1815: Karl Weierstrass föds
Den 31 oktober 1815 föddes, i den westfaliska byn Ostenfelde, en pojke som skulle inleda sin karriär som lärare vid en läroverksskola på den preussiska landsbygden innan han tyst blev en av 1800-talets mest inflytelserika matematiker. Karl Weierstrass kallas ofta "den moderna analysens fader", och hans livsverk handlade mindre om att upptäcka nya matematiska objekt än om att göra de gamla pålitliga.
Före Weierstrass byggde differential- och integralkalkylen till stor del på intuition: gränsvärden, kontinuitet och infinitesimaler förklarades med bilder och sunt förnuft, vilket ibland ledde till felaktiga "bevis". Weierstrass krävde i stället precision och formaliserade gränsvärden och kontinuitet med de numera klassiska epsilon-delta-definitionerna. Han konstruerade även en kontinuerlig funktion som ingenstans är deriverbar — ett matematiskt objekt så stridande mot geometrisk intuition att matematiker tvingades inse att bilder ensamma inte längre dög som bevis.
Denna strävan efter stringens var ingen excentrisk perfektionism, utan en del av ett mycket större 1800-talsprojekt, där bland andra Weierstrass elev Georg Cantor deltog, att bygga om matematiken på explicita, kontrollerbara logiska grunder i stället för intuition. Det projektet ledde direkt vidare till David Hilberts formalistiska program, som frågade om alla matematiska sanningar kunde härledas mekaniskt ur axiom enligt fasta regler. Hilberts fråga framkallade Kurt Gödels ofullständighetssatser och, 1936, Alan Turings artikel som definierade den abstrakta maskin som bär hans namn — den teoretiska föregångaren till varje digital dator.
Weierstrass lämnade också en mer direkt gåva till dagens artificiella intelligens. Hans approximationssats visade att varje kontinuerlig funktion på ett slutet intervall kan approximeras hur nära som helst av ett polynom. Ett sekel senare blev detta resultat den matematiska ryggraden i "universella approximationssatsen", som förklarar varför artificiella neurala nätverk — staplade enkla viktade funktioner — i princip kan approximera nästan vilken funktion som helst. Det är det teoretiska skälet till att djupinlärning över huvud taget fungerar.
När ett modernt neuralt nätverk i dag tränas med gradienter och konvergenskriterier, vilar det tyst på samma krav på stringens som den unge läroverksläraren från Ostenfelde förde in i matematiken för två sekel sedan — ett bevis på att dagens AI står på grundvalar som lades långt innan någon ens föreställde sig en tänkande maskin.