WAIC 2026“数学与人工智能”创新论坛在上海顺利召开

3921 阅读 0 评论 1241 点赞

2026年7月17日下午，2026世界人工智能大会（WAIC）“数学与人工智能”创新论坛在上海世博中心银厅A举行。本次论坛由世界人工智能大会组委会办公室指导，斯梅尔数学与计算研究院、上海数学与交叉学科研究院、中国工业与应用数学学会、菲数中国主办，华院计算技术（上海）股份有限公司（以下简称“华院计算”）承办。论坛以“共振之巅：AI × 数学的范式跃迁”为主题，汇聚菲尔兹奖得主、国内外院士、专家及青年学者，围绕“数学何以塑造AI的本质能力”“AI如何改变数学研究范式”“数学与人工智能如何走向现实世界”三条主线展开深度探讨。

斯梅尔数学与计算研究院执行院长、华院计算创始人兼董事长宣晓华在欢迎致辞中回顾了数学与人工智能的历史渊源。他指出，从图灵提出“机器可思考吗”到1956年达特茅斯会议，数学家始终是人工智能学科的创立者。他强调，数学研究算法，人工智能亦以算法为核心，二者在研究对象上高度契合。他期待通过本次论坛，推动数学与人工智能在“共振”中实现更深层的融合发展。据悉，其导师斯梅尔教授在1998年为21世纪数学提出的第十八个问题——“智能的极限是什么”，至今仍具前瞻性。

主题一：数学何以塑造AI的本质能力

本环节由香港理工大学应用数学系讲座教授乔中华主持。美国国家科学院院士、清华大学兴华卓越讲席教授刘军首先发表题为《统计与数据科学是AI落地的钥匙》的主旨演讲。他从概率论与统计学的关系切入，指出统计学作为聚焦不确定性的数学分支，为人工智能奠定了核心方法基础。他以生成式扩散模型、Transformer架构、强化学习等为例，系统阐释了概率统计、贝叶斯方法、随机微分方程等数学工具如何驱动AI技术迭代。他强调，AI与数学的关系是“乘”而非“加”——只有深度拆解融合，方能实现真正的创新与落地。

在随后的青蓝对话中，美国国家科学院院士范剑青、芝加哥大学布斯商学院讲席教授修大成、上海交通大学副教授张拳石、上海数学与交叉学科研究院助理教授史良良围绕数学如何提升AI算法的鲁棒性与可解释性、因果推断与归因分析等议题展开跨代际交流。范剑青指出，数学不仅帮助AI实现预测，更推动其走向“归因”与“因果”理解；张拳石分享了团队在神经网络内在机理形式化审计方面的研究成果，指出当前大模型尽管结果正确，但背后机理存在大量不可靠因素，该问题对金融、医疗等高风控场景意义重大。

1994年菲尔兹奖得主、美国国家科学院院士埃菲·杰曼诺夫通过线上发表主旨演讲。他从线性代数、优化与统计学出发，阐释了深度学习算法的数学框架。他指出，人工智能可被视为“极具天赋的年轻数学家”，能够连接不同数学概念并解决长期难题。但在数学证明这一核心问题上，责任仍须由人类研究者承担，AI提供的论证仍需经过人类检验。

主题二：AI如何改变数学研究范式

本环节由欧洲人文和自然科学院外籍院士金石主持。伦敦数学科学研究所院士何杨辉发表题为《AI & the Future of Mathematics》的主旨演讲，北京大学博雅特聘教授董彬发表题为《智能体设计与实践》的主旨演讲。两位教授的演讲探讨了AI在数学研究中的角色演进与未来可能，内容涵盖AI辅助数学发现的历史脉络、当前自主智能体在定理证明与猜想验证方面的突破，以及AI时代数学研究范式的深刻变革。

在随后的圆桌思辨环节，由金石主持，董彬、中国科学院数学与系统科学研究院数学机械化实验室主任支丽红、上海交通大学副教授罗涛、华院计算算法研究员张亮围绕“AI与数学的‘关系’再定义”展开对话。嘉宾们就三个核心议题进行了深入交流：在数学教育与研究场景中，AI应扮演何种角色，以及其在问题求解、定理证明与猜想生成方面的潜力边界；“人工智能驱动数学”领域当前的前沿议题与值得持续推进的研究方向；以及AI需要实现何种标志性突破，方能获得数学界对其“真正掌握数学”的广泛认可，各位嘉宾并评估了当前距离这一目标还有多远。通过本次思辨，与会嘉宾一致认为AI与数学的关系正从“工具”走向“伙伴”，但距离“独立创造者”尚有漫长的道路，而这恰恰为未来的交叉研究留出了广阔空间。

主题三：数学与人工智能如何走向现实世界

本环节由乔中华主持，通过应用快闪与观澜对话展现“数学+AI”的产业落地成果。复旦大学教授刘庆富、东南大学教授李铁香、北太振寰首席执行官廖汉卿、杉数科技副总裁黄翔、华院计算算法研究员张哲分别分享了数学与AI在金融风控、医疗、仿真、工业智能决策等领域的前沿案例。

在随后的观澜对话环节，由乔中华主持，冯·诺依曼理论奖首位华人得主叶荫宇、上海交通大学自然科学研究院副院长张小群、武汉大学研究生院院长杨志坚、中国科学院数学与系统科学研究院研究员崔涛、香港中文大学（深圳）副教授王东围绕“数学与AI走向现实世界”展开交流。嘉宾们就三个核心议题进行了讨论：当前数学与AI交叉融合已在哪些领域取得有价值的落地进展；从理论到实际应用过程中面临的主要挑战及破局思路；以及如何利用数学规律与机理约束构建可信任、可落地的AI模型，以应对AI在复杂实际问题中可靠性差或违背物理常识的困境。