博文
AI时代，数学研究者能做什么：一个数学交叉学科研究者的个人视角 
精选
|
这几年AI的迭代速度超乎所有人想象，几乎每个深耕学术、技术领域的人，都会反复思考一个问题：AI飞速进化的当下，我们还能做什么？
这个问题，对数学研究者而言尤为真切。过去我们总说“数学是一切科技的基础”，但在AI普及的今天，这句话早已不能停留在教科书的标语里。很多人默认数学的价值，只剩下让AI辅助解题、完成数理推导，也就是大家熟知的AI4Math。但很少有人深究：我们深耕多年的数学，能不能跳出纸面科研，真正扎根AI产业底层、破解行业核心瓶颈，完成从理论研究到产业落地的闭环，真正实现Math4AI？
基于我多年的交叉学科研究经历，我想抛开行业通用的理论框架，分享三个我亲身接触、切实贴合产业痛点、极具落地潜力的研究方向。这三个方向看似分属硬件、计算、智能三个不同领域，实则全部指向AI时代最核心、最无解的终极瓶颈——失控的算力能耗，是从不同维度破解同一产业困境的可行路径。
需要提前说明的是，这绝非AI交叉领域的全部赛道，我也从未妄想凭一己之力深耕所有方向。AI的产业体系和学术体系极其庞大，从大模型算法、数据治理、硬件芯片，到机器人、医疗、教育、科学落地，处处藏着机遇。
我只是以一个普通数学交叉研究者的视角，梳理出三个贴合当下AI痛点、依托数学底层能力、值得青年学生入局深耕的领域。也想把这些沉淀下来的思考整理出来，给深耕数学、想要跨界AI领域的青年学生做一份真实参考。
一、光子芯片：破解AI算力的能耗困局，从硬件端降本提效
当下AI最大的产业痛点，已经不只是模型精度、算法能力的问题，而是算力能耗的快速增长，正在给全球电力、散热和数据中心基础设施带来巨大压力。据国际能源署IEA数据，2024年全球数据中心耗电量已达415 TWh，接近英国全年总用电量；预计到2030年，这一数字将增至约945 TWh。美、中、欧三大区域承载了全球85%以上的数据中心用电需求，各国电网负荷持续承压。传统“堆参数、堆算力”的AI发展模式，正在逼近能源与基础设施的现实边界。
也正因为如此，光计算会成为未来的重要方向。AI计算中大量能耗并不只来自“算”本身，还来自海量数据在芯片、板卡、服务器和数据中心之间的搬运。电子系统在高频、高带宽、大规模互连中，会遇到功耗、延迟和散热的物理限制；而光天然具有高速、低损耗、高带宽和并行传输的优势，特别适合承担大规模AI系统中的高速互连、矩阵运算加速和低功耗数据传输任务。
如果把AI模型比作不断进化的智能大脑，那么芯片与互联系统就是支撑其运转的心脏和血管。大脑再聪明，也需要心脏供能、血管输送。AI也是一样，模型再强，也离不开底层硬件持续提供高带宽、低延迟、低能耗的算力和通信能力。光子芯片的价值，正是在AI时代为这颗“心脏”提供更高效的供能和传输方式。
当然，光子芯片并不是要彻底取代传统电子芯片。更准确地说，它是在高速数据传输、低功耗互联、光计算、三维集成等关键场景中，用光信号补足电信号的短板，从物理底层降低部分算力和通信环节的能耗，压缩传输延迟，支撑下一代AI算力基础设施的升级。
我目前深耕的光子芯片设计软件PDA，正是围绕这一产业需求展开。传统电子芯片有成熟的EDA设计工具，但光子芯片，尤其是面向AI光计算和三维集成的光子芯片，仍然缺乏完整成熟的自动化设计体系。想要让光子芯片真正从实验室走向规模化产业落地，只优化器件、升级工艺远远不够，还必须搭建起从设计、仿真、制造到测试优化的全流程自动化工具，打通科研到产业的最后一公里。
很多人以为这是纯粹的软件工程，实则不然。整套产业工具体系的搭建，核心依托的是底层数学逻辑：如何优化结构布局，如何规划传输路径，如何在多重物理约束下找到更优方案，如何用算法提升设计效率、降低制造和测试中的试错成本。
