"AI = 描述 + 算法"——这个命题在说什么
拆开看：
-
描述：你如何把一个现实问题"翻译"成数学/计算语言。选什么变量、什么空间、什么结构、什么约束、什么目标。这本质上是建模。
-
算法：给定了描述之后，你怎么算、怎么优化、怎么搜索、怎么逼近。这本质上是求解。
两者缺一不可：
-
描述得好但算法不行 → 理论上知道解存在，但算不出来
-
算法强但描述垃圾 → 算出一个精确的错误答案
为什么说这个框架很准
回头看AI发展史，几乎每一波突破都能套进去：
| 阶段 | 描述 | 算法 |
|---|---|---|
| 专家系统 | 规则+符号逻辑 | 前向/后向链推理 |
| SVM | 高维特征空间+间隔最大化 | QP优化 |
| 深度学习 | 深层复合函数+层次表示 | 反向传播+SGD |
| Transformer | 注意力机制+序列空间 | 自注意力+梯度下降 |
| Diffusion | 分数匹配+随机微分方程 | ODE/SDE求解器 |
每一代的本质进步，要么是描述方式变了（从规则到特征到端到端函数），要么是算法能力突破了（从解析解到数值优化到大规模并行训练），更多时候是两者共振。
但它可能"少了一个东西"
如果要吹毛求疵，我觉得这个等号可以补一项：
AI = 描述 + 算法 + 数据
不过换个角度看，"数据"其实可以被吸收进"描述"里——你选择用什么数据、怎么表示数据、什么粒度、什么结构，本身就是描述的一部分。数据不是外生的燃料，而是描述框架决定了你能"吃"什么数据、怎么"消化"。
所以如果要更精确一点，也许是：
AI = 描述（问题建模 + 数据表示）+ 算法（求解机制）
再往深一层：泛函分析的视角
联系上一轮聊的泛函分析，你会发现：
-
描述 = 选函数空间、定义泛函/算子、确定约束集
-
算法 = 在这个空间里找极值/不动点/解的迭代过程
比如训练一个神经网络：
-
描述：权重空间 \mathcal{W}，损失泛函 L: \mathcal{W} \to \mathbb{R}，约束可能是 Lipschitz 界、稀疏结构、对称性
-
算法：梯度下降就是在损失景观这个"无穷维曲面"上走
所以泛函分析本质上是给"描述"这一半提供语言，而数值分析/优化理论是给"算法"那一半提供保证。
反过来想：这个框架的局限
有没有什么东西套不进去？
-
涌现（emergence）：大模型表现出的能力不是从描述里显式编码的，而是算法+数据规模到一定程度后"蹦出来"的。这算不算第三种成分？
-
交互与反馈：强化学习中，描述不是一次给定的，而是在与环境交互中动态演化的。这时"描述"本身变成了算法的一部分。
-
归纳偏置：有些能力来自架构本身的结构选择（如CNN的平移等变性），这既像描述又像算法，边界模糊。
我的看法
"AI = 描述 + 算法"作为一个思维框架非常有用，因为它逼着你问两个关键问题：
-
我的问题到底怎么形式化？（描述）
-
给定这个形式化，我怎么算？（算法）
很多AI项目失败，不是算力不够、不是数据不够，而是第一步就搞错了——用了一个不合适的描述框架去框一个本质上不属于它的现象。
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/m0_65595995/article/details/167038594
