就我個人看來，科技公司對於數學人才的追求是非常恰當的。毫不誇張的說，整個計算機科學可以說都是基於數學之上的。最早的計算機大神，大多是數學系出身，馮諾依曼是布達佩斯大學數學博士，圖靈早在劍橋大學國王學院求學期間就獲得過史密斯數學獎。無論是過去，現在，還是未來，基於計算機科學的科技公司對於數學的追求，都是永無止境的。最好的科技公司，同時一定是有最多數學人才的科技公司。
看過一些論調，說科技公司注重的數學，根本不是基礎數學，乃至於把所有的東西都“應用數學化”。但就我淺薄的瞭解來看，基礎數學中的矢量矩陣計算，可以算是不折不扣的基礎數學了——但深度學習的算法，正是直接對矩陣和向量計算的應用。所以我一直覺得，應用基礎數學，切不可輕易簡化成應用數學——老婆餅可不是老婆。
所以下文，就不過多對數學的種類進行詳細分類了。
有人會說，現在框架那麼多，計算機人才只需要專注工程技術就可以了。可是，那些框架是從何而來？工程人員的數學素養，直接導致了能力上的天壤之別，也就是我們常說的碼農和大神的區別。
為什麼這麼說？
首先，數學方法促進了計算機編程語言的成熟和發展。
無論是JAVA， C#，Python還是各種形形色色，無計其數的計算機語言，他們並不是憑空出現的，他們是基於嚴謹的，科學的數學基礎的，任何存活並發展壯大的語言，都是來源於數學。我們都學過計算機數學，也就是離散數學，在日常工作當中，我們可以看到，有很多計算機大神來自於數學系，物理系，紮實的數學基礎，理性化的數學思維方式，讓他們能很容易抓住編程語言的本質，對語言的理解和應用，遠非機械背誦指令的人可比。
其次，在二十一世紀的今天，真正讓科技公司狂熱地追求數學人才的原因，是大數據和人工智能。
現在大數據的輸入端已經幾乎解決了，海量的數據每天從世界各地各處彙集到各種科技公司，旅遊公司，電商公司，外賣公司，視頻網站，各種各樣的科技巨頭每天收集的數據數以億計。然而數據的使用和分析效率和結果卻千差萬別，這些數據數據量極其龐大，數據質量參差不齊，無法依靠簡單的軟件或者人工處理，這正是IBM提出的大數據5個V的特點：：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）。
丘成桐先生曾經說過，大數據的處理，本質上還是數學當中的統計學。
這句話直擊重點。對於大數據的處理和使用，一個好算法和一個不好的算法，在數據處理時間上可能是幾千乃至於幾百萬倍的不同。現在的大數據處理，更多的仍然是基於經驗，尚未充分應用數學理論來指導，這帶來了極大的人力和計算成本。意識到這一點以後，各大科技公司都在焦急地尋找數學人才。這很容易理解，數學人才學習計算機工程是非常迅速且簡單，相比起工程人員精進數學來說，成本和收益可以說是非常高的。
科技公司對於數學人才的渴求，也來自於深度學習。
年紀大的一點技術人員可能還記得，最早的人工智能理論，叫做專家系統。這是一種工程化方法，把所有問題的答案都預先記錄下來並回答，形成一位計算機專家，這樣就能解決所有問題，在十幾年前，這個方法是人工智能的主要方向。然後，隨著問題的逐漸複雜化，我們看到，人工智能客服，曾經變成只會回答關鍵詞的人工智障客服。後來深度學習橫空出世。深度學習這一個目前炙手可熱的概念，事實上正是數學的勝利：線性代數。
通過將事物抽象化成為高維向量，進行矩陣運算計算出特徵來模擬人類大腦對於事物的思考方式，這正是深度學習擊敗專家系統成為各大科技公司首先的原因。
可能會有人說，這樣的數學人才，是最頂尖的少數人。其實不然，各大科技公司需要大量的擁有足夠數學素養的工程人員來把它實現出來，轉化為真實的生產力，或者進行科研。在深度學習落地這個方面，各大科技公司極其缺乏同時擁有工程能力和數學素養的複合型人才。
對於計算機科學這個世界來說，無論是科技公司還是工程人員本身，數學素養永遠都是一劑火箭助推燃料。
阿里巴巴設立了“全球數學競賽”，谷歌通過topcoder公司舉行數學大賽，IBM贊助大學生數學建模競賽，MathWork公司在數學建模競賽當中特設Matlab獎，等等等等，各大科技公司都已經赤膊下場，全球“海淘”數學人才。
更不要忘了，數學本身是多麼優美的知識，亞里士多德曾經說過：雖然數學沒有明顯地提到
善和美，但善和美也不能和數學完全分離。因為美的主要形式家是“秩序、勻稱和確定性”，這些正是數學研究的原則。學習一門又優美，又熱門的知識，對任何人來說，都是致命的誘惑，不是嗎？
閱讀更多 撲在會計上的貓 的文章
