AI人工智能新時代中應用數學的作用——SIAM美國工業與應用數學學會AI人工智能特別工作組報告2026-2

★置頂zzllrr小樂公眾號《小樂數學科普》新鮮送到！

美國工業與應用數學學會（SIAM）AI人工智能特別工作組（AI Task Force）近期報告指出：應用數學是 AI 可靠、可解釋、可泛化的基石，需加大投入以支撐美國國家安全、醫療、能源等領域可信 AI 發展。

作者：SIAM（美國工業與應用數學學會）

AI人工智能特別工作組 2026-2

譯者：zzllrr小樂（數學科普公眾號）2026-4-15

摘要

人工智能正快速重塑科學、國家安全、醫療健康、能源系統、農業及美國勞動力市場。聯邦機構、高校與產業界正以前所未有的力度與緊迫性大規模投入部署人工智能系統。但一個關鍵缺口正在顯現：人工智能投資的快速增長，并未匹配對應用數學科學的投入 —— 而應用數學是現代人工智能的基石，也是其可靠、可持續部署與創新的必要條件。

• 若不加大應用數學研究投入，人工智能將難以在高優先級、高風險任務中充分發揮潛力，這些任務需要更高的可信度與效率。

• 若加大應用數學投入并將其納入跨學科研究，人工智能將具備可預測、可解釋、安全可靠的特性，成為美國競爭力的核心驅動力。

應用數學是基礎性設施與創新思想的源泉。它提供的工具能讓人工智能系統高效運行、遵循物理規律、量化不確定性、在訓練數據之外泛化、抵御對抗性操縱，并在現實約束下支撐決策。缺少這一基礎的持續投入，人工智能系統無法在預測性科學任務中實現全部潛能。

美國工業與應用數學學會（SIAM）代表全球 14000 余名應用數學家與計算科學家發布本報告，闡明應用數學對人工智能的關鍵支撐作用與未來愿景，為國家層面人工智能戰略與優先級討論提供參考。

本報告所述的當前與未來人工智能能力，無法僅靠現有數學工具實現。新一代人工智能能力將建立在數十年應用數學研究基礎之上，通過將數學嚴謹性與現代人工智能系統深度融合而誕生。核心問題是：如何延續人工智能的非凡創新歷程 —— 現代應用數學一直是其主要推動力。隨著人工智能重塑科學發現、決策與國家基礎設施，它同時也在拓展應用數學的研究前沿，而這些前沿必須持續推進才能支撐人工智能進步。因此，美國在人工智能領域的持續領先，依賴聯邦對應用數學研究的投入，并與人工智能部署投資并行推進。

為何這項工作刻不容緩

美國正處于關鍵轉折點。數十億美元的聯邦人工智能投資、快速的商業落地、覆蓋全校的人工智能計劃，共同決定了未來數十年國家科學、經濟與安全格局。

與此同時：

• 人工智能系統部署速度，已超過人類理解、驗證、認證與治理的能力。

• 聯邦機構啟動大規模人工智能項目并期待短期見效，卻往往未對理解、評估與系統性改進人工智能所需的數學基礎進行同等投入。

• 高校圍繞人工智能調整招聘、課程與科研基礎設施，卻常未配套投入應用數學，將對長期人才結構造成深遠影響。

• 全球產業領導力正從擁有最多數據的一方，轉向具備數學洞察力、能將人工智能原始潛力轉化為可靠、高效、可擴展、自主可控經濟實力的一方。

若無堅實數學基礎與持續數學創新，這些投資可能造出不透明、低效、與國家目標脫節的人工智能系統。以數學為核心，人工智能將成為發現、韌性與競爭力的引擎，成為持續創新的源泉。

核心觀點：應用數學能提供純人工智能無法實現的能力

應用數學研究賦予了人工智能系統關鍵特性，而當人工智能被簡化為純數據驅動方法時，這些特性會丟失。應用數學持續產生新方法，讓人工智能在規模化應用中可靠、高效、可信。這些特性及對應應用數學領域包括：

