人工智能本质上就是数学最优化方法吗？

问题

最近，发现经常有客户对我们的产品提出质疑，你们所谓的 AI，不就是数学最优化方法吗，我们怎么没看到智能呢？

AlphaGo也好，人脸识别也好，人们发现在当今比较火的人工智能技术背后都有一个重要角色——神经网络。仔细研究神经网络，发现，神经网络原来是借助数学最优化方法生成的。于是，很多人不约而同的出一个结论，人工智能本质上就是数学最优化方法。果真如此吗？

基于人工设计算法的人工智能

以人脸识别为例，传统技术路线，要靠人工选择面部特征，编写特征提取算法。然后综合多种特征去算法，得出当前人脸照片的特征向量。例如，我们的团队就总结了包括眉毛、眼睛、鼻子等在内的17个面部特征。

但是，很快我们会发现，人工设计的算法识别准确率到 99% 就到极限了，这根本不能用来刷脸支付。

于是，科学家们开始怀疑这样一种可能性：人脸识别算法肯定是存在的，但是，该算法非常非常复杂。凭借人力一行代码、一行代码地写，写到天荒地老也写不完。是不是应该让计算机自动来生成这个算法，就像计算机依据布尔代数模型自动设计 CPU 的这样的超大规模集成电路一样。

机器能自动生成算法吗？

可是，让机器写程序，这个有点天方夜谭呀！能不能把问题简化一下？能不能统一的形式表达天底下所有的函数，通过调整公式的系数，来表达不同的函数？这个可以呀，

例如，著名的幂级数(泰勒级数)，说是“几乎所有”的函数都可以表示成下面的形式：

还有，著名的傅里叶级数，也是说“几乎所有”的函数都可以表示成下面的形式：

可惜，它们都只支持一元函数。多元函数怎么办？人们发现，人脑的神经网络原来就是一个万能的多元函数模型呀！以后我会专门介绍，如果输入、输出都是二进制数据，神经网络就等价于布尔代数生成的逻辑电路。

有了神经网络模型，接下来就好办了。因为算法的结构可以固定下来了，不需要计算机生成或修改计算过程了，需要计算机确定的仅仅是神经网络模型里面的待定系数。这个可以借助于大量的观测数据进行数据拟合就行了。

所以，你要说现代人工智能理论就是多元函数数据拟合，我还真不好意思反驳你！但是，到此为止，我们可以确定，借助神经网络模型，计算机自动生成算法是可行的。

生成函数的函数

前面通过调整神经网络模型的系数，就可以生成各种各样的具体函数。实际上，我们做了一件非常伟大的事情，以至于我们还真不好意思说，人工智能就是数据拟合，哈哈！

比如，所有的一次函数可以表示成下面的形式：

我们发现，此函数唯一对应与一个点 :

这样会发现许多很有意思的现象。比如，射影几何学的对偶命题。既然一次函数可以表示成点，平面几何定理中的点和直线互换位置，定理仍然成立。例如，“两条不重合的直线唯一确定一个交点”，对应"两个不重合的点唯一确定一条直线"。

你还会发现，数学中有一门学科叫做”泛函分析“，是专门研究这个问题的——研究函数的函数。这和我们写生成算法的算法思想方法是一样的吧？

结论

虽然不能简单地认为，这一波人工智能技术的本质就是数学最优化，但是，我觉得人工智能背后依靠的肯定是数学，这一点不会有任何人怀疑吧？