人有的时候会掉到自己挖的坑里。

前一阵子在人工智能的辅助下学习人工智能，新概念层出不穷，然后每个看不懂的概念都让人工智能解释一番，由于之前告诉人工智能按照没有高等数学基础的方式进行解释，于是人工智能也尽量用各种形象的特征来表达，比如调节参数被它称为旋转旋钮。

说法够形象了，但是总是感觉隔靴搔痒，有点模模糊糊的，于是尝试了一下，在一个概念的解析中要求人工智能用更加严谨的数学表达进行解释。

于是它输出了一大堆我不怎么看得懂的公式，倒是看得清楚，但是看不懂也白搭啊。

这个时候一个声音从深渊底部飘了上来，要不然，就重新学学线性代数吧。

说是重新学学，因为作为理工男，大学的时候是学过包括线性代数在内的高等数学的，回忆起来那个时候学的就不怎么样， 然后毕业之后又没有从事本职工作，技术上有些荒废（那是一个值得另开一篇文章写的故事），高数这个东西，过了几十年之后，已经忘了一个干净。

要不要重新捡起来呢？说句实在话完全没有信心。但是自从被种草之后，再看人工智能提供的那些非常生活活泼但是总是蒙着面纱的解释越来越不过瘾，于是抵抗不住诱惑，另开了一个话题，和人工智能说，要不然咱们还是学学线性代数吧，但是话说清楚，我学习这个只是为了理解人工智能的基本概念，不是为了人工智能的开发，更加不是为了数学研究，概念解释点到为止，够用就行，而且要求从零开始。

人工智能表示理解理解，然后帮助我设计了九节课。

一转眼已经上完了头三节，从第一节的一看就懂到第三节的已经开始有点蒙圈，那些概念，诸如向量、点积、正交、转置、内积，虽然名字吓人，解释通了也就理解了，就连名字听起来吓人的余弦相似度以及柯西-施瓦茨不等式（对于任何两个向量 u 和 v，它们点积的绝对值|u.v|，永远不可能超过它们长度的乘积||u||*||v||），也不是那么难理解，但是到了空间线性变换，已经开始有点懵了。

不过即便是这一点，之前很多模糊的地方，已经开始有点透亮了。

能不能学下去，完全没把握，或许应该多回头看看，多做做练习，把前三节记住了，也算没白学。