所以，你真的不应该学数学。你应该学会发明数学来处理你想要创造的东西。你应该开始学习发明数学，发明所有高中数学问题的解决方案，然后是微积分，然后是概率和统计，然后是动力学等等。

问：数学是进入人工智能的好方法吗？

答：数学在人工智能中扮演着多种角色。

数学最初的用途是基于证明的人工智能。事实证明，在人工智能中，证明完全不重要，因为没有什么有趣的事情是可以证明的，反之亦然。计算理论的人们分裂了。逻辑和人工智能似乎在很大程度上是不一致的。

数学的第二个用途是算法。了解更多数学知识会更好。大多数数学领域，甚至是非常抽象的领域，在这里都有潜在的应用。数学可以与收敛和模式有关，这些东西很有用。然而，大学数学倾向于分析，而经过验证的方法在人工智能中并不比未经验证的方法更有用。可以说，数学成熟来自于学习越来越多的高级数学课程，我无法否认这一点。当然，您将受益于微积分、离散数学、线性代数、几何、概率/统计和组合数学。

然而，只有当你能用人工智能做某事时，它才有用。这意味着您需要能够编程，并且能够很好地编程。当然，你可以使用像 TensorFlow 这样非常复杂的 DNN 系统，而不需要成为世界上最伟大的程序员，但你需要有很强的编程技能，而使用机器学习算法并不是真正在研究 AI。

使用 ML 需要更多的 CS 理解，而不是数学理解。构建人工智能系统是一个单独的问题，但同样，你需要良好的计算机科学技能。

此外，人工智能教育也需要完善。如果不了解认知心理学，就无法理解人工智能。你不需要成为专家，但理解什么是“思考”将被证明是至关重要的。您还应该学习语言学，因为它是数学之外的一个正式系统，并且具有非常广泛的用途。

如果没有至少相当于本科辅修计算机科学的基础（但不一定更多），我不明白如何真正学习或研究人工智能。

计算机科学和数学在这里并不对立，但数学可以代表智力的想法通常是导致人工智能寒冬崩溃的原因。目前，专注于数学的人们正在争先恐后地应对对抗性人工智能，并发现数学教科书并没有说太多。

问：机器可以在不依赖高等数学的情况下拥有真正的人工智能吗？

答：这似乎是最好的可能路径，而且我们已经在沿着这条路径前进，那就是大脑的模拟。

这是使用相当基本的数据结构来执行的。正是这些数据结构的组织使一切变得不同。大脑同时具有前馈和反馈机制，并使用情感系统来处理记忆限制。

我们根据大约七条数据做出所有决定，因为这适合我们的短期记忆。但随之而来的是一个对以前的经历进行评分的大型系统。不知不觉中，你会以情感的形式“否决”不好的经历，“赞成”好的经历。

举个例子，决定你可能走哪条路去上班，所有可能的路线都附加了“好”和“坏”的感觉，可以是“快”或“慢”，“危险”或“安全”，“美丽” ”或“丑陋”，而当你实际上只想着“工作”、“早上 8 点之前”、“休息 1 小时”、“想要咖啡”和“需要汽油”时，所有其他以前经验的等级都会受到“影响”感觉”。

这正是我们在一些大型人工智能项目中没有做的事情。大脑自我组织，这就是我们所说的学习。人们倾向于认为大脑是计算机的记忆，但这一点也不准确。DRAM 是硬连线的，是一个巨大的网格，每个晶体管保存一个位。您可以更改任意位的值，但无法更改接线。

当我们年轻的时候，它会改变线路，并且更容易、更快速地进行，在 8 岁之前，这种情况最多，并且随着年龄的增长，重新连接的能力或“意愿”会减弱（神经芽的数量）寻求新的和随机的神经连接的人会下降）。如果它总是保持可塑性（神经科学使用可塑性）和变化，我们就会永远像孩子一样思考。缺点是，我们学得慢。

虽然这些数据结构中有很多数学知识，但理解起来并不难。看看感知器，这是人工神经元的基础。高等数学来自于这些结构的联系，这更多地属于计算机科学和神经科学或“计算机认知”领域。

我发现在生物信息学领域，我在计算机认知上花费了越来越多的时间。我确实相信，我们将在大约 20 年（可能是大约一半的时间）内迎来第一个有感知能力的人造大脑。奇点很快就落后了。这并不在于数学的复杂性，这很简单，而是所涉及的数据结构的复杂性。

我希望它更像是“R. Daneel Olivaw”，而不是“天网”。两者都是真正的可能性。

问：离散数学在人工智能中的重要性是什么？

答：一般来说，离散数学加深了我们对计算的理解。逻辑、证明、算法、集合论、图论等主题都适用。

因此，与人工智能的联系在于（a）人工智能广泛基于数字计算，（b）以a点为前提的离散数学可以揭示人工智能如何产生某些行为。同样，离散数学为我们提供了一种编码和描述人工智能问题的方法。

更具体地说，我们必须将讨论范围缩小到人工智能的一个分支。