大家好，关于人工智能与线性代数很多朋友都还不太明白，今天小编就来为大家分享关于人工智能和线性代数的知识，希望对各位有所帮助！

本文目录

1. 为什么人工智能教学很火，却效果一般？
2. 人工智能数学教材推荐
3. 光学工程能转人工智能方向吗？
4. 怎样理解任正非说人工智能的本质是数学和统计学？这两门学科会成为大学的热门专业吗？

为什么人工智能教学很火，却效果一般？

首先我们来看下培训机构的人工智能都学些什么，以下是来源网络的某机构的培训计划，

1.Python核心、Python面向对象编程、Python高级

2.数据结构与算法、Linux操作系统、IO网络编程、并发编程、Python正则表达式、MySQL

3.HTML、CSS、JavaScript、MySQL高级、PythonDjango框架、Ajax

4.1.非关系型数据库Redis、Python爬虫、Flask框架、Tornado框架

4.2.机器学习数学基础、数据分析、数据可视化、人工智能，机器学习，深度学习技术

看看这学习计划，3/4的时间都花在了以Python为主要语言的网络编程上，和人工智能有一丁点关系，但是完全是两种思路的方向。

而人工智能主要是需要什么呢，对于各个学科都有不同，比如信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等，都需要相应的领域基础，主要内容包括知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面，里面的核心是数学，线性代数、概率论、数理统计、最优化理论、信息论、形式逻辑、线性代数等等，这些是培训班教不了，也不会教的。

可能会偶尔教一些Pytorch/TensorFlow框架调用一下，跑跑几个demo，也仅此而已了。没有研究经验，没有理论基础，完全就是一个基础开发工程师，和人工智能没有半毛钱关系。现在AI工程师最底线也是数学或者计算机研究生学历起步，而培训出来的，也够不到，企业也不给这个机会，所以更是少得可怜。基本上，培训机构出来的，也很难找到人工智能的的岗位，所以也就是忽悠一下外人而已。

人工智能数学教材推荐

01线性代数及其应用（原书第5版）

推荐语：本书是一本优秀的线代教材，给出线性代数基本介绍和一些有趣应用，目的是帮助读者掌握线性代数的基本概念及应用技巧，为后续课程的学习和工作实践奠定基础。

02概率论基础教程（原书第9版）。推荐语：本书是经过锤炼的优秀教材，已在世界范围内畅销三十多年。在美国的概率论教材中，本书占有50%以上的市场，被华盛顿大学、斯坦福大学、普度大学、密歇根大学、约翰霍普金斯大学、得克萨斯大学等众多名校采用。

国内很多高校也采用这本书作为教材或参考书，如北京大学、清华大学、华东师范大学、浙江大学、武汉大学、中央财经大学和上海财经大学等。书中通过大量的例子系统介绍了概率论的基础知识及其广泛应用，内容涉及组合分析、条件概率、离散型随机变量、连续型随机变量、随机变量的联合分布、期望的性质、极限定理和模拟等。

光学工程能转人工智能方向吗？

光纤以光的形式在全世界传输数据，是现代电信的支柱。当需要分析数据时，人们将光信号转换为电信号，然后使用电子设备进行处理。很长时间以来，光学被认为是新型计算技术的基础，但光学计算机很难与电子计算机的快速更新换代相竞争。

然而，在过去几年中，计算的能源成本正逐渐受到关注。光学系统一方面是降低能量需求的一种方法，另一方面作为加速人工智能计算的专用硬件而倍受关注。

DNN包括多层人工神经元和人工突触，它们是神经元之间的连接。这些连接的强度称为为权重，权重可以是阳性，表示神经元兴奋；或阴性，表示抑制。DNN学习即以最小化实际输出和期望输出之间的差异来改变其突触权重，从而执行诸如图像识别类的任务。

研究人员可以使用已知数据集来训练DNN，已经完成训练的DNN可以用于处理所谓“推理”任务中的未知数据。以上任何一种情况的计算量都是巨大的，但操作的多样性是适度的，因为“乘法累加”操作在众多突触权重和神经元激励中占据主导地位。

