人工智能技术看似高深，但其主流底层原理——深度学习，可能并非严谨的科学。这篇内容尝试用极简的数学逻辑，揭示深度学习的真实运作方式，解释其为何更像一场‘炼丹’，并提出一个引人深思的观点：在解决复杂系统问题时，基于经验主义的数据驱动模型或许是必然的路径。
智能速览
AI的核心是赋予机器学习能力，实现了从规则驱动到数据驱动的转变。
深度学习的基本假设是世界是一个复杂函数，其目标是构建模型去无限逼近这个函数。
神经网络通过海量参数和多层结构，理论上可以拟合任何复杂规律，是一种暴力美学。
深度学习被称为‘炼丹’，因其内部运作是个黑箱，人们知其然不知其所以然。
AI的发展模式与传统中医的经验主义相似，都是应对复杂系统的有效方法。
精华内容
要理解为何深度学习被视作‘不科学’，首先需要剖析其最基本的工作逻辑。从简单的函数拟合出发，可以一步步揭开这个庞大系统的神秘面纱。
从规则到数据
传统机器依赖预设的“规则”，例如洗衣机或计算器，输入固定指令就返回预设结果，这是规则驱动。而机器学习则不同，它没有预设规则，而是通过学习海量数据，自己发现并生成规则，实现从规则驱动到数据驱动。过去机器学习受限于数据和算力而效果不佳，但在当今时代，这两个瓶颈被打破，使得该领域大放异彩。
世界是函数
深度学习有一个基本假设：世界是一个复杂的函数。输入是外部刺激x，输出是人类的反应y，而我们毕生所学，就是这个函数的规律。为了简化理解，可以想象一个最简单的情景：用一次函数y=wx+b去拟合平面上的多个数据点。这个过程的核心是找到一个目标函数（损失函数），通过计算预测值与真实值的误差，并利用梯度下降算法不断调整参数w和b，最终使总误差最小。
神经网络的暴力美学
深度学习的高明之处在于规模化和复杂化。它不再局限于简单的线性函数，而是引入了包含万亿级参数的神经网络。这些网络通过多层、非线性的数据变换，理论上能够表示世界上的任何函数，这在数学上被称为“万能逼近原理”。可以说，深度学习是用一种近乎“暴力”的方式，通过巨大的计算量来逼近世界的复杂性。
黑箱与炼丹
尽管深度学习效果显著，但其核心问题在于“不科学”。当模型变得异常复杂后，参数如何相互作用，以及模型为何有效，变得难以解释。整个训练过程如同在一个黑箱中摸索，调参更像是一种玄学，因此被戏称为“炼丹”。这种“知其然，而不知其所以然”的特性，使其更像一个经验主义的工具，而非一个有清晰理论支撑的科学体系。
经验主义的胜利
深度学习的模式与传统中医有异曲同工之妙。古代名医不懂现代物理化学，但通过经验主义总结出有效的药方。同样，医学面对的是人体这个复杂系统，而AI处理的是整个世界。当没有一套成体系的规则能完整解释这一切时，基于数据和经验驱动的模型便会异军突起，成为解决复杂系统问题的有效方法。
深度学习的成功，或许预示着在处理复杂问题时，经验主义和数据驱动将成为一种强大的新范式。它模糊了科学与玄学的边界，也引发了更深层次的思考：人类认知世界的方式，本身是否就是一种大模型？这个问题有待未来的探索。
