人工智能早已从一种理念逐渐转变为一种可应用的技术。 最近该领域的蓬勃发展基于三个重要诱因：互联网技术带来的大数据； 使用深度学习处理数据的标准算法； 以及超级计算机和云估算的强大估算能力。 然而物理理论却没有突破，这也是该领域诸多困难的根源。 我国人口规模是发展人工智能的优势。 在人工智能技术应用方面已经出现了很多优秀作品，处于世界前沿。 仅在基础理论和算法创新方面，与日本、英国等国家仍有差距。 要想在人工智能等核心技术上领先世界，基础理论的突破是必不可少的。
人工智能对大数据的处理本质上是物理学中的统计学。 然而，目前还没有完整的物理理论来支持大数据分析的结果。 许多物理方法还比较原始，过于依赖经验总结，而不是真正来自内部物理结构。 这也导致目前人工智能在解决大数据问题时需要大量的人力和计算能力，甚至需要超级计算机的协助。 由于缺乏物理理论的支持，很多大数据分析的结果只适用于特定环境，缺乏可移植性。 大数据仍然缺乏有效的算法，经典的计算机算法无法直接应用于大数据。
广泛普及的深度学习也存在很多缺点（样本依赖性大、可解释性差、容易被欺骗等）人工智能数学基础视频，但目前还没有更好的算法来替代它。 要解决这类问题人工智能数学基础视频，需要深入研究相关物理理论，了解大数据内在的物理结构和原理。 由于计算机速度的限制，目前的人工智能只能采用多层结构来解决问题。 它基于简单的物理分析而不是真正的玻尔兹曼机，无法有效找到最优解。 在可预见的未来，如何完善量子计算机的硬件，开发更有效的物理算法，使量子人工智能和量子深度学习成为实用工具，有赖于基础科学与物理学的深度融合。 事实上，没有基础科学的有力支撑，应用科学不可能取得顶尖的成果。
世界上的一切都与物理多项式有关：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应用。 量子估计、量子算法及其在机器学习中的应用。 数值线性代数、矩阵估计及其在数据科学中的应用。 大规模科学估算和高性能估算，如计算材料科学、计算量子物理、计算电磁学等的快速算法和并行算法。数值偏微分方程、有限元理论与技术、多重网格算法、（非线性）线性守恒定律等多尺度模拟，估计流体动力学，估计连续热气流，如复杂流体、微孔介质湍流、界面问题、月球化学流、生物流体动力学等数值逼近理论、反问题数值解、计算机图形学、估计共形几何、图像处理、医学图像处理等。动力系统和混沌、非线性动力学、经典和量子（不可）积系统、耗散系统等。随机分析、随机微分方程、不确定性量化和应用、统计估计、蒙特卡罗方法等及其在机器学习中的应用。 数理经济学、金融物理、精算保险等。2019年，中国科学技术大学推出了《2020年科技发展新形势与战略选择》，由200余名教授、专家共同编写。上学一年多了。 里面明确提到与实验科学、理论分析和计算机模拟有关。 与这三种经典的科学研究范式相比，大数据科学将成为一种全新的科学研究范式。
