“人工智能的基础是数学，人工智能要走得远，需要把数学的基本问题解决好。同时，人工智能的一些原理和方法也给数学研究带来了特别的启示，有些甚至是革命性的。”6月5日，明升中国app院院士、西安交通大学教授徐宗本在由国家数学与交叉app中心举办的“综合论坛”上如是说。

在他看来，人工智能与数学“融通共进”。

“框架性”融合

在人工智能中，与数学联系最为紧密的是机器学习。徐宗本表示，人的智能是通过与环境的交互，再加上自省，来提升解决问题的能力。而用机器来模拟这种智能时，就是机器学习。

在徐宗本看来，数学与人工智能存在着自然的“框架性”联结，两者在处理问题的方法论上存在一致性，因而能够“融通共进”。

这一“框架”中最为重要的两个部分是智能体和环境。

徐宗本认为，智能体从形态上可以是网络结构、机器人或是无人系统等。但从数学描述上来说，智能体可被认为是一个含有大量参数、可调节的任务求解器，而目前希望能找到一个递进函数，让智能体在“环境”中来提高自己。

这个“环境”特别值得关注，它有两个重要性质：首先，是可描述出来的，可以用数据、模型或知识来描述；其次是环境是可以建模的，它能够对智能体的行为给出反馈。

“上述智能体与环境结合成的统一体，便形成了机器学习系统，也就是研究问题的基本方法论，而一个智能体在环境中怎么完成任务，不同的完成任务方式和不同的利用环境方式，就构成了不同的app分支。”徐宗本说。

随后，他分享了机器学习的4个典型模型：深度学习、自编码器、对抗生成和强明升手机习。

那数学在其中发挥着怎样的作用呢？徐宗本以强明升手机习为例说，智能体想解决一个数学问题，这其中的关键是在什么环境下来解决任务，此刻这一环境便是“数学符号”，比如：数学公式、定解条件等。

徐宗本表示，“尽管数学更强调模型化，但事实上，与人工智能中智能体在环境之中去交互，来提升自己解决问题的原理和思路是如出一辙的。”

他认为，人工智能已经突破了从“不能用”到“可以用”的技术拐点，正在从“可以用”迈向“很好用”，处在从人工化走向自动化的“前夜”，迈向自主化的初级阶段。

“我们最终的目标是自主智能，即智能体对环境的自适应自控制，但还存在诸多技术瓶颈，亟需重大技术变革，我们还有很长的路要走。”徐宗本说。

AI走向深化的5大基础数学问题

“明升中国有多少数学家投入到人工智能的基础算法研究中?”这是明升中国工程院院士徐匡迪曾发出的振聋发聩之问。

华为创始人也多次强调“人工智能的本质就是数学”。

徐宗本有着同样观点，在他看来，要想实现上述人工智能的目标，在诸多要解决的难题中有5个数学基础问题值得关注。

第一是大数据的统计学基础。人工智能的应用模式由感知智能、认知智能和控制智能3部分组成，而贯穿其中的核心技术是大数据，而大数据破坏了传统统计学基础与分析方法，支持大数据分析的数学基础尚未完全建立起来。

第二是大数据计算基础算法。大数据的生成、存储、处理方式使得传统计算方法不可行，必须在大数据环境下重建大数据计算的基础算法与分析处理算法。

第三是深度学习的数学原理。徐宗本比喻说，深度学习就像高考一样，有很多缺陷，但是要找出来一个能够代替它的方法，并不容易，深度学习仍然是目前推动人工智能发展的最有效办法。但不可忽略的是大样本依赖、不可解释性等问题是其致命缺陷，亟需解决最本质的数学理论，比如：有确定数学意义的信息深度表示理论、机器学习的自动化原理等。

此外，实现不同领域的数据迁移，解决非常规约束下的输运问题；学习方法论的建模与函数空间上的学习理论也都是当下人工智能存在的基础问题，也是对数学的挑战。

AI与数学“融通”的未来

“人工智能的数学问题解决了，会推动人工智能的进步，反过来，人工智能同样推动了数学研究的创新，甚至带来了革命性的影响。”徐宗本说。

他以数学的基本问题之一“PDE”（偏微分方程）为例指出，过去数学家已经提出了有限差分法、有限元法、有限体方法等成功的数值方法，但在解决复杂边界条件的函数等时存在局限。而人工智能的方法——利用对空间的采样替代离散化的微分方法是一个全新视角和解决方案。

此外，人工智能的方法应用于地震波反演上，使得地震勘探也不再只是解偏方程数字解，而是最终对地下情况看得更远、看清楚。

“人工智能现在很‘火’。的确，人工智能正在改变我们的生产方式和生活方式，也特别地影响了数学研究者的思维方式和app研究方法论。”徐宗本总结。

他指出，数学作为人工智能发展的基石，不仅为人工智能提供新的模型、算法和正确性依据，也为人工智能发展的可能性提供支持平台。与此同时，人工智能对数学理论提出挑战，发展运用新的数学理论工具解决人工智能问题由基本重要性，会成为应用数学的重要方向之一。

“这种反作用有可能为数学不易解决的问题带来新的途径，甚至是突破。”徐宗本说。

对于未来，他表示，基于数据的人工智能和基于模型的数学方法，只有这二者结合，才能得到很好的结果。这种结合的方式包括：数据不够模型补，模型不精数据帮；机理启发，知识融入。