担心失业的软件工程师：数学才是AI时代你的生存利器
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：当AI重构技术底层逻辑，数学正从象牙塔公式进化为生存刚需。本文撕开“永恒真理”的伪装，还原数学作为危机应对工具的本质——从航海时代对数表到AI硬件拓扑学，揭示掌握函数式编程、范畴论等现代数学范式，才是突破算法替代困局的终极武器。文章来自编译。
传统数学带我们走到今天，却无法助你应对未来。
数学是求生工具箱，不是神赐的秘籍
尽管数学已解决现实问题上百年，我们仍在用"天降圣谕"的方式教学——仿佛它不是由真实人类根据时代需求不断改造的工具。
在所谓硬科学领域，古老神话和柏拉图式理念早被摒弃。但数学呢？至今仍被包装成永恒不变的真理。
我们常常忽略了，数学跟化学、生物这些扎根现实的学科没有什么不同，它们本质上都是工具——是被历史需求反复锻造的求生装备，而非宇宙传承下来的永恒启示。
想要证据？
17世纪的世界经济命脉是航船。海上贸易即全球系统。帝国争夺香料、黄金与土地，而唯一的获取方式就是穿越凶险海洋。
纬度？简单——看太阳星辰便知。经度？致命难题。在没有精准时钟的年代（约翰·哈里森的航海天文钟尚未问世），水手根本无法可靠追踪东西航行。猜错经度，结局就是船毁人亡。
生死压力催生发明。
约翰·内皮尔为航海家抛出救命索：将对数制成表格，把无穷乘法简化为加法。他在纸上造出了模拟计算器——省时又降错。
接着艾萨克·牛顿瞄准了更大的问题：行星运动。
要追踪椭圆轨道上的加速天体，平均值根本不够用。
你得测量每个瞬间的变化。于是他发明了微积分——不为写诗，而是解决航海、天文与运动的现实难题。
这不是为数学而研究数学。
这是为生存而研究的数学。
图1. 每个世纪的产业面貌天差地别：从海洋导航、蒸汽活塞到电报电缆。但数学的影响力始终如一：持续贡献约25-35%的经济增长。
牛顿的新工具——微积分——如同之前内皮尔的对数表，催生了精密天文年历：记录天体运动的时序地图。
在航海钟问世之前的年代，这些表是导航的关键。它们支撑着用月距法测算海上经度，预测潮汐，帮助船只在陌生海岸避免遭遇海难。
和内皮尔一样，牛顿并不是什么未卜先知的柏拉图。他把数学当作实用引擎——丈量、测绘、求生的手段。
（“我不做假说”，还记得吗？）
这些并非永恒真理。
它们是火烧眉毛的时候锻造的工具。
因为失之毫厘，便是船毁、经济停滞、帝国崩塌。
读到这儿我想应该你明白了：数学不是诞生在神庙的，而来自作战室、甲板与蒸汽机。
这个模式在不断重演——17到20世纪皆如此，如表1所示。
是的——这里都不用剧透——此刻正在重演。
表1. 史上最伟大的数学家不仅是理论家——更是工具锻造者。每个人都创造出时代急需的数学工具。
如你所见，我们讨论的模式清晰可辨：
纵观历史，数学既是成功的杠杆，也是风险的刀刃。（俗话说得好：能力越大，责任越大。）
而数学始终是能力的倍增器。
欧拉忙着帮帝国造更好的大炮与更坚固的桥梁。
高斯将泥泞土地化为几何，重新定义丈量地球的方式。
傅里叶不过是想弄懂热量是如何在铁棒中传导的——而这却为拿破仑的战争了提供弹药。
拉普拉斯测算行星运动，为的是防止船只偏离航道。
凯特莱用数据帮政府设计城市、监狱与学校。
麦克斯韦用方程为19世纪布线，推动了电报的发展并点亮了现代世界。
在工业革命火热的英国——
若没有数学加持，蒸汽机不过是地方性试验。
焦耳测定了热功当量。
开尔文确立了绝对温标。
他们一起将热力学转化为工程师可用的工具——驱动着蒸汽机，铸造了新世界的钢铁骨架。
可见：他们为的不是永恒真理，只是在解决燃眉之急。当然少数数学家仍在为了数学而数学——但即便这种"纯数学"最终也多被实用化（如数论→密码学）。
如今比任何时候都更清楚：
数学不仅是辅助工具——还是所有经济体的结构脊柱。
我们总幻想革命始于钢铁火花、蒸汽引擎或发光电路。但细看会发现更微妙的力量：方程、抽象、隐形框架。数学不是机器里的润滑油——它是组装机器的扳手。
所有新经济都始于思想构建的意义，而非金属；始于公式而非工厂；始于数学塑造的梦想而非梦想。
数学的演进就跟人类一样：不为追求真理，只为突破极限
