閔可夫斯基的AI啟發
物理學家閔可夫斯基（Hermann Minkowski, 1864~1909）曾以一句名言革新人類對宇宙的理解：「從現在起，空間本身和時間本身注定要變為陰影，只有兩者的結合才能保持獨立的實體。」他將時間與空間統一為四維時空連續體。
儘管他於1909年逝世，未能見證人工智慧的誕生，但他對高維幾何與統一框架的洞察，對現代AI的數學基礎與概念架構產生深遠影響。
閔可夫斯基啟示我們，抽象集合可視為具內在結構與幾何屬性的實體。在機器學習中，資料往往存在於高維特徵空間中，例如一張圖片由數十萬像素構成，可表示為數十萬維的向量。這些維度並非獨立，而是共同形成一個連續且整體的幾何空間。數據點在此空間中的位置與距離代表資料之間的關聯性。這種觀點促使研究者運用幾何學、拓撲學與流形學習等方法，從高維空間中探索資料實際分布的低維結構。流形學習（Manifold Learning）的核心思想是：雖然數據存在於高維空間，但其本質結構往往嵌於低維非線性流形之中。AI的任務，正是揭露這些潛在流形，尋求數據的簡潔幾何表示。
閔可夫斯基對距離度量的定義，也成為AI決策機制的數學基礎。他提出的閔可夫斯基距離（Minkowski Distance），即p範數（p-norm），為衡量資料差異提供統一框架。當p=1時為曼哈頓距離，適用於特徵維度獨立的情境；p=2時為歐幾里得距離，是聚類、分類與優化演算法的基礎，用以計算兩點間最短直線距離。在K近鄰演算法中，AI便依此距離判斷新資料點與已知樣本的相似性。這種距離度量已成為AI中表達相似與差異的核心語言。
在相對論的框架中，閔可夫斯基強調對不變量的追求，即在座標變換下保持不變的量，例如時空間隔。這一概念同樣啟發AI模型在面對旋轉、平移或縮放等變化時仍能保持準確判斷。例如，卷積神經網路（Convolutional Neural Network）透過權重共享與池化層實現平移不變性，使模型能辨識移動位置的特徵；膠囊網路（Capsule Network）則更進一步，嘗試捕捉實體姿態，追求更強的視角不變性。
閔可夫斯基開啟物理學的幾何化時代，也提醒我們：無論是物理的時空，或AI的特徵空間，其深層真理皆隱藏於結構與幾何之中。對當代人工智慧研究者而言，他留下的不僅是數學工具，更是一種從代數思維轉向幾何思維的視野，用以理解高維複雜數據的本質。
