人工智能已经从一种理念逐步转化为可运用的技能。
这个领域近期的发达发展基于三个主要成分：互联网技能带来的大数据；利用深度学习的标准算法来处理数据；超级打算机和云打算的强大打算力。
然而，个中的数学理论却没有什么打破，这也是这领域存在诸多瓶颈的本源。
我国的人口规模是发展人工智能的上风，在运用人工智能技能方面已经有了很多精良的事情，处于天下前沿水平。
只是在根本理论和算法创新方面，跟美国、英国等国尚有差距。
想要在人工智能等核心技能在国际上领先，根本理论的打破不可或缺。

人工智能对大数据的处理实质上是数学中的统计学。
然而目前尚没有完备的数学理论用以支持大数据剖析的结果。
很多数学方法还相对原始，过度依赖于履历总结，而非真正来自内在的数学构造。
这也导致了当下人工智能在处理大数据问题时还须要大量的人力和算力，乃至须要超级打算机的帮忙。
由于缺少数学理论的支持，很多大数据剖析的结果只适用于特定环境，缺少迁移性。
大数据还缺少有效的算法经典打算机的算法并不能直接应用到大数据中。

广为流传的深度学习也有很多不敷之处（大样本依赖，可阐明性差，易受欺骗等），但当前没有更好的算法来替代。
要办理这些问题，须要对干系数学理论进行深入的研究，理解大数据内在的数学构造和事理。
目前的人工智能由于打算机速率限定，只能采纳多层状构造办理问题，基于大略数学剖析而非真正的玻尔兹曼机（Boltzmann machine），无法有效地找出最优解。
在可预见的未来，如何提升量子打算机的硬件，发展更有效的数学算法，让量子人工智能与量子深度学习变成实用工具，有赖于根本科学和数学的深度结合。
很显然，没有根本科学的强力支持，运用科学是不可能做召盘尖成绩的。

天下上的万物皆与数学方程有关： 数据科学，张量，大数据，人工智能，机器学习。
数值优化，运筹学，及其在大规模机器学习中的运用。
量子打算，量子算法，及其在机器学习中的运用。
数值线性代数，矩阵打算，及其在数据科学中的运用。
大规模科学打算和高性能打算，如打算材料科学，打算量子化学，打算电磁学等的快速算法和并行算法等。
数值偏微分方程，有限元理论和方法，多重网格算法，（非）线性守恒律等。
多尺度仿照，打算流体动力学，打算连续力学，如繁芜流体，多孔介质渗流，界面问题，地球物理流，生物流体动力学等。
数值逼近论，反问题的数值解法，打算机图形学，打算共形几何，图像处理，医学影像处理等。
动力系统和混沌，非线性动力学，经典与量子（不）可积系统，耗散系统等。
随机剖析，随机微分方程，不愿定性量化及运用，统计打算，蒙特卡洛方法等及其在机器学习中的运用。
数理经济学，金融数学，精算保险等。
2019年，中国科学院推出该院200多名院士、专家耗时1年多研制的《科技发展新态势与面向2020年的计策选择》，个中就明确提到，与实验科学、理论剖析和打算机仿照这三种经典科研范式比较，大数据科学将成为一种全新的科研范式。