朕心甚悦
“从博弈论的角度来看一看，数学研究的问题和人工智能研究的问题是一致的。”他说，目前弱人工智能在迈向强、超人工智能所面临的一些基础问题，其本质是来自数学的挑战。
当前人工智能变现
最核心技术在于机器学习
徐宗本表示，目前人工智能拿来“变现”最核心的技术是机器学习。而人工智能本身的基石是数学。
什么是机器学习？“人或者是智能体，通过与环境的交互来提升自己行为的这种智能叫机器学习。”他说，机器学习是把这种智能形式化为数学公式，转换成计算机可以操作的算法和软件。
而这一波人工智能的兴起是由于：深度学习的应用。通过与环境交互，调节参数来解决问题的任务求解器，可以被视作智能体。智能体可能反映为深度网络、机器人或是无人系统。
深度学习所起的作用可以类比为：总结经验。徐宗本说：“人工智能做的绝大部分的事情是把重复性的、有规律的东西总结出来，然后用来预测预报。”因此人工智能深度学习的环境非常重要，需要大量有标签的数据，以判断在一定准则下推测出的结果是否适合过去的经验。这件事情构成的技术就叫深度学习技术。
“人工智能一个最重要的场景就是指把智能体放在一个特定的环境之中，智能体完成任务，然后在环境约束之下与环境交互改正智能体的行为，这就是机器学习。”徐宗本说。
目前，由于人工智能三大驱动力——大数据、大模型、大算力技术的发展，使得现在的人工智能技术已经突破了由“不能用”到“可以用”的技术拐点。“但是要说可以‘很好用’，还有很长的路要走。”徐宗本指出。
自动化、自主化
将是人工智能发展未来十年趋势
徐宗本认为，人类距离研制出自主智能，即强人工智能还需几十年的努力。
当前人工智能用应用形态处在数据加算法形成产品的时期，这也是目前人工智能赚钱的基本形态。而现在我们依然需要人工去采集数据、标注数据，做推广泛化都还是要靠人。
即使是先进的深度学习技术，其每一层有多少个元素，每一个元素用什么非线性机制等等，都要人事先预设。“所以那些公司要养很多‘码农’去调试。还有用什么方法去训练它（人工智能）也是人为给定。”他说。
在应用层面上，目前还只能实现一个神经网络智能解决一个问题，不能对问题自动切换。徐宗本预测，未来十年，人工智能研制焦点会在机器学习的自动化层面：自动生成数据、选择数据、自动搭建神经网络结构、自动设计训练算法，对任务能够自切换、自适应。
“现在是处于人工带来智能的阶段，正在走向自动化，朝着自主化。”他说。
人工智能发展本质是5个数学挑战
需持续10到20年研究去搞清楚
既然人工智能的核心在数学，那么到底核心问题在哪？就此，徐宗本提出五个问题，而这五个问题可能将会持续10到20年的研究才能搞清楚。
第一是大数据的统计学基础问题。
当前，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却尚未完全建立。
第二是人工智能算法的基石——大数据计算基础算法，必须在大数据环境中重建起来，无法使用既有的计算方法。
第三也是更为关键的，新一轮的人工智能以深度学习为基本模型，然而现状是缺少深度学习理论，这就是造成当下“人工智能=人工+智能”的缘由。
第四个问题是非常规约束下的输运问题。
简单来说，就是“举一反三”。这项人的基本智能，涉及到两个不同分布数据间规律的转移问题，人工智能要实现起来，尚有极大困难。
第五个问题是关于学习方法论的建模与函数空间上的学习理论。
“我们在本科学到的机器学习理论，要变到一个叫学习方法论的阶段。从数学上说，就是函数空间上的学习理论怎么建立，本质是要适应不同的任务。由于任务本身是函数，是无穷的，那么就需要把过去机器学习中对样本、数据的选择、泛化，推广到对任务的泛化上去。
“由弱人工智能迈向超人工智能的基础科学问题，让大家意识到人工智能机会就在眼前。但是人工智能要做得好，要靠数学问题的解决。”徐宗本强调到，从业人员不应仅把数学作为一个辅导答疑的“老师”，而应把它作为人工智能技术的核心提供者或参与者来对待。
