当人们谈论人工智能时，常常聚焦于神经网络、深度学习或ChatGPT这样炫酷的应用，却鲜少关注支撑这一切的数学基石。事实上，无论多么复杂的模型，其核心都离不开两门古老的学科——线性代数和微积分。它们像看不见的引擎，驱动着每一次预测、每一次优化。近日，多位数学家和AI研究者呼吁公众重新认识这些基础学科在当代技术中的关键作用，因为它们正是“每个模型背后的数学灵魂”。
线性代数：高维世界的语言
想象一下，你有一张包含1000个特征的用户数据表。计算机无法直接处理这种多维信息，而是将其转化为矩阵——线性代数的核心工具。在机器学习中，每一个数据点都被视为高维空间中的一个向量，而整个数据集则构成一个庞大的矩阵。模型训练的本质，就是通过矩阵乘法、向量变换和特征分解等操作，在这些高维空间中寻找规律。
以图像识别为例，一张1024×1024像素的彩色照片，在计算机眼中变成了一个包含300多万个数值的矩阵。卷积神经网络通过“卷积核”这个线性变换工具，像筛子一样扫描矩阵，层层提取边缘、纹理、形状等特征。GPT这类大语言模型同样依赖线性代数：每个单词被映射为数百维的“词向量”，句子则成为向量序列，模型的注意力机制本质上是向量之间的点积运算。正如麻省理工学院教授吉尔伯特·斯特朗所言：“线性代数是数据科学的语法，没有它，我们就无法描述高维世界。”
微积分：学习与优化的引擎
如果说线性代数是模型的“骨架”，那么微积分就是它的“心脏”——赋予了模型学习能力。机器学习中的“训练”过程，实质上是找到一组参数（如权重和偏置），使模型的预测误差最小。这个误差通常用一个损失函数来衡量，而寻找最优参数的方法，正是微积分中的梯度下降法。
梯度是函数变化率的向量，它指示了损失函数“最陡峭的下坡方向”。模型沿着梯度方向迭代更新参数，每一步都像盲人下山，通过局部斜率判断前进方向。这种看似简单的策略，却能让拥有数十亿参数的GPT-4在经历数千亿次计算后学会对话。更精妙的是，深度学习中的反向传播算法利用链式法则（微积分的基础规则），将输出层的误差逐层反向传播，计算出每一个神经元对最终错误的贡献，从而指导整个网络的参数调整。
从理论到实践：数学的隐形力量
当代AI的突破往往与数学工具的革新同步。2014年提出的“批量归一化”技术，本质是利用线性变换重新调整数据分布，解决了深层网络难以训练的问题；而近年来兴起的“神经正切核”理论，则用微积分和线性代数严格解释了为何过参数化的神经网络能够泛化。甚至强化学习中的策略梯度方法，也是基于微积分中的随机近似理论。
然而，这些数学工具并非静态的。随着模型规模指数级增长，线性代数中的矩阵分解技术被用于压缩模型、加速推理；微积分中的自动微分库（如PyTorch、TensorFlow）则让算法的实现变得像写数学公式一样直观。正如谷歌AI研究员卢卡·托诺里所说：“我们正在见证数学从幕后走向台前——不是作为工具，而是作为思考方式。”
启示：基础学科的价值回归
当公众惊叹于AI的“魔法”时，研究者清醒地指出：没有线性代数和微积分的系统支撑，这些魔法不过是空谈。近日，联合国教科文组织发布报告，强调在AI教育中加强数学基础训练的必要性。在中国，多所高校已将“计算数学与AI”设为通识课程，清华大学更开设了“线性代数与机器学习”的交叉课程。
或许，当我们下一次使用智能助手或人脸识别时，应该向这些古老而永恒的数学分支致敬。正如阿尔伯特·爱因斯坦曾说：“纯粹数学，在某种意义上，是逻辑的诗篇。”而在AI时代，这首诗歌正在谱写新的篇章——用矩阵和导数，编织出改变世界的模型。