今年兩會前，馬化騰曾發表口頭預告：騰訊未來要拿出10億元建立基金，啟動“科學探索獎”，支持數學、物理等基礎科學的研究。
更早前的2016年，包括馬化騰、李彥宏、丁磊、徐小平在內的中國互聯網工業界“大佬”組團捐贈了“未來科學大獎”，單項獎金100萬美元，承諾連續捐10年。
當被問起捐款原由時，馬化騰說：“這麼好的事情怎麼能沒有我？”他希望讓數學、生命科學等基礎科學領域成為新的時尚。
然而，“硬科技”產業光砸錢不行，得砸數學家。
近年來，從高端製造需要的材料科學，到物流、交通和智慧城市離不開的運籌學，到安全技術所依賴的密碼學，再到直接卡住人工智能進展的算法層的思想革新，“硬科技”在工業界的落地，處處呼喚著數學。
去年以來引起中國普通民眾關心的半導體產業，正急需數學的貢獻。
在芯片設計、製造的繁複流程中，每個微小差別——比如不同的組件尺寸、組件材質、元器件排布等——都可能使芯片性能產生巨大差異，所謂“失之毫厘謬以千里”。
而數學的引入，則能在仿真和模擬環節代替成本高、耗時長的真實實驗，提前預判芯片的效果。
目前，科學家已找到了許多描述半導體特性的數學方程，但是在求得精確解上，數學家仍束手無策，只能藉由計算機得到近似解。隨著芯片製造難度的升級，工業界急需找到更優的計算方法。
在對新型燃料電池、高端裝備、高端製造影響深遠的材料科學領域，科學家也在呼喚數學家的跨學科援助。
如離散幾何分析極有可能助力對納米多孔材料的研究，這一材料在研發新型催化劑上有廣泛的應用前景，而新型催化劑又有可能攻克氫燃料電池的應用難題，從而帶來新一輪的汽車革命。
而如今大熱的人工智能領域，數學缺席的瓶頸感格外明顯。
業界對過去一年的人工智能有一個評價：2018年，人工智能的進展就是沒有進展。
《浪潮之巔》作者、硅谷風險投資人吳軍有一個判斷：“人工智能技術20年內不會有大突破，因為今天的人工智能已經用光了40年來所積累的技術紅利。”
這要追溯到神經網絡、深度學習方法的緣起。上世紀70年代，計算機科學家就開始研究神經網絡在推進人工智能上的可行性。
在《甲小姐對話特倫斯》一文中我們曾提到，當時，人工智能開山鼻祖之一馬文·明斯基認為神經網絡有數學上的侷限性，在他的權威震懾下，神經網絡在此後近40年裡一直無緣主流。
2012年之後，主流快速翻轉，深度學習在“大算力+大數據”加持下獲得神速進展，功能主義取代理論體系成為人工智能領域的尚方寶劍，但花開遍地後，卻遇到了能力進一步提升的關卡。
關卡背後的深層原因是，神經網絡和深度學習，是對以邏輯、規則為基礎的“建制派”的顛覆：好處是在結合大數據之後效果立竿見影；壞處則是深度學習成了一個人們只知其然而不知其所以然的“黑匣子”，效果顯著，卻缺乏數學理論支持。
到2016年，人工智能領域的頂級賽事ImageNet中的神經網絡層數已達到了1207層，工程思維一度蓋過科學思維，但要想進一步發揮作用，沒有底層理論支撐很難突破。
在2017年的中國計算機大會（CNCC 2017）上，首位華人菲爾茲得主、哈佛大學終身教授丘成桐曾從數學家的角度發出提醒：
人工智能需要一個堅實的理論基礎，否則它的發展會有很大困難。
如今，中國工業界對攀登人工智能高地躊躇滿志，在應用領域也是“形勢一片大好”，誕生了諸多知名的業界公司，但卻面臨著丘成桐提及的“基礎不牢”的隱憂。
上週五接受《經濟觀察報》採訪時，中國科學院院士、清華大學教授張鈸提到了中國人工智能領域目前仍長於跟隨，不擅拓荒：
我們的從眾心理很嚴重，比如在人工智能領域，深度學習很熱，發表論文的作者中幾乎70%是華人，但是其他非熱門領域，包括不確定性推理、知識表示等幾乎沒有華人作者。這就是從眾扎堆，不願意去探索“無人區”。
當被問及瓶頸該如何突圍時，張鈸院士給出了兩個方向：“一是數學，二是腦科學。”
何時可以迎來突圍？
院士的回答，真誠中有一點無奈：
“很難預計，我們也很著急。”
感謝您的閱讀！
甲子光年ID：jazzyear
一家致力於服務科技產業化、產業科技化的智庫，我們提供資源對接、FA和品牌服務
如有合作意向或報道線索請聯繫：
相關推薦