就像生物不是为了追求完美而是将已经行得通的东西改换用途一样（羽毛本是保暖层，后来助飞），数学也以同样的方式进化——不靠神启，而是去适应新场景。
再看看对数吧：17世纪的发明并并不是什么神秘抽象的东西，那是救命工具——将痛苦的乘法转为可控的加法。无关哲学，就是解决问题的数学。
今天没人会再去查看对数表——但对数无处不在。
图论中，对数描述的是网络的分支与规模。
复杂度分析中，它们捕捉算法的深度。
密码学中，离散对数定义着守护数字基建的"难题"。
它们仍是幂运算的逆运算，但这已不是重点。
它们已进化为现代计算的核心构件。如同羽毛一样：形态未改，功能已变（第一批有羽恐龙并不会飞行，羽毛只为保暖）。
图2. 数学进化的常见模式？旧工具在新领域重生。最初作为乘法捷径的对数，在信息时代被重构为密码学、复杂度理论和网络建模的结构工具。
微分同样改头换面。
曾是物理、建筑、经济和早期航空的动力源，如今被卸载给机器用数值方法解方程。
更深层的转变？是概念革新。
如今函数不再是变量间的连续曲线。由于阿隆佐·丘奇的Lambda演算进化为范畴论和函数式编程，函数已蜕变为：
数据结构间的映射
剥离噪音的过滤器
化繁为简的折叠操作
函数能吞食其他函数，互相嵌套，在代数规则的类型系统中运行。
它们不仅描述变化，更执行变化。
执行、组合、用单子处理异常——系统照常运转。
这就是数学现在的栖息地：不在永恒形式里，而在进化结构中——由需求、压力与创造力锻造。
别再学习过时的数学了：要针对认知革命重塑数学
读到这里，你已领先时代了。
此刻你有两个选择：继续依赖"安全"的基础微积分、线性代数等课本知识；或者跃进新世界，重塑基础数学来真正掌控AI。
当然不是要你抛弃微积分——而是从更高的维度去解构它。（比如在函数组合中看到导数与积分的影子。）重点不是丢弃旧数学，而是要演进。
关键在这儿：AI不会取代这些顶尖的，人类构建的框架。它要突破自身局限，必须依赖这些框架——以及懂它们的人类。
所以自问一下：你只想使用AI，还是想塑造AI——安全地、创造性地、突破现有边界地塑造AI？
设计当今最先进机器都无法自动化的脉冲神经网络、可组合流水线或元优化？现在正是你运用基于范畴论、图论的洞见，利用全局优化等抽象工具提升AI可靠性，突破现有局限的机会。
别被炒作吓倒。
这些新的数学概念是可以掌握的——通常只需用全新应用框架重塑已知知识即可（见表2）。
跨出关键一步。学习AI至今无法自通的数学。真正突破就在此处——
这是你在一切皆可取代的时代保住自己角色的方法。
表2. 当今关键数学工具仍多存于学术领域，但对新一代技术人员至关重要。掌握这些现代数学，或许是科技从业者逃离传统软硬件裁员潮的密钥。
新硬件革命：柔性印制智能——当AI电路超越代码时
那么在这场AI软件游戏中你已经升级了，但别就此止步——数学革命正深入到硬件底层。
我们正快速迈进新领域：受大脑高效低耗启发，可重构脉冲神经网络硬件正在崛起。
你将不再依赖他人芯片去运行模型，而是自建电路。想象一下FPGA（现场可编程门阵列）——你连逻辑块都自己布设，而不是只写写Python代码。
这跟传统编程截然不同。需要将数学、图论、拓扑——你一度以为被尘封在象牙塔的数学组合到一起，它们正驱动着AI硬件的新飞跃。
这为什么很重要？
因为设计电路级的脉冲神经网络能绕过传统瓶颈——打造CPU/GPU无法企及的透明、极速、节能的系统。
这就是AI未来：
不是运行模型，而是构建模型本体的机器。
AI硬件设计必备数学工具
如果你已准备好征战新的疆域，这些数学工具就是必备。经典工具已升级——注入前沿代数与范畴论，造就动态可扩展的智能硬件设计。准备好构建未来的大脑吧，别光满足于在上面跑的代码。
想见识这些超级加强版经典？卡诺图、图与电路最小化、布尔代数与开关理论、自动机与状态机、组合优化——这些东西虽然在教科书中似曾相识，但已脱胎换骨。注入新的数学洞察之后，它们正成为处理脉冲神经网络、可重构FPGA的利器。（详见表3）
表3
总结：AI仍需人类数学心智
如果担心自己会被取代，那就深耕数学抽象层吧。抽象得越深，机器越难复制你的洞见。真正突破诞生于此——我们在此定义认知世界的新范式，而不仅仅是优化旧的东西。
译者：boxi。
