人工智能的理论基础远超统计学范畴
“60多年来，人工智能不断吸收和借鉴数学、计算机科学、脑科学、认知心理学、物理学、信息科学等不同学科的理论、方法和技术，形成了体系庞大、分支丰富、学派纷呈的新一代人工智能发展态势，推动了科技进步和产业转型，岂是一个统计学能够概括的!”中国人工智能学会智能产品与产业工作委员会主任、原中国人工智能学会副理事长韩力群说，研究和开发具有人类智能特点的智能机器，使其能够像人一样处理信息、提炼规律和调度知识，是科技发展的必然趋势。
中国人工智能产业发展联盟副理事长、京东集团副总裁、AI平台与研究部负责人周伯文认为，人工智能的发展不仅依赖于算法和算力，数据的积累也很重要。以目前深度学习大热的研究领域计算机视觉为例，一个好的识别需要庞大的数据库，这样才能不断降低误识率。
“人工智能绝不仅仅只是一种统计学。虽然在分类、预测、随机分布等常见问题上，它深度融合和借鉴了统计学的一些经典理论，让人工智能建立在严格的数学基础之上。”周伯文告诉科技日报记者，除此之外，人工智能的重要理论基石还包括认知科学、计算机科学、优化和博弈论、图灵机理论、信息论等，这都远远超出统计学的范畴。
三次发展浪潮中统计学作用有限
起源于20世纪50年代的人工智能，其发展经历了三次大的浪潮。那么，统计学究竟起到了什么作用?
“第一次浪潮是以注重逻辑推理为标志的问题求解和语言处理时代，在支撑这类人工智能成果的关键技什么是020营销模式术中，统计学的应用难觅踪影。”韩力群说，第二次浪潮是以依托知识积累构建模型为标志的专家系统时代，同时霍普菲尔德网络(是一种反馈型神经网络)和基于误差反向传播算法的前馈多层神经网络也有一席之地。在离散霍普菲尔德网络中，美国加州工学院物理学家约翰霍普菲尔德使用了统计力学的方法，分析网路的存储和优化特性，解决了数学领域中著名的旅行商(TSP)问题。
正在进行的第三次浪潮，则是以重视数据、自主学习为标志的认知智能时代，高等代数、概率统计、优化理论等不同学科的数学工具被引入机器人学习领域，一大批新的数学模型和算法被提出且得以发展。
“在前向神经网络的基础上，多伦多大学教授杰弗里辛顿提出深度学习，并在AlphaGo、无人驾驶汽车、语音识别、自然语言理解等方面取得良好进展。深度学习涉及的数学基础，除了概率统计理论，还有线性代数、优化理论和微积分等。”在韩力群看来，显然，统计学是人工智能的众多数学工具中的一种，但绝非全部。
周伯文则表示，未来，在进一步利用和发展已有的数学、统计学、计算机科学等基础理论的前提下，人工智能的研究和进一步突破，还需我们全面理解智能和认知的产生和表达机制，从而真正掌握认知的科学规律，达成从狭义人工智能到广义人工智能，再到通用人工智能的飞跃。
