宇宙級共識：馬斯克和奧特曼都認為“基礎數(shù)學是AI的核心”

　　來源|多知網(wǎng)

　　作者|Amy

　　數(shù)學是基礎學科，其對AI領域至關重要。

　　到底數(shù)學應該學什么?對此引發(fā)了一場大討論。

　　一方認為，統(tǒng)計學、計算機科學和數(shù)據(jù)科學等綜合性數(shù)學能力更為重要，一方認為微積分、代數(shù) II等基礎數(shù)學更重要。

　　近日，加州大學BOARS(加州大學招生與學校關系委員會)發(fā)布了新指南，其中提到“將對于入學新生設立數(shù)學基礎標準。”它規(guī)定，從 2025 年秋季開始，參加加州大學和加州州立大學入學的高中生，學習入門數(shù)據(jù)科學課程或 AP 統(tǒng)計學不能代替代數(shù) II。

　　但是，有部分教授和老師并不同意，他們認為數(shù)據(jù)科學課程有益于個人和職業(yè)技能。

　　而今天，UC伯克利EECS教授Jelani Nelson聯(lián)合發(fā)起了一個倡議，表示支持加州大學BOARS的新規(guī)，強調「強大的數(shù)學基礎對人工智能至關重要」，認為“代數(shù)、微積分和概率的核心數(shù)學概念是現(xiàn)代AI創(chuàng)新的核心”。

　　在該倡議中，已經有31位大佬簽字，包括馬斯克、奧特曼、英偉達的科學家、谷歌的科學家等。有博主評論：“雖然Elon Musk和Sam Altman最近在很多問題上都有分歧，但他們都認同，AI的構建是以代數(shù)和微積分等堅實的數(shù)學基礎為支撐的。”

　　01

　　支持新數(shù)學標準方：“強大的數(shù)學基礎對人工智能至關重要”

　　倡議認為，代數(shù)、微積分和概率的核心數(shù)學概念是現(xiàn)代AI創(chuàng)新的核心。

　　倡議強調：“現(xiàn)代AI系統(tǒng)根植于數(shù)學，使得在這一領域從事職業(yè)需要對數(shù)學有深刻的掌握。”

　　“通常我們更愿意雇傭掌握了基礎知識的學生，而不是那些對最新工具或軟件只有膚淺了解的學生。”倡議如是說。

　　倡議認為，如果不維持基礎數(shù)學的標準，反而會加大教育不公平，從而阻礙 STEM 多元化。

　　倡議全文：

　　人工智能(AI)正準備改變我們所知的社會。為了準備好迎接這個未來，我們必須教育未來的勞動力，使他們具備構建和部署AI技術的知識。代數(shù)、微積分和概率的核心數(shù)學概念是現(xiàn)代AI創(chuàng)新的核心。因此，參與這些技術的發(fā)展要求學生必須具備堅實的數(shù)學基礎。我們贊揚加州大學最近明確了其數(shù)學入學要求，確保這些要求只能通過符合該州大學準備標準的高中課程來滿足。

　　盡管今天的進步可能表明，像微積分或代數(shù)這樣的經典數(shù)學主題已經過時，但實際上并非如此。事實上，現(xiàn)代AI系統(tǒng)根植于數(shù)學，使得在這一領域從事職業(yè)需要對數(shù)學有深刻的掌握。深度學習算法的支柱：梯度下降——通過結合微積分和(線性)代數(shù)來體現(xiàn)這種聯(lián)系。向量和矩陣是神經網(wǎng)絡的構建塊，而在對數(shù)尺度上建模增長是神經網(wǎng)絡訓練科學的基礎。三角函數(shù)和畢達哥拉斯恒等式，并非“過時”，而是數(shù)據(jù)科學中關鍵工具的基礎，包括傅里葉變換和最小二乘算法。在高中學習這些核心主題是為后來在機器學習、數(shù)據(jù)科學或任何STEM領域的專業(yè)化做好最佳準備，通常我們更愿意雇傭掌握了基礎知識的學生，而不是那些對最新工具或軟件只有膚淺了解的學生。

　　如果不能維持公共教育中數(shù)學課程的標準，則將擴大公立學校(尤其是資源貧乏地區(qū)的公立學校)與私立學校之間的差距，從而阻礙 STEM 多元化的努力。所有加州的孩子(不僅僅是那些接受私立教育的孩子)都應該在未來的基石上獲得頂尖的數(shù)學教育。我們敦促加州的政策制定者盡一切努力確保能夠獲得這樣的教育。

　　馬斯克、奧特曼、英偉達的科學家、谷歌的科學家等31位AI相關大佬都在這份倡議書上簽字了。

　　有一位教育人士在X平臺中評論：“數(shù)學是理解人工智能 (AI) 如何改變我們環(huán)境的關鍵。祝賀加州大學將數(shù)學準備標準納入招生流程!代數(shù)、微積分和概率不僅僅是相關的，它們對于人工智能的進步是必要的。人工智能起源于數(shù)學的幾個例子包括梯度下降、神經網(wǎng)絡和傅里葉變換。我們需要確保所有學生，而不僅僅是那些來自富裕家庭的學生，從很小的時候就擁有扎實的數(shù)學技能，而不僅僅是加州的孩子。公正和未來的保障是其核心。堅持所有學生都能平等獲得高質量的數(shù)學教育。