这就是数学最实在的产业价值。它不是悬浮的学术理论，而是真正落地到产业底层、嵌入硬件设计流程、从源头参与降低AI算力能耗，支撑新一代算力体系迭代的核心根基。
二、量子计算：从计算表示层面寻找新的复杂度路径如果说光子芯片主要是在硬件物理层面回应 AI 的能耗问题，那么量子计算关注的则是另一个更深层的问题：如何为某些经典计算极其低效的问题，建立全新的计算表示和求解路径。
量子计算的核心意义，在于它利用量子叠加、纠缠和干涉等机制，把问题编码到量子态的演化过程中，从而在特定结构的问题上获得经典计算难以实现的复杂度优势。它不是简单把传统计算机做得更快，而是提供了一套不同于经典比特逻辑的计算范式。
这一点在科学计算中尤其重要。自然界本身就是量子的，分子结构、材料性质、化学反应、量子多体系统等问题，本来就具有量子结构。用经典计算机模拟这类系统，往往需要付出极高的计算成本；而量子计算在原理上更适合表达和模拟这些对象。因此，量子计算在量子系统模拟、量子化学、材料计算、药物发现、密码学和部分结构化算法问题中，被认为具有长期而重要的潜力。
放在 AI 时代来看，量子计算的意义不只是“更快地算”，而是为 AI 进入更深层的科学问题提供新的底层工具。未来 AI 如果要真正参与材料设计、药物研发、复杂物理系统建模和高端科学发现，就必须面对大量经典计算成本极高的问题。量子计算可能在这些特定场景中，为 AI4Science 提供新的计算基础，使 AI 不只是处理已有数据，也能够更深入地模拟、理解和设计复杂自然系统。
这也正是数学研究者可以进入的地方。量子计算背后并不是单纯的硬件工程，而是高度数学化的计算理论体系。线性代数、算子理论、谱理论、概率论、信息论、复杂度理论、图论、组合优化和表示论，都与量子算法和量子信息密切相关。许多关键问题并不只是“能不能造出量子计算机”，还包括如何设计量子算法，如何理解量子态空间，如何刻画量子纠缠结构，如何分析量子计算相对于经典计算的复杂度边界。
因此，量子计算对数学研究者的启发在于：面对高复杂度问题时，我们不能只问“需要多少算力”，还要问“是否存在完全不同的问题表示方式”。有些问题之所以困难，不只是因为计算资源不足，也可能是因为我们使用的计算框架并不适合表达它们的内在结构。量子计算提供的，正是重新理解计算结构和复杂度路径的机会。
当然，也需要划清边界。量子计算不是万能计算机，不是所有问题的通用加速器，也不是已经能够普遍解决 NP-complete 问题的工具。它真正的价值，是在具有特定数学结构和物理结构的问题上提供新的计算范式；它最值得期待的方向，也不是短期替代 GPU 训练大模型，而是在量子模拟、材料计算、量子化学、密码安全和 AI4Science 等高复杂度场景中发挥长期作用。
三、类脑智能：跳出规模内卷，从智能架构端探索高能效路径
当下AI产业的能耗悖论，最终会指向智能架构本身的问题：我们是否过于依赖“暴力算力”来换取智能？
目前行业面临的能耗压力、算力瓶颈，很大程度上来自这套规模化发展模式：模型越来越大、参数越来越多、训练数据越来越多、算力消耗越来越高。大模型路线已经取得了巨大成功，但它也带来了一个无法回避的问题：如果智能能力的提升长期依赖更大的模型、更大的数据中心和更多的电力，这条路是否具备长期可持续性？
这时，反观人类大脑，会形成非常强烈的对比。人脑大约只需要20瓦左右的功耗，却能够支撑感知、记忆、逻辑推理、语言创造、自主决策等高度复杂的智能活动。要知道，人脑拥有数百亿神经元、百万亿级神经连接，是一套极其庞大复杂的网络系统，却能实现极低能耗、极高效率的信息处理。
这也是类脑智能重新变得重要的原因。
