机器之心原创

2024/03/07 15:07

想搞AI，高中别学数据科学：奥特曼、马斯克此刻终于一致了

高中阶段学习数据科学能不能代替数学，这个话题的讨论已经延伸到了 AI 圈。

为了 AI 的发展，再不加强基础教育就晚了。

在大模型技术高速发展，各家公司激烈竞争的同时，有人站出来对于未来的人才表示了担忧，焦点在于数学。

近日，加州大学（UC）系统对于入学新生设立数学基础标准的消息掀起了轩然大波。随着全国范围内数学成绩的下降，一些教育工作者认为，标准的代数密集型数学教育需要改革，既可以吸引更多的学生，也可以帮助他们在日益依赖数据的未来培养相关技能。

有组织称，目前至少有 17 个州已把「数据科学」作为高中数学教育的可选项，俄勒冈州和俄亥俄州甚至已将其作为代数 II 的替代课程。这一方式遭到了加州大学的反对。

有人发出了一封公开信，呼吁必须保证本科新生的数学水平：不要再把高中阶段提前学习的数据科学再纳入「数学」的范畴了，没有基础数学水平，就学不好 AI。

虽然还在诉讼对决之中，但奥特曼和马斯克都位列这封公开信的签字人名单之列 —— 看来英雄所见略同。

除此之外，支持此倡议的学界和业界重要人物还包括苹果机器学习高管 Samy Bengio、微软生成人工智能副总裁 Sébastien Bubeck、英伟达首席科学家 Bill Dally、谷歌首席科学家 Jeff Dean、图灵奖获得者，Meta 首席科学家 Yann LeCun、xAI 联合创始人 Greg Yang 等人。

一水的创始人、CEO、CTO，可见业内对于此事的重视程度。

公开信的完整内容如下：

人工智能即将改变我们所处的社会。为了为未来做好准确，我们必须加强未来人们构建和部署 AI 技术的知识教育。其中，代数、微积分和概率学的核心数学概念是现代人工智能创新的核心。因此，参与人工智能技术的开发需要学生从夯实数学基础开始。我们赞赏加州大学最近澄清了有关数学的入学要求，确保学生必须完成符合该州大学入学标准的高中课程。

虽然当今的进步可能表明微积分或代数等经典数学学科已经过时，但事实并非如此。事实上，现代人工智能系统植根于数学，因此学好了数学对于人工智能领域的职业生涯发展至关重要。

深度学习的算法支柱 —— 梯度下降，通过结合微积分和（线性）代数来证明了人工智能与数学的关联。向量和矩阵是神经网络的构建模块，对数尺度的增长建模是神经网络训练的基础。三角函数和毕达哥拉斯恒等式也没有过时，它们是数据科学中重要工具的基础，包括傅里叶变换和最小二乘算法。

因此，在高中阶段学习这些数学学科可以为今后专门从事机器学习、数据科学或任何 STEM 领域的工作做好准备。一般来说，我们更愿意聘用牢固掌握基础知识的学生，而不是那些对最新的工具或软件一知半解的学生。

如果不能维持公共教育中数学课程的标准，则将扩大公立学校（尤其是资源贫乏地区的公立学校）与私立学校之间的差距，从而阻碍 STEM 多元化的努力。所有加州的孩子（不仅仅是私立学校的孩子），都应该接受顶级的数学教育，为我们的未来打好基础。因此，我们敦促加州政策制定者尽一切努力确保学生接受此类教育的机会。

公开信地址：https://www.mathmatters.ai/

签署姓名的 Jeff Dean 发推表示，数学教育对 AI 以及更广泛的领域显然都非常重要。

对此，有不少网友也表示支持。虽然你可能觉得难，但数学真的很有用：

也有人表达了对于当前美国数学教育的不满：

「recipe-based math」指死记硬背公式，不注重培养数学思维能力，看起来很有既视感。没想到这种话如今被用在美国人吐槽他们的数学教育上了。

公开信中提到了加州大学澄清了高中生进入该大学的数学要求，这是怎么一回事呢？

加州大学：想申 STEM，数学没有替代品

最近，我们会时常看到有关高中生必须学习多少数学才能进入四年制加州州立大学（泛指）的报道。

近日，加州大学（UC）学术评议会下属的一个有影响力的委员会就这一有争议的问题发表了意见。意见规定：从 2025 年秋季开始，入学加州大学和加州州立大学的高中生，他们学习的数据科学课程或 AP 统计学课程不能代替代数 II。

加州大学招生和学校关系委员会（BOARS）接受了研究该问题的「数学和统计学教授工作组」的建议，重申了其立场。

该工作组确定，这些被标记为数据科学的课程甚至都没有「接近」更高级代数课程的资格，更不用说代替了。

原文链接：https://senate.universityofcalifornia.edu/_files/committees/boars/documents/boarsacwphase1report-20240221.pdf?mc_cid=9de3e6e6f2&mc_eid=8f769d3245

加州大学的 STEM 教授也对用数据科学代替高级代数课程的做法持批评态度。他们中的很多人虽然支持数据科学，但不支持缺少高中完整数学的课程，这些是学生学习 STEM 或任何需要定量技能的专业所需要的。

