关于AI与数学、关于生物、化学、材料相关的海量多维数据分析与学生的随口答问
某毕业生向我推荐了一篇文章，同时提出问题讨论，我随口答之。我对数学可以说是门外汉，对如今的AI又踉踉跄跄地跟随着，所以只是随口一说，可供读者一哂。
1. 李老师，我读了这篇文章（清华大学数学科学系教授薛金鑫：《AI冲击数学，信誉系统崩盘，数学界何去何从？》发表于“知识分子”公众号），觉得写的十分深刻，而且评论区下也有很多真知灼见，与文章互为表里，相辅相成。斗胆推荐给您。
2. 目前生物，化学，材料相关的最大变革应该是自动化高通量实验与海量多维度数据分析，应该来说需要的是非常多的跨领域的专业人才。关于跨领域人才您是怎么看待的？
我的回答：
1. 按照科学的严谨定义，数学并不是科学。科学是研究自然现象及其内在联系与规律的，而数学在自然界是不存在的。所以我宁愿把数学理解为人类的思维方法和规律。数学本身是游戏，当这游戏用来描述自然规律时才和科学发生关系。除了训练思维（游戏），数学的意义就在于对自然规律的描述。
所以，诸多物理学家在描述物理现象时发展了数学，比如牛顿的微积分。而莱布尼茨的微积分就是纯数学，如果没有对自然现象和工程的描述与指导，微积分就是游戏。
AI能证明，就是它会推理了（演绎），可以代替数学游戏的部分，但对于描述自然，它全然不会。数学家如果眼界仅仅局限在纯数学，才得出数学要因AI灭亡的结论。实际上AI推理证明出纯数学的难题，对科学发展没有意义。数学不亡的理由在于以之解释自然，即游戏要本人体验（人类，数学家、科学家或者工程师），不能由别人（AI）替自己玩儿。
文中说数学不亡的一个理由是确定性，这个理由不一定成立。演绎推理有确定性，但归纳，统计则不一定，只是给出一个分布，否则模糊数学如何解释？
2. 至于跨领域，那是自然而然的。自然界原本是连续、统一的，本来就不存在什么领域。所谓领域，是人为把具有共同特征的一类事物归纳为一类，即归入一个集合，但这集合的边界本来就不清晰，两个集合（领域）之间有交叉（交集），即所谓交叉学科。不要简单地把不同领域的交叉理解为不同颜色的平面图形（比如圆形）因离得近互相覆盖，领域（集合）本身可能是立体交叉（比如杂化，电子云交叠），所以交叉是广泛存在的，即使目前看似不搭界的领域也可能有交叉。
所以，思维千万别让专业、学科、行业、领域之类的先验观念限制。发现问题，不管它是什么领域，大胆地尝试解决它
至于所谓高通量海量多维数据分析，昨天我刚刚在组会上发了一通议论。
我在三十年前就尝试用神经网络（机器学习）解决材料问题，就是输入一些材料结构与性质数据，经过中间若干结点，输出未知新材料的结构与性质（预测），当然也可以把输出的数据再返回输入端进行迭代。当年的软件装在一个3英吋软盘（1.44M），很小，当然很笨，数据也不多（没有网络，要人工查找、输入），所以预测与实际相符是运气，不相符是常态。
如今软件也强大了，可以通过网络调用n多数据库，有了所谓高通量海量大数据。但这分析还是神经网络统计之类的，中间是黑箱，没有理论解读，只依靠大样本，数据量大则正确的可能性大。
但我以为起码在目前这些结果还是不可靠的，如果能够剔除不正确的数据，可靠性会好些。比如，对于材料模拟和预测，根据工作目的，对数据进行筛选和分类是必要的。即基于材料或物理、化学等理论，给出算法或判据，剔除不合适、不正确、不可靠的数据，则效率和可靠性都能提高。而这算法和判据，目前AI还不会。
比如，要筛选一个电池的材料体系，要基于理论挑选出材料本征的最佳性质数据，分析不同的正极、负极、电解质、膜等材料在克服了工艺、测试等不确定因素，选出一个匹配体系的最佳情形的数据，找出工程上的努力方向和极限。而对实际工程的电池组装与生产，则要考虑工艺、测试等不确定性，虽偏离最佳但可以稳定重现与放大生产的数据。即人给机器(AI)投喂的是经过人按照不同的学习目的筛选的数据供机器消化、学习，如此则学习效率高，效果佳。而不是人被动地相信与依赖机器（AI）。
转载本文请联系原作者获取授权，同时请注明本文来自李志林科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3622817-1558117.html?mobile=1
收藏