• 科學有效性

  遵循物理定律、約束條件與第一性原理推理

• 效率與可擴展性

  代理模型、降階模型、面向大規模系統的快速算法

• 可解釋性與可信度

  不確定性量化、因果推理、形式化可解釋性

  
  

• 安全與保障

  可證明邊界、對抗魯棒性、驗證與確認

  
  

• 泛化能力

  從稀疏、噪聲或不完整數據中可靠學習

這些特性并非靜態；隨著人工智能系統愈發復雜、耗數據、任務關鍵，它們高度依賴應用數學研究的持續突破。簡言之，應用數學投入將讓人工智能從僅做關聯分析升級為可預測，從推測升級為可執行，幫助量化人工智能決策中的不確定性。

人工智能并非脫離應用數學而誕生；恰恰相反，現代人工智能源于應用數學研究的突破，其持續成功依賴該領域的持續創新。要保持進步，二者的緊密聯系必須保持健康與活力。

本報告通篇案例既展示過往應用數學研究已實現的成果，也說明持續投入將如何支撐更大規模、更復雜、更高風險的人工智能部署。

應用數學：可靠人工智能的基石

應用數學確保人工智能系統充分發揮潛力，核心支撐能力包括：

• 效率

  可擴展算法與模型降階

• 驗證

  可證明邊界與形式化保證

• 不確定性

  風險下的決策

• 泛化

  適應新場景

• 約束

  物理與守恒定律

各領域呈現同一規律：經典模擬或現代人工智能獨立運作均不足夠。最成功的方案融合四類要素：

• 數據驅動學習

• 機理建模

• 數學約束、驗證技術與不確定性量化

• 高效嚴謹的數值算法作為構建模塊

這一混合范式以人工智能的數學基礎為核心，將數據驅動學習與數學結構融合，支撐認證式人工智能、自主實驗、數字孿生、高風險場景決策支持系統等新興能力。在每種場景中，人工智能提供規模與適應性，應用數學提供預測、驗證與控制所需的嚴謹方法。二者結合，讓系統從回溯式模式分析走向前瞻、決策相關的洞察。

數字孿生清晰體現這種融合。例如在醫療健康領域，數字孿生目標是刻畫單個患者 —— 不是人群平均統計模型，而是結合實時醫療數據與機理數學模型的個性化預測系統，以提升診斷并驗證患者預后。人工智能在構建、優化、驗證這些模型中至關重要，但數學基礎賦予數字孿生預測與解釋能力：模擬 “假設” 場景、量化不確定性、隨患者狀態變化調整干預與緩解策略。

科學發現、能源系統、國家安全領域正涌現同類方案：數字孿生支持不確定性下的決策，而非僅做回溯分析。這些能力無法僅靠數據驅動人工智能實現；它們依賴應用數學突破，讓人工智能可預測、可驗證、可執行。

盡管基礎原理跨領域通用，但各應用場景對人工智能提出獨特需求，凸顯應用數學不同研究前沿。以下五大領域展示應用數學如何將人工智能從愿景轉化為能力：國家安全、醫療健康、能源系統、農業與韌性、物理科學。

領域無關型人工智能在高風險環境中的局限

當現有人工智能部署在失敗后果不可逆的環境中，其局限性愈發明顯。此類場景中，系統必須在不確定性、信息缺失、蓄意干擾下運行，預測稀有事件、區分信號與欺騙、在環境突變時保持可靠。

在對抗與競爭環境中，當前主要依賴相關性的人工智能系統，缺少壓力下行為預測所需的保證。當對手適應或數據偏離歷史模式時，統計精度無法保證魯棒性、可驗證性或安全運行。

嚴謹數學方法為未來人工智能在這些場景下可靠運行提供基礎。這類方法能表達物理約束、量化不確定性、實現驗證。這將把人工智能從模式識別工具轉變為適合關鍵任務的決策支持能力。

全新數學方法的需求在國家安全應用中最為突出：錯誤代價不以性能指標衡量，而以戰略與作戰風險衡量。滿足這些場景的人工智能需求，需要持續應用數學研究，為不確定性量化、對抗魯棒性、約束優化、驗證等開發新理論與算法 —— 現有保證已不足以支撐人工智能在高風險對抗環境中部署。

