闵可夫斯基的AI启发
物理学家闵可夫斯基（Hermann Minkowski, 1864~1909）曾以一句名言革新人类对宇宙的理解：「从现在起，空间本身和时间本身注定要变为阴影，只有两者的结合才能保持独立的实体。」他将时间与空间统一为四维时空连续体。
尽管他于1909年逝世，未能见证人工智能的诞生，但他对高维几何与统一框架的洞察，对现代AI的数学基础与概念架构产生深远影响。
闵可夫斯基启示我们，抽象集合可视为具内在结构与几何属性的实体。在机器学习中，數據往往存在于高维特征空间中，例如一张图片由数十万像素构成，可表示为数十万维的矢量。这些维度并非独立，而是共同形成一个连续且整体的几何空间。数据点在此空间中的位置与距离代表數據之间的关联性。这种观点促使研究者运用几何学、拓扑学与流形学习等方法，从高维空间中探索數據实际分布的低维结构。流形学习（Manifold Learning）的核心思想是：虽然数据存在于高维空间，但其本质结构往往嵌于低维非线性流形之中。AI的任务，正是揭露这些潜在流形，寻求数据的简洁几何表示。
闵可夫斯基对距离度量的定义，也成为AI决策机制的数学基础。他提出的闵可夫斯基距离（Minkowski Distance），即p范数（p-norm），为衡量數據差异提供统一框架。当p=1时为曼哈顿距离，适用于特征维度独立的情境；p=2时为欧几里得距离，是聚类、分类与优化演算法的基础，用以计算两点间最短直线距离。在K近邻演算法中，AI便依此距离判断新數據点与已知样本的相似性。这种距离度量已成为AI中表达相似与差异的核心语言。
在相对论的框架中，闵可夫斯基强调对不变量的追求，即在座标变换下保持不变的量，例如时空间隔。这一概念同样启发AI模型在面对旋转、平移或缩放等变化时仍能保持准确判断。例如，卷积神经網絡（Convolutional Neural Network）透过权重共享与池化层实现平移不变性，使模型能識別移动位置的特征；胶囊網絡（Capsule Network）则更进一步，尝试捕捉实体姿态，追求更强的视角不变性。
闵可夫斯基开启物理学的几何化时代，也提醒我们：无论是物理的时空，或AI的特征空间，其深层真理皆隐藏于结构与几何之中。对当代人工智能研究者而言，他留下的不仅是数学工具，更是一种从代数思维转向几何思维的视野，用以理解高维复杂数据的本质。
