阶段学习任务单：AI 数学最小必要基础

这个阶段的目标不是把数学学成考试科目，而是让你能看懂 AI 模型背后的核心直觉。你需要理解向量如何表示样本，矩阵如何表示变换，概率如何表达不确定性，梯度如何指导模型更新。

本阶段必须完成的任务

任务	产出物	通过标准
理解向量与矩阵	一份向量相似度实验	能解释点积、范数、余弦相似度和矩阵乘法
理解概率与统计	一个分布可视化 Notebook	能解释均值、方差、条件概率和常见分布
理解信息量与熵	一份信息论笔记	能说明熵、交叉熵和模型损失的关系
理解梯度下降	一个参数更新可视化实验	能解释学习率、梯度方向和收敛过程
完成阶段项目	一个数学直觉可视化小项目	能把数学概念连接到 ML、RAG 或 LLM 场景

推荐学习顺序

先学习向量和矩阵，再学习概率统计，最后学习微积分和优化。不要一开始追求严密证明，第一遍重点是建立“这些概念在模型里做什么”的直觉。

学数学时建议每个概念都配一个小实验。比如用向量相似度解释检索，用概率分布解释分类置信度，用梯度下降解释模型为什么会逐步变好。

和 AI 学习助手项目的关系

本阶段对应 AI 学习助手的 v0.4 数学解释能力。你可以为学习助手增加一个“概念解释卡”功能：输入一个数学概念，输出直觉解释、AI 场景、简单例子和常见误区。

建议先实现静态模板，不需要调用模型。重点是把抽象数学概念翻译成后续项目能用到的工程语言。

常见卡点

常见问题包括把公式当成孤立记忆、看懂推导但不知道应用场景、把概率和频率混淆、无法理解梯度方向、只会套库不理解指标含义。遇到卡点时，优先回到图形、数值实验和具体 AI 场景。

阶段作品集交付物

如果你想把本阶段成果沉淀到作品集，建议至少保留下面这些文件或等价材料。

交付物	说明
vector_similarity.ipynb	用向量、点积、余弦相似度解释样本相似
probability_demo.ipynb	可视化随机变量、分布、均值、方差和不确定性
gradient_descent.ipynb	展示学习率、梯度方向和收敛路径
math_cards.md	把向量、概率、熵、梯度翻译成 AI 应用直觉
reflection.md	说明这些数学概念如何支撑机器学习、RAG 和大模型

这些材料会证明你不是为了考试学数学，而是能把数学转化成理解模型、调试模型和解释系统的工具。

阶段通关问题

学完后，你应该能回答这些问题：为什么文本和图片可以表示成向量，为什么相似度可以用于检索，概率为什么能表示模型不确定性，交叉熵为什么常用于分类，梯度下降为什么能让模型参数逐步变好。

完成状态 Checklist

• 我能解释向量、矩阵和相似度在 AI 中的作用。
• 我能用图表解释至少一种概率分布和不确定性。
• 我能说明熵、交叉熵和分类损失之间的关系。
• 我能用一个小实验演示梯度下降过程。
• 我已经把至少 3 个数学概念写成自己的 AI 应用解释卡。