DNN在计算精度低时能够正常工作，因此，这些网络为实现非传统计算技术提供了新的思路。例如，研究人员正在探索基于新兴非易失性存储器件的DNN加速器。这些设备即使在其电源关闭时也能保留信息，并且可以通过模拟电子计算为DNN提供改进的速度和能效。

无论是用于电信的光纤还是用于光子芯片上的波导均可引导光的传播，可以承载大量数据。将波分复用技术应用于这些波导结构内部，许多不同波长的光可以一起传播。然后，电光调制器和光电检测器以一定带宽的速率调制并解调每个波长。

谐振器能够将单个波长如货车上的货物一样添加到波导或从波导移除。例如，微米级环形（微环）谐振器可以实现突触权重阵列。这种谐振器可以通过热调制，电光调制，或者通过相变材料调制。相变材料可以在非晶相和结晶相之间切换，两种状态在吸收光的能力方面差别很大。在理想条件下，进行乘法累加运算仅需要很小的功率。

来自德国的Feldmann等研究人员在毫米级光子芯片上搭建了全光神经网络，且网络内不存在光电转换。输入的数据被电调制加载到不同的波长上注入网络，在此之后，所有数据都保留在芯片上。集成的相变材料实现对权重的调制和神经元的集成，材料位于两种类型的微环谐振器上，谐振器具有突触或神经元功能。

相变材料吸收注入的各种波长的未调制光，能量累积导致神经元激发，然后把信号传递到网络的下一层。即使芯片上没有光学增益，这种全光学装置也具有扩展到更大网络的潜力。

因为权重信息是通过光吸收实现的，所以负权重需要大的偏置信号，该信号不能激活相变材料。研究人员使用Mach-Zehnder干涉仪装置作为提供负权重的替代方法。该装置中，单个波导被分成两个臂，然后重新组合，因此透射光量取决于两个路径之间光学相位的差异。然而，将这种方法与波分复用技术相结合可能存在一定问题，因为每个干涉仪的臂需要为不同波长引入适当的相位差。

光子DNN仍然面临重大挑战。理想情况下，DNN的总使用功率可能较低，但使用过程中经常需要热光功率来调节和维持每个Mach-Zehnder干涉仪臂中的光学相位差异。另外，必须仔细校准注入含有相变材料系统的总光功率，以便材料完全按照预期响应输入信号。尽管相变材料也可以用于调整Mach-Zehnder的相位，但是材料吸收光的强度和它们减慢光的速度之间不可避免的交叉耦合是一个复杂的问题。

传统的DNN已经逐渐扩展，如今可实现包含数千个神经元和数百万个突触。但是光子网络需要波导彼此间隔很远以防止它们耦合，并要避免波导急剧弯曲以防止光离开波导。由于光穿过两个波导可能会将不需要的功率注入错误路径，光子芯片的2D特性呈现出实质性的设计限制。

尽管实现光子网络需要长距离和大面积，但每个光学结构关键部分的制造必须精确。这是因为波导和光耦合区域，例如，在每个微环谐振器的入口和出口处，必须具有精确尺寸从而实现目标性能。因此，对于如何制造小型微环谐振器也存在限制。最后，调制技术提供的相对较弱的光学效应需要长相互作用区域，以使它们对传输光的有限影响能够积累到足够显著。

原创首发。

怎样理解任正非说人工智能的本质是数学和统计学？这两门学科会成为大学的热门专业吗？

由此可见，任正非先生也跟着华为和国内一味跟风的AI砖家们上当受骗，现在做AI的理工男自以为AI就是基于概率的算法驱动，把个AI搞得是无比的复杂，低效，耗能，没有超级计算机就玩不转，假如生物靠这种方式去参与自然竞争，恐怕早就死翘翘的了。比如没有神经元的黏菌搜索食物的最短路径，令现在的算法望尘莫及，蜂鸟的飞行技巧令现在的飞机望尘莫及，就更不用说人脑的听觉感知，视觉感知了，（难道AI的语音识别能够赶上人耳的听觉感知?）乃至思维处理信息的巧妙和高效了。可理工男知道吗？他们一无所知，竟然还敢大言不惭地宣称AI可以战胜人类?现在AI的寒冬已至，根本原因就是大方向错了，未来不走仿生AI，拟脑AI的方向，必将死路一条。

好了，文章到此结束，希望可以帮助到大家。