國家安全案例揭示普遍規律：凡人工智能需支撐不確定性下的決策，數學就是系統可信的基礎。支撐國家安全領域對抗魯棒性與驗證的數學原理，同樣支撐安全與責任至關重要的民用領域可靠部署。能刻畫戰略與對抗主體的新型數學技術，可實現早期檢測與魯棒響應。

面向國家安全的人工智能

高風險、對抗性系統需要提供保證的人工智能工具，而非僅提供預測。

與防擴散、互聯基礎設施安全相關的國家安全問題，需要人工智能突破以應對低數據 / 多變數據環境。特別是將快速演進的基礎模型與遙感數據結合，再融入知識驅動的系統理解，可實現極微弱、高噪聲化學生物放射核（CBRN）信號的早期檢測。脫離原始數學基礎的人工智能模型，無法解決這類 “大海撈針” 問題。

必須用數學技術整合物理、環境、人文領域知識，提升檢測精度、深化過程理解、支撐潛在路徑與傳播機制推斷，讓人工智能有效增強作戰能力。

應對國家關鍵基礎設施的物理與網絡安全威脅，也需要基礎設施運行及其與人類系統協同演化的精細模型。用計算模擬對多尺度、多網絡運行系統做動態刻畫，對檢測、響應、反事實分析至關重要。僅依賴統計模式識別、未嵌入數學模型與領域約束的人工智能系統，無法可靠用于反事實分析 —— 缺少上下文信息。相反，人工智能與應用數學模型融合，將更可靠、可解釋，適合高風險決策。

在國家安全場景中，只有持續數學創新，才能讓人工智能從分析支持升級為可信的戰略與作戰決策工具。

信任、不確定性與風險決策：從預測精度到臨床可信

隨著人工智能越來越多地指導現實決策，一個根本局限顯現：僅靠預測精度不足以負責任地使用。在許多高風險場景，決策者不僅需要知道人工智能預測結果，還需要知道置信度、何時可能失效、建議如何權衡競爭風險。

面向醫療健康的人工智能

臨床決策要求人工智能向醫生與患者傳達不確定性、局限性與推理依據，而非僅給出診斷。

從醫學影像檢測疾病的人工智能模型可達到高平均精度，但在患者群體、成像協議不同的醫院表現參差不齊。若無不確定性估計，臨床醫生無法判斷預測對個體患者是否可靠。將新型應用數學工具融入未來人工智能，將實現不確定性感知模型：量化置信度、標記分布外案例，讓醫生安全地將人工智能輸出整合到患者護理決策中。

人體與器官系統的實時多尺度數字孿生，將催生新一代個性化預測模型，通向個性化與精準醫療。例如，基于胰島素泵與血糖水平的糖尿病治療新進展，將推動這類閉環控制系統前沿。基于個性化飲食與微生物組的靶向癌癥治療 / 管理、腸道健康治療給藥機制，將催生全新療法。

數學算法將人工智能原始診斷能力擴展為臨床可用的決策支持工具，改善人群健康。

這些挑戰普遍存在于：決策影響個體結果、數據不完整 / 有偏、承擔倫理與法律責任的場景。以優化性能指標為主要目標的人工智能系統，往往難以提供透明不確定性估計、跨異質人群泛化、解釋不同假設下的預測變化。無明確防護部署時，即便平均精度很高，也會削弱信任。

在醫療健康領域，應用數學為從人群層面預測轉向實踐可信的個體化決策支持系統提供基礎。數學框架實現不確定性顯式表達、與已知約束保持一致、支持因果推理而非僅關聯分析。通過讓不確定性可見、決策可審計、模型行為對醫患可解釋，應用數學讓人工智能輸出成為人類判斷的輸入，而非黑箱結論。

這些能力在決策需個體化、可解釋、可追責、錯誤直接影響人類福祉的領域至關重要。持續投入應用數學研究，對擴展與規模化這些能力、讓人工智能以適當信任、監管與透明度負責任部署至關重要。

這些挑戰讓醫療健康成為最清晰案例之一：人工智能系統必須以數學為根基，才能在現實決策中贏得信任。滿足這些要求不僅需要應用現有方法，還需要持續開展不確定性量化、因果推斷、可解釋性、風險決策等應用數學研究 —— 人工智能正越來越多地影響高風險臨床與公共衛生決策。

