本质上讲，人工智能的目标就是最优化：在复杂环境与多体交互中做出最优决策。

几乎所有的人工智能问题最后都会归结为一个优化问题的求解，因而最优化理论同样是人工智能必备的基础知识。最优化理论研究的问题是判定给定目标函数的最大值（最小值）是否存在，并找到令目标函数取到最大值 (最小值) 的数值。 如果把给定的目标函数看成一座山脉，最优化的过程就是判断顶峰的位置并找到到达顶峰路径的过程。

人工智能的本质就是最优化。假设把任务比作是一碗饭，

传统的解决方法，就是根据数学公式，然后一口气吃完饭，如果饭碗小，数学公式还行，如果饭碗大，数学公式能一口吃完饭吗？

人工智能的本质就是最优化，得益于有很多优化算法，优化算法等于是一口一口吃饭，再大的饭碗,再多的饭，也能干。

本文以一元线性回归为例，

通过代码来感受下神经网络的优化算法。

人工智能在本质上也是一个最优化过程，对于我们要实现的智能，也是通过学习以求得最优解。这是一个总的大框架，人工智能的问题到最后几乎都是回到最优解问题。

不管是传统的机器学习还是大热的深度学习，亦或是大有潜力的强化学习，它们的基础核心思想都可以提升到最优化问题。