人工智能最早的重要思想之一，确实来自神经网络，也就是希望从人脑神经元连接和信息传递中获得启发。但发展到今天，主流AI并没有真正沿着“大脑工作方式”走下去。原因也不复杂：现代AI是在工程条件下发展起来的，它必须适配GPU、大规模数据、反向传播、密集矩阵计算和分布式训练体系。尤其是大模型时代，Transformer架构的成功，本质上依赖的是可并行、可扩展、可工程化的密集计算，而不是人脑那种稀疏激活、事件驱动、低功耗、持续学习的生物智能机制。
换句话说，今天的大模型虽然仍然沿用了“神经网络”这个名字，但它和真实人脑的运行方式已经相距很远。它更像是工程化、规模化、数据驱动的智能系统，而不是对人脑机制的直接模拟。
这就解释了为什么AI越来越强，却也越来越耗能。它靠“堆规模”实现能力涌现，却不可避免地带来海量计算、数据搬运和能源消耗。相比之下，人脑的高效并不是因为它简单，而是因为它的信息处理方式本身不同：它是高度稀疏的、动态的、事件驱动的，记忆和计算并非完全分离，并且能够在与环境的持续交互中不断调整自身结构。
类脑智能的研究，从来不是简单复刻人脑结构，也不是做学术层面的仿生实验，而是立足AI当下的真实瓶颈，追问一个核心问题：人脑为什么能在极低能耗下完成如此复杂的智能活动？它的网络结构、动态学习方式、信息编码、反馈机制和记忆机制，能否启发下一代AI架构，让AI从单纯追求“更大”，走向真正的“更高效”？
这一领域的突破，同样离不开数学底层逻辑的支撑。人脑的运转，本质上涉及复杂网络的动态演化、信息的编码与传递、系统的反馈与稳定、学习过程的概率建模和优化机制。想要理解、抽象、模拟、改造类脑智能体系，搭建高效精简的新一代AI架构，依然需要依托成熟的数学思维与数理方法。
如果说光子芯片、量子计算分别是从硬件和计算范式层面回应AI的效率问题，那么类脑智能就是从智能架构本身寻找新的可能。它的核心目标，不是简单否定大模型路线，而是提醒我们：AI不能永远只靠更大的模型、更高的算力和更多的能耗向前推进。未来的AI，还需要学会像人脑一样，更稀疏、更动态、更自适应，也更高效。
这正是类脑智能在AI时代的价值：它让我们重新思考，智能是否一定要越来越耗能？如果答案是否定的，那么下一代AI的突破，就不只在模型规模上，也在智能结构本身。
结语
梳理下来不难发现，我分享的三个方向，本质是从三个不同维度破解同一个AI产业终极难题——算力能耗失控：光子芯片，从硬件物理层面降低算力能耗，解决基础设施的能耗压力；量子计算，从算法复杂度层面减少无效算力消耗，优化计算效率、降低能源浪费；类脑智能，从智能架构层面重构AI逻辑，彻底告别暴力算力堆叠的粗放模式。
三者互为补充，共同指向AI产业的未来：表层的模型迭代已经趋近饱和，未来真正的产业突破，必然来自底层计算结构、能耗结构、智能逻辑的重构。而这场关乎AI产业生死的重构，数学是无可替代的底层语言，是连接学术科研与产业落地的核心桥梁。
AI4Math的价值毋庸置疑，AI能帮我们简化繁琐的计算、辅助猜想验证、优化研究流程，助力数学领域的学术创新。但我们不能忽略，Math4AI是更底层、更长远、更贴合产业刚需的价值。AI想要持续进化、规模化落地、摆脱能耗桎梏，需要数学提供全新的计算模型、结构逻辑、优化思路，甚至是全新的硬件设计理念和智能构建逻辑。
数学是人工智能的底层根基，身处 AI 时代，数学研究者拥有广阔的研究空间。结合自身多年科研积累，我为青年学子梳理了三条贴合产业真实痛点、落地路径清晰、具备长期产业价值的研究方向，供大家参考。限于个人精力，我也难以深耕全部赛道，仅作抛砖引玉，希望能给各位带来一点启发。
https://blog.sciencenet.cn/blog-3353914-1542163.html
上一篇：《从高考出分说起：学生、老师和家长都在内卷里》