國家尺度的效率、穩定性與控制：物理約束實時系統中的人工智能

許多最重要的人工智能部署并非執行孤立預測任務，而是大型緊密耦合系統的組件，需持續安全運行（如電網）。此類場景中，人工智能必須實時響應變化、擾動下保持穩定、遵守嚴格物理與運行約束。微小錯誤可快速傳播，將局部不精確升級為系統級故障。

由非線性動力學、反饋回路、守恒定律支配的系統，需要遠超人工智能統計近似的能力。無顯式約束與驗證，人工智能驅動決策可能放大而非管控波動性。純數據驅動人工智能模型脫離物理系統的數學結構后，在這類環境中表現不佳 —— 模式識別 alone 無法保證訓練數據覆蓋條件之外的穩定性、安全性或可靠行為。

對形式化方法的投入將提供結構，讓人工智能在這些限制內可靠運行。數學框架實現物理定律表達、系統動力學分析、不確定性下魯棒控制策略設計。動力系統分析、約束優化、模型降階、不確定性量化等技術，將人工智能從預測工具轉變為復雜系統的可控組件。

這些能力對所有大規模、實時、嚴格安全要求下的人工智能部署至關重要。此類場景中，效率與穩定性不可分割，創新依賴保證而非啟發式規則。需要全新研究人工智能與物理系統的交互，為可擴展、可靠人工智能提供基礎。

能源領域清晰表明：可擴展人工智能必須受約束、可驗證、可優化，而非僅被訓練。實現這些能力需要持續應用數學研究，拓展動力系統理論、優化、不確定性量化、控制方法，為國家尺度運行的人工智能驅動、數據密集型能源系統提供保證。

面向能源系統的人工智能

實時物理約束系統需要壓力下穩定的人工智能，而非僅平均精度高。

能源系統正經歷百年一遇的轉型。電網級聯故障需要電網精細刻畫，以及對潮流、控制機制、隱性故障模式的第一性原理理解。純人工智能驅動模型無法可靠預測級聯故障 —— 這類故障源于繼電器協同控制動作與由此產生的非線性潮流問題。此外，隨著電力系統因復雜負荷與發電機組發生重大轉型，許多運行模式下無足夠數據訓練人工智能模型。最終，包括對抗攻擊與極端天氣在內的新型威脅，讓應急分析更具挑戰。同時，網絡安全考量愈發重要，需要作為實時數字孿生的一部分表達。

人工智能系統需與底層電網數字孿生耦合，提供潛在級聯故障實時評估與自動控制方案以降低影響。需要應用數學基礎研究與協同設計，開發快速潮流求解器與動態傳輸模型、計算故障模式、基于重要性采樣的新方法識別可能導致區域系統崩潰的稀有事件，并將這些方法整合到高效魯棒的人工智能系統中。

數學模型將讓人工智能支撐實時能源運行，不增加系統風險。

泛化、稀疏數據與多尺度決策：數據匱乏環境耦合系統中的人工智能

人工智能部署最具挑戰的環境，往往具備稀疏、噪聲、異質數據，以及跨多時空尺度演化的動力學特征。此類場景中，決策需在信息不完整、長反饋回路、物理 / 生物 / 經濟 / 人文因素耦合下做出。核心挑戰并非孤立預測，而是在可用數據特定條件之外可靠泛化。

純數據驅動人工智能系統在此類環境中常表現不佳 —— 它們被優化為在歷史數據集內插值，而非向新條件外推。在受控或局部場景表現良好的模型，跨區域、季節、運行環境時可能失效。無顯式結構，人工智能無法推理未見過的場景、量化不確定性風險、支持環境變化下的規劃。

應用數學研究投入將提供解決這些局限的工具。數學框架讓人工智能系統表達多尺度動力學、整合異質數據源、在耦合子系統間傳播不確定性。通過將機理結構與約束嵌入學習過程，數學創新讓人工智能從模式識別升級為決策支持、反事實分析、風險感知規劃。這些能力對結果依賴跨尺度交互、延遲 / 間接效應與即時預測同等重要的系統至關重要。

