想搞AI，高中别学数据科学：奥特曼、马斯克此刻终于一致了

王林

发布时间：2024-07-11 12:04:38

906人浏览过

来源于机器之心

转载

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。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

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}

理想汽车“二次创业” 2026年能否重回牌桌

AI生成头像可控性有多强？实测8款工具的“自定义”功能（调整表情/更换背景/指定服饰）

2025年20万以上轿车销量出炉小米SU7力压帕萨特夺冠

贾跃亭：法拉第未来当前股价被严重低估目标价5美元

保时捷中国谈东安经销商跑路事件：全力保障客户权益

相关专题

页面置换算法

页面置换算法是操作系统中用来决定在内存中哪些页面应该被换出以便为新的页面提供空间的算法。本专题为大家提供页面置换算法的相关文章，大家可以免费体验。

407

2023.08.14

http与https有哪些区别

http与https的区别：1、协议安全性；2、连接方式；3、证书管理；4、连接状态；5、端口号；6、资源消耗；7、兼容性。本专题为大家提供相关的文章、下载、课程内容，供大家免费下载体验。

2071

2024.08.16

Python 自然语言处理（NLP）基础与实战

本专题系统讲解 Python 在自然语言处理（NLP）领域的基础方法与实战应用，涵盖文本预处理（分词、去停用词）、词性标注、命名实体识别、关键词提取、情感分析，以及常用 NLP 库（NLTK、spaCy）的核心用法。通过真实文本案例，帮助学习者掌握使用 Python 进行文本分析与语言数据处理的完整流程，适用于内容分析、舆情监测与智能文本应用场景。

2026.01.27