一句话：只想调包，数学是选修；想做算法创新，数学是必修。数学不是入场券，是天花板。
1. 为什么很多人觉得不用数学？
因为框架太方便。import tensorflow，model.fit()，模型就出来了。很多应届生不会手推反向传播，也能干活。应用层确实被封装了，但这只是表象。Transformer、Attention、位置编码、Adam、Embedding，背后全是线性代数、微积分、概率统计和最优化。
2. 数学不好能学吗？
能。普通人没必要等数学全部学完再开始。更实际的方式是：先做起来，再按需补数学。
学Attention，就补矩阵运算；学反向传播，就搞懂梯度和链式法则；研究Diffusion，再补概率分布和采样。
那具体怎么学呢？我这里分享一些个人认为非常实用的数学资料，基本可以对应各个阶段：
第一阶段：先搞清楚AI到底需要哪些数学。
112页机器学习-数学基础回顾，可以把机器学习涉及的线性代数、概率、微积分、优化等知识快速过一遍，建立知识体系。
第二阶段：搞清楚数学到底怎么进入深度学习。
那份带87道习题和45份源码的书。不只是讲公式，而是进一步把数学和模型、实现、理论联系起来。非常适合已经开始做深度学习，想从会调用往看懂原理走的人。
第三阶段：专门补线性代数。
矩阵、向量、线性变换、特征值这些东西，几乎贯穿了很多深度学习模型。如果这部分比较薄弱，可以单独看这个MIT 21.7k星标的线性代数笔记来补（中英文版），不需要把所有数学都重新学一遍。
第四阶段：解决“公式会看，但没有直觉”。
还可以配合交互式线性代数和数学可视化工具，把抽象的公式、向量和变换“看见”。
这几份我已经整理成一套资料，想补AI数学的可以直接领取，不用从头到尾全部学完，缺哪块补哪块。
3. 什么时候数学变成硬门槛？
如果只是调用现有模型解决业务问题，数学掌握基础概念基本够用。
但当你想改进模型、设计激活函数、调优化器、理解幻觉、做Diffusion、图Transformer、写论文创新时，数学就是必修。你想知道为什么Chain of Thought有用，可能涉及计算复杂度；想让图神经网络更强，要看图同构和表达能力上限。如果你只会调参，肯定就不够了。
4. 该学哪些？
核心四件套：
图模型热，图论就算；大模型输出本质是猜概率最大者，概率论跑不掉。
5. 最后总结
深度学习大算力、大数据能替代部分手工特征工程，但边际效益在递减，成本、能耗、不可解释、鲁棒性、偏见都是问题。未来高效模型、理论解释会越来越重要。
所以数学不是入门必先啃，而是决定你能走多远的阶梯。总之，先会用，再补数学；边做边学，按需深入。想当调包侠，数学可以少学；想当算法专家，数学永远逃不掉。