這類環境對泛化、魯棒性、可解釋性提出極高要求。在此類場景中，數學結構理解讓人工智能在數據有限、環境變化、決策需考慮長期后果時保持可用。在農業與韌性規劃中，應用數學讓人工智能系統超越歷史數據泛化，在環境變化時保持有效。

農業凸顯：泛化能力（而非基準性能）是現實系統中人工智能的真正檢驗。解決這些挑戰需要持續開展多尺度建模、泛化理論、不確定性傳播、稀疏數據決策等應用數學研究 —— 人工智能正被推向傳統假設不再成立的復雜耦合環境。

農業案例強化本報告核心原則：部署在復雜現實環境的人工智能系統，必須以捕捉結構、不確定性、尺度的數學模型為根基。無這些基礎，人工智能無法成為韌性與可持續性的強大工具。表征人 - 自然耦合系統的新型數學方法，可助力解決糧食安全問題，同時保障可持續農業實踐。

面向農業與韌性的人工智能

跨多尺度、數據稀疏環境的決策，需要能超越歷史觀測泛化的人工智能系統。

從歷史數據預測作物產量的人工智能模型，在單一區域表現良好，但應用于新氣候、土壤條件、極端天氣事件時可能失效。無顯式結構，這類模型難以向觀測條件外推。應用數學突破已實現多尺度建模與不確定性傳播，讓人工智能系統支持風險感知規劃，而非脆弱的單點預測。

需要持續應用數學研究投入，將這些能力擴展到颶風、洪水、干旱、極端天氣等農業風險管理挑戰 —— 理解傳播、疊加效應、緩解策略至關重要。這些模型可整合復雜拓撲、物理條件、植被與城市景觀，開發面向高性能計算的模擬，再與人工智能模型耦合，實現實時預測與緩解措施。數學模型可用于刻畫糧食生產到市場的復雜供應鏈，以及極端天氣對這些集成糧食系統的風險。

人工智能方法與數學模型結合，可實現灌溉用水最優利用、病蟲害早期檢測。

新型多尺度數學模型，可在環境變化、數據有限時支撐人工智能驅動的魯棒決策系統。

從探索到預測發現：作為科學儀器的人工智能

人工智能正越來越多地用于加速發現：探索大型設計空間、識別復雜數據模式、提出新假設。這些能力有望重塑科學與工程流程，實現比傳統方法更快的迭代與更廣泛的探索。但探索不等于發現。科學進步最終依賴可預測、可重復、理論根基扎實的結果。

在科學發現中，缺少理論與數學根基的現有人工智能系統，往往難以滿足可重復性與有效性標準。許多科學場景中，數據稀疏、獲取成本高或危險，底層系統受物理定律、對稱性、過程間未知反饋、守恒原理支配 —— 僅靠數據無法可靠推斷。生成合理輸出但未遵守這些約束的模型，可能加速探索，但無法提供科學理解或下游應用所需的保證。

應用數學創新將為人工智能成為科學儀器（而非僅探索工具）提供基礎。數學框架實現物理定律融入、過程間非線性反饋、因果推理支撐、不確定性量化與驗證的嚴謹方法。這些工具讓人工智能區分信號與噪聲、在觀測數據之外泛化、從有限數據中抽象基本結構以實現高樣本效率，確保結果可檢驗、可重復、可拓展。數學不會替代科學推理，而是讓人工智能有原則地增強科學推理。

這些能力對所有人工智能需貢獻基礎理解而非表層模式發現的場景至關重要。此類場景中，無嚴謹性的速度不足夠。應用數學將確保加速發現保持可靠、可解釋、可預測，讓人工智能推動科學而非僅探索科學。

盡管加速發現常被表述為僅加快傳統科學方法的離散步驟，但這些數學基礎將實現更深刻的變革：我們正從增量速度提升，轉向發現周期的根本性重構。將假設生成、實驗設計、自主測試統一為集成回路，我們能實現序列方法（即便用最快高性能計算）無法企及的突破性發現。