　　02

　　反對新數(shù)學標準方：“量化能力對于個人和職業(yè)功能越來越必要”

　　并不是所有人都支持加強基礎數(shù)學，并對數(shù)據(jù)科學受到歧視頗為不滿。

　　加州大學洛杉磯分校統(tǒng)計系教學教授兼本科生研究副主席、《數(shù)據(jù)科學導論》的主要作者羅伯特·古爾德表示，他不同意 BOARS 的決定。該課程是在美國國家科學基金會的數(shù)學和科學合作伙伴資助下創(chuàng)建的。

　　“當然，我們很失望，”羅伯特·古爾德說。“我們相信我們的課程嚴謹且富有挑戰(zhàn)性，最重要的是，包含所有學生職業(yè)和學業(yè)成功所需的知識和技能。”

　　也因此，數(shù)十名高中數(shù)學教師和管理人員簽署了一封正在分發(fā)的信函，重申了對數(shù)據(jù)科學和統(tǒng)計課程的支持，并批評 BOARS 沒有咨詢高中教師和數(shù)據(jù)科學專家的觀點。

　　信函中寫到，「我們學校和學區(qū)采納了這類數(shù)據(jù)科學課程，因為它們提供了一種創(chuàng)新的21世紀體驗，激發(fā)和吸引學生，傳授了當今各種職業(yè)和學術領域所需的實際量化技能，并為學生提供了與數(shù)學互動和學習的新方式。撤銷C類狀態(tài)將顯著降低我們培養(yǎng)學生的統(tǒng)計和數(shù)據(jù)能力或激勵學生報名參加這些課程的能力，而在21世紀，這種量化能力對于個人和職業(yè)功能越來越必要?！?/p>

　　不過值得思考的是，基礎數(shù)學和量化能力互相沖突嗎?

　　古爾德表示，在決定是否修改《數(shù)據(jù)科學導論》的內容之前，他需要審查可能的標準。“數(shù)據(jù)科學教育對所有學生都至關重要，所有學生都應該接受相關且有用的數(shù)學教育，”他說。“盡管委員會做出了決定，但我們認為數(shù)據(jù)科學和統(tǒng)計課程繼續(xù)符合四年級數(shù)學課程的資格很重要。”

　　03

　　“2022年全球數(shù)學成績下降”，加強基礎數(shù)學迫在眉睫

　　有一個現(xiàn)實問題是，目前，全球的基礎數(shù)學水平均有待提高。

　　美國國家教育進步評估 (NAEP)在2023年底發(fā)布的一項數(shù)據(jù)顯示，2022 年，全球40%的8年級學生數(shù)學成績低于基礎水平。

　　(美國國家教育進步評估關于8年級數(shù)學水平的數(shù)據(jù)，藍色表示低于平均水平)

　　當時，美國國家教育進步評估提出的建議不限于：投資于基于證據(jù)的策略，以強化基本數(shù)學概念，例如為有困難的學生提供高影響力的輔導，以及為教師進行有目的的專業(yè)學習。

　　在AI大浪潮下，全球在努力加強數(shù)學科學。

　　2019年，科技部、教育部、中科院、自然科學基金委聯(lián)合制定了《關于加強數(shù)學科學研究工作方案》，方案開宗明義“數(shù)學實力往往影響著國家實力，幾乎所有的重大發(fā)現(xiàn)都與數(shù)學的發(fā)展與進步相關，數(shù)學已成為航空航天、國防安全、生物醫(yī)藥、信息、能源、海洋、人工智能、先進制造等領域不可或缺的重要支撐”。

　　其中方案提到的舉措包括：“持續(xù)穩(wěn)定支持基礎數(shù)學科學；加強應用數(shù)學和數(shù)學的應用研究；持續(xù)推進和深化高層次的國內外交流與合作。”

　　國內企業(yè)家同樣認識到基礎數(shù)學的重要性，華為創(chuàng)始人任正非在采訪中也多次強調“基礎研究的重要性，并表達了對于數(shù)學等基礎科學的重視”。他還提到，“國家若要強盛，數(shù)學是基礎”。

　　任正非提到，2006年以來，華為在俄羅斯和法國這兩個傳統(tǒng)數(shù)學強國建立了數(shù)學研究所。這30年，其實我們真正的突破是數(shù)學，手機、系統(tǒng)設備是以數(shù)學為中心。

　　任正非表示，華為至少有 700 名數(shù)學家、800 多名物理學家、120 多名化學家、六七千名基礎研究的專家、六萬多名各種高級工程師、工程師，形成這種組合在前進。

　　此次關于數(shù)學的討論，無疑進一步加強全球對于基礎數(shù)學的重視。

　　參考鏈接：

　　https://docs.google.com/forms/d/e/1FAIpQLSflQnXznvqrJtd64FcSpADHOjQtRNJr8jq-A5OvJmdlRLA0Sw/viewform?pli=1

　　https://www.mathmatters.ai/

　　END