学习AI或研究AI的认知偏见："人工智能之所以有效，是因为数学！"，Sean McClure反驳了这个观点：
不，至少不是你想象的那样。
如果你把足够多的原始部件拼凑在一起，就会得到与部件截然不同的东西。
计算提供了规模和速度，让工程学可以做到这一点。
但是，这些部件是什么，远没有你想象的那么重要。
让我们来看看强化学习：利用现实世界中的系统，通过一些函数抽象（如基函数）来定义实际动态，将这些基函数放入一个线性算子中，然后通过迭代数百万次来计算这个算子，最后得到一个有效的东西（如一个能驾驶汽车的强化学习模型）。
说这一切都归功于数学，就好比说《宪法》的存在是因为有人建造了一个大厅，然后把笔交给了人们，（之后，人们用笔来起草宪法）。
系统需要互动，而数学就是我们在机器中实现互动的方式。
解决问题的是混搭和迭代，而不是优雅的数学或精确的模型。
数学并没有 "解决 "任何问题，它只是
- 获取数据，
- 改变其表示形式，
- 并通过混合、融合、合并、融合、聚合和混杂的方式来实现其工作原理。
数学是工具，而不是解决方案：
- 基础与实施：数学提供了形式化问题和设计算法的语言和工具。然而，人工智能模型的实际“工作”，尤其是在强化学习等复杂任务中，是由迭代过程和大规模计算驱动的。数学框架是必要的，但它并不是成功的唯一因素。
- 与建筑的类比：与建造大厅和用笔来起草宪法的比较。大厅（计算基础设施）和笔（数学构造）促进了这一过程，但结果取决于交互和迭代改进。
在我们向自然界的建造方式迈进的过程中，数学只是一个天真的起点，而不是制造可行事物的秘方。数学构造的神圣属性并不重要，因为根据定义，这些属性不会映射到我们需要的输出。
那么，数学需要吗？
嗯，是的，因为我们就是这样告诉机器把东西拼凑在一起的。
但也仅此而已。
数学是数据的载体，使我们能够进行香料提炼。 如果我们有别的类似数学的东西，我们也会使用它。
我们带来了被丢弃的部件，而大自然让它发挥作用。
自然通过相互作用和进化过程构建复杂系统，而不是通过预定义的数学结构。在人工智能中，我们模仿这种方法，利用计算能力将数据融合在一起并进行迭代，直到获得功能结果。
数学在机器学习中的作用：
- 数据载体：数学必不可少，因为它提供了表示数据和定义数据操作的框架。然而，它的作用更多的是实现数据的处理和融合，而不是提供精确的解决方案。
- 替代方法：如果有更有效的方法来实现学习和适应的迭代过程，我们可能会用它们代替传统的数学方法。关键在于通过计算来组合和细化数据表示的能力。