《AI数学系列课程》第一讲：代数在AI中的应用

前言：为什么ai的基础是初中数学？

大家好，欢迎来到《ai数学系列课程》的第一讲：代数在ai中的应用。

很多人一提到人工智能（AI），脑海中立刻浮现出复杂的高等数学概念，比如微积分、线性代数、概率论等等。但我想告诉你一个事实：这些高深的数学理论，最终都是建立在最基本、最坚实的代数运算之上。

今天的核心使命，就是带领大家打破对AI数学的恐惧，用你们现在正在学习的初中代数基础（是的，就是加减乘除、分数、还有一点点向量的概念），来透彻地解读最前沿的AI核心原理。我们相信，只有降低学习门槛，才能真正实现AI知识的普及和民主化。

本课程由上海交通大学、安泰经管学院、交大安泰校友会联合发起，由一群既有深厚学术背景，又有丰富AI实践经验的校友共同打造。我本人，曾是全国高中数学联赛一等奖的获得者，一路深耕数学和算法研究。但如今，我的身份更多是一名500强外企的数字化及AI项目经理，负责将这些理论知识转化为现实的智能应用。我的经历正是为了证明：数学竞赛的抽象思维，最终是要服务于现实世界的应用。

今天，我们将聚焦AI的“代数冰山”底部，后续我们还会逐步深入几何、概率等主题，揭示AI的完整数学面貌。

一、AI三大应用场景：代数如何定义“智能”？

人工智能在本质上是建立在“量化”基础上的。它必须把我们眼中的世界——语言、图像、喜好——全部转化为可以计算的数字。代数，正是处理这些数字的唯一通用语言。

让我们看看代数如何驱动以下三个主流应用：

大语言模型（如ChatGPT）：它是如何理解并判断你输入的内容中，哪些词是核心重点的？电商推荐算法（如抖音、淘宝）：它是如何通过计算，确定你的兴趣方向和商品的特征方向是否一致的？OCR文字识别（如手机拍照翻译）：它是如何从一张图片密集的像素点中，提取出笔画、结构，最终识别出文字的？

这三个不同领域的“智能”判断，其核心步骤都是一连串精密的代数运算。

二、核心原理深度拆解：代数的隐形驱动力（细节翻倍）

1. 大语言模型：代数的加权求和与动态权重（Attention 机制）

核心机制：注意力机制（Attention）。

动态权重设计：语言的奥秘在于上下文和关系。模型在处理一个句子时，必须知道句子中的词语之间是动态关联的。例如：“苹果发布了一款新的手机。”

如果你问模型：“什么东西被发布了？”

模型必须给“手机”和“发布”更高的权重。如果你问模型：“谁发布了手机？” 模型必须将注意力（权重）转移到“苹果”这个词上。

代数本质——加权求和的魔力：

模型如何实现这种动态“聚焦”？它为每一个词的信息（I）分配一个权重（W）。这个权重是一个数字，权重越高，代表模型越重视这个词。然后，模型将每个词的信息与它的权重相乘，最后把所有的结果相加。

输出信息 = 权重_{词1} \times 信息_{词1} + 权重_{词2} \times 信息_{词2} + \cdots

细节深化：这个看似简单的乘法和加法，正是AI“学习”的核心。在训练过程中，AI的任务就是不断调整这些权重 W_1, W_2, \cdots ，直到它能准确地判断出不同问题下的重点词语。因此，代数的乘法和加法，是AI理解复杂语言关系、进行语义推理的动力源泉。

2. 电商推荐算法：向量的点积与模长归一化（余弦相似度）

核心机制：余弦相似度（Cosine Similarity）。

代数第一步——向量化：

在AI眼中，世界没有“喜欢”或“不喜欢”，只有数字。

用户喜好向量：比如一个用户对电影的偏好可以被量化。假设维度是[科幻, 喜剧, 动作]。如果用户非常喜欢科幻（5分），不喜欢动作（1分），那么她的喜好向量可能是 [5, 3, 1]。商品特征向量：一部电影的特征向量可能是 [4, 2, 0]。

代数第二步——点积（衡量一致性）：

我们用点积来衡量两个向量在每个维度上的一致性。点积就是将两个向量对应位置的数字相乘，再把所有乘积加起来。

\text{用户向量} \cdot \text{商品向量} = (5\times4) + (3\times2) + (1\times0) = 20 + 6 + 0 = 26

点积越大，表明用户和商品在这些特征上重叠越多。

代数第三步——模长归一化（解决“偏见”）：

仅仅有点积还不够。想象有一个用户，他给所有的电影都打了10分（购买了所有商品）。他的向量数值会非常大，导致他和所有商品的点积都很高，但这不是真正的“精准”推荐。

我们需要排除数量（模长）的影响，只关注方向（偏好类型）是否相似。

模长：向量的模长 |A| 就是用勾股定理计算向量的长度，本质是\sqrt{x^2 + y^2 + \cdots}。归一化：余弦相似度公式通过将点积除以两个向量的模长乘积来实现归一化：

\text{相似度} = \frac{\text{用户向量} \cdot \text{商品向量}}{|\text{用户向量}| \times |\text{商品向量}|}

几何意义：这个计算结果正是两个向量的夹角余弦值。余弦值越大（越接近1），夹角越小，意味着偏好方向越一致，推荐就越精准。这就是代数的分数运算和向量计算在推荐系统中的决定性作用。

3. OCR文字识别：矩阵的滑动窗口与分层特征（卷积操作）

核心机制：卷积神经网络（CNN）中的卷积操作。

代数第一步——定义滤波器（Filter）：

图片是由密密麻麻的像素点组成的巨大矩阵。卷积操作引入一个小的数字矩阵，我们称之为滤波器（Filter）或卷积核，例如一个 3 \times 3 的数字矩阵。

滤波器的作用：不同的滤波器储存着不同的代数权重，它们被设计来检测图片中的特定特征，比如：一个滤波器可能专门用于检测水平边缘，另一个用于检测垂直边缘。

代数第二步——滑动窗口与乘加运算：

这个滤波器会像一个“放大镜”或“滑动窗口”一样，在图片矩阵上从左到右、从上到下滑动。

每到一个位置，滤波器中的9个数字就会与图片中对应的9个像素值进行代数乘法，然后将所有乘积结果相加。最终，这9个像素点被压缩成一个新的输出值。重复运算：这个乘加运算不断重复，将大图片转化为一个更小的、但特征更明显的特征图。

代数第三步——多层特征提取：

这套代数运算是分层进行的，构建了一个层次结构：

第一层卷积：提取出最基础的特征，如边缘、点、角点。更高层卷积：在第一层提取的特征基础上，通过新的代数运算，将边缘组装成更复杂的形状，如笔画、圆形、矩形。最终层：将这些形状组装成完整的字符或人脸。关联代数：整个过程就是海量的、高效率的矩阵乘法和加法运算。OCR之所以能识别文字，是因为代数运算能够将像素信息转化为具有语义的结构特征。