如果在高中就跳过了基础数学学习，则会造成学生认为自己已经为统计学、计算机科学和数据科学专业做好准备的错觉，而实际上他们并没有准备好。这可能会迫使他们在社区大学另外补习数学。

与此同时，BOARS 的决定引起了其他一些人的不满。比如加州大学洛杉矶分校统计学教授兼本科生研究副主席、《数据科学导论》的主要作者 Robert Gould 不同意 BOARS 的决定。他表示，这门数据科学课程也是在美国国家科学基金赞助下，通过一项数学和科学合作基金创建的。

他说到，「我们当然很失望，我们相信自己的课程严谨且富有挑战性。最重要的是，这些课程包含了学生职业和学术成功所需要的所有知识和技能。」

此外，数据科学倡导者担心， BOARS 可能会取消符合招生标准的数学课程类别下数据科学和（可能）统计学学生的入学资格。

在当前人工智能和其他数据驱动的机遇和职业所塑造的世界中，越来越多的高中生开始学习入门数据课程。倡导者认为这些数据课程是三角学、初级微积分和大学主修科学、技术工程或数学（STEM）的学生必须学习的其他严格课程的「更友好」替代品。

因此，数十名高中数学教师和管理者已经采取行动，他们签署了一封公开信，并将发送给加州大学董事会。该信重申了对数据科学和统计学课程的支持，批评了 BOARS 下决定时没有咨询高中教师和数据科学专家们的观点。

公开信地址：https://docs.google.com/forms/d/e/1FAIpQLSflQnXznvqrJtd64FcSpADHOjQtRNJr8jq-A5OvJmdlRLA0Sw/viewform

信中写到，「我们学校和学区采纳了这类数据科学课程，原因是它们提供了一种创新的 21 世纪学习体验，可以激发学生的兴趣并吸引他们学习，传授当今各种职业和学术领域所需要的定量技能，为学生交流和学习数学提供一种新的方式。」

除了数据科学倡导者、高中教师之外，一些非盈利组织也表达了对数据科学课程的支持。他们认为，越来越多的学区提供这些课程，与学生非常相关并对它们有吸引力，不然他们可能会对数学感到厌烦。

至于加州大学最终如何将《CourseKata》、《数据科学导论》和 YouCubed 网站的《数据科学探索》等热门数据课程纳入入学课程要求，这个更大的问题恐怕要等到五月数学工作组发布下一份报告时才能确定。

在外界来看，人们对于美国中学阶段的数学基础教育水平一直存在争议。在美国中学的很多学区，自初中起就会进行分班教学，对于不感兴趣或不致力于 STEM 专业的学生，学完代数几何就可以安全毕业。另一方面，部分学生也可以选择选修 AP（大学先修课程），并在本科期间换成学分。

但因为大学录取成绩所占的比重相对较小，很多本科生对数学知识的掌握可能并不满足需求。甚至有人指出，相当一部分大学生连四则运算、解一元二次方程都搞不定。

这就怪不得马斯克和奥特曼都一起站出来呼吁了。

看起来，即使是在 AI 技术发展的时代，提升数学基础也是至关重要的。至少新生的水平不应该越来越差。

^{参考链接：}

^{https://www.washingtonpost.com/education/2024/03/02/data-science-algebra-ii-alternative-california-debate/}

^{https://edsource.org/2024/uc-confirms-data-science-cant-sub-for-algebra-ii-unresolved-what-can-it-qualify-for/707043}

产业

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

数据科学技术

数据科学，又称资料科学，是一门利用数据学习知识的学科，其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术，包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

来源：维基百科

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

傅里叶变换技术

傅里叶变换（法语：Transformation de Fourier、英语：Fourier transform）是一种线性积分变换，用于信号在时域（或空域）和频域之间的变换，在物理学和工程学中有许多应用。因其基本思想首先由法国学者约瑟夫·傅里叶系统地提出，所以以其名字来命名以示纪念。实际上傅里叶变换就像化学分析，确定物质的基本成分；信号来自自然界，也可对其进行分析，确定其基本成分。

来源：维基百科

梯度下降技术

梯度下降是用于查找函数最小值的一阶迭代优化算法。要使用梯度下降找到函数的局部最小值，可以采用与当前点的函数梯度（或近似梯度）的负值成比例的步骤。如果采取的步骤与梯度的正值成比例，则接近该函数的局部最大值，被称为梯度上升。

来源：Vapnik V. N. (2000). The Nature of Statistical Learning Theory. Information Science and Statistics. Springer-Verlag.Wikipedia

微积分技术

微积分（Calculus）是高等数学中研究函数的微分(Differentiation)、积分(Integration)以及有关概念和应用的数学分支。它是数学的一个基础学科。内容主要包括极限、微分学、积分学及其应用。微分学包括求导数的运算，是一套关于变化率的理论。它使得函数、速度、加速度和曲线的斜率等均可用一套通用的符号进行讨论。积分学，包括求积分的运算，为定义和计算面积、体积等提供一套通用的方法。

来源：百度百科