人工智能基础理论的问题何在？

当前人工智能的基础理论面临的核心困境在于“工程狂奔突前，理论原地踏步”。虽然能做出来很厉害的产品，但对于它“为什么有效”“边界在哪里”等根本问题，依然缺乏清晰的数学解释和理论指导。

1. “大力出奇迹”的规模定律（Scaling Laws）遇到瓶颈

过去十多年AI的发展，很大程度上遵循着“规模就是一切”的经验——只要把模型做大、数据喂多、算力堆高，性能就会提升。但这本质上是一种经验主义，缺乏深刻的理论支撑。目前的模式已接近物理和经济学的极限。我们需要新的理论来解释如何用更少的算力和数据达到更好的智能效果，而非单纯依赖蛮力。

2. 模型本质上是“数学黑箱”

目前最先进的深度学习理论，仍无法完全解释神经网络是如何工作的。我们知道输入什么、输出什么，但中间的推理过程无法用人类语言描述。这导致在高风险领域（如医疗、金融）难以被完全信任。而且，由于不理解内部机理，工程师只能凭经验调参（炼丹），难以从根本上预测模型的涌现行为或消除幻觉。

3. 缺乏“推理”与“符号”能力

当前AI的基础理论建立在统计学和概率论之上，擅长处理相关性，但不擅长处理因果性和逻辑推理。AI需要海量数据才能学会人类通过少量样本就能理解的规律。由于缺乏对物理世界和因果关系的理解，很容易在逻辑陷阱或反事实推理中犯错。

4. 尚未统一的技术路线

目前的AI繁荣主要基于深度神经网络。但这只是探索智能的一种路径。真正的通用人工智能（AGI）是否需要结合符号主义、类脑计算或其他未知的物理原理？当前的基础理论体系尚未给出答案，也未能提供一个统一的数学框架。

这就是“十五五”规划强调要突破人工智能基础理论的原因。过去我们在应用层做得很好，但如果基础理论不突破，AI的发展很快就会触碰到“数据和算力的天花板”，也无法解决安全可控的问题。