面向物理科學的人工智能

科學發現需要可預測、可重復的人工智能系統，而非僅探索性。

生成式人工智能模型可快速提出候選材料或實驗配置，但無物理約束可能產生非物理或不可重復結果。人工智能提出非物理解的案例已有大量記錄。例如，用訓練好的發動機數據人工智能模型尋找最優運行設置，結果得到一臺消耗而非產生二氧化碳的內燃機 —— 顯然荒謬。因該案例參數少，錯誤易修復；但對更大模型，非物理行為可能更難檢測。

應用數學實現物理知情建模、反問題構建、驗證，讓人工智能生成的假設可檢驗、優化、信任，成為科學發現流程的一部分。

應用數學可將人工智能通用能力擴展到科學發現需要可靠性、可重復性、預測力的領域。

在傳統人工智能失效的數據匱乏環境中，基于新型應用數學的人工智能，能將碎片化物理知識與稀疏數據融合。這種融合將生成純數據驅動或純理論方法單獨無法企及的突破性假設。

實現這一愿景依賴持續應用數學研究，為反問題、不確定性量化、符號與混合建模、驗證開發新理論與算法，讓人工智能嵌入科學發現核心流程。

物理科學展示了數學賦能人工智能的全部潛力：不僅更安全可靠的系統，還有更快更深入的發現，解鎖僅靠規模無法實現的全新路徑。當人工智能以應用數學為根基，它將成為科學領導力、技術創新、長期經濟增長的倍增器。

跨領域數學能力

盡管應用場景不同，它們依賴一套跨領域共享的核心數學能力：

• 不確定性量化與反問題，尤其在數據稀疏或高風險環境

• 優化與控制，包括約束與不確定性下的決策

• 動力系統與多尺度方法，實現跨時空尺度整合

• 模型降階與代理模型，提升效率，支撐實時預測與控制

• 基于高性能計算的數值與離散算法，利用新型計算硬件實現更快更精確方法

• 驗證、確認與認證，對監管或對抗環境部署至關重要

• 快速多重線性（張量）與非線性代數，提升人工智能運算效率

對這些領域的持續投入，對聯邦任務范圍內人工智能的成功至關重要。

對聯邦機構的啟示

人工智能并非應用數學的新應用領域；它改變了應用數學研究本身的性質。將學習系統與穩定性、不確定性、正確性保證融合，需要新理論、新算法、新計算框架。若無應用數學研究突破，無論數據與算力投入多大，人工智能系統仍將脆弱、難認證、部署成本高昂。

對聯邦機構而言，將應用數學視為人工智能基礎意味著：

• 在人工智能重點工作中明確納入應用與計算數學，如能源部（DOE）創世紀任務、國家科學基金會（NSF）人工智能研究所與科學人工智能新計劃、戰爭部（DOW）多學科大學研究計劃、國立衛生研究院（NIH）人工智能計劃、高級研究計劃局（ARPA）項目，及其他團隊式人工智能設計開發方案。

• 支持 NSF、DOE、DOW 的長期核心數學研究計劃，聚焦數學基礎突破與新型數學工具，為后續人工智能專用創新提供種子。

• 擴大合作，如 NSF、DOW、NIH 在數字孿生領域的合作，及 DOE“先進計算科學發現（SciDAC）” 合作計劃，支持小型團隊攻克數學創新與科學專業融合的特定挑戰，打造新型人工智能系統。

• 大幅擴大人才機會，構建未來人工智能人才所需數學技能，提升應用數學家在人工智能研究中的作用。NSF 研究培訓計劃、DOE 計算科學研究生獎學金等現有有效項目可擴大規模。還應探索新計劃，如 NSF 正考慮的人工智能服務獎學金。醫療領域亟需加強聯系，開發連接應用數學家與生物醫學健康研究界的培訓，讓雙方具備高效協作所需技能。
  
  
• 通過美國國家標準與技術研究院（NIST）人工智能標準與創新中心（CAISI）及政府人工智能行動計劃提出的沙箱機制，將驗證、不確定性、可靠性作為測試與驗證的核心指標。

從國家安全、醫療健康、能源、農業到物理科學，從一開始就整合計算與應用數學的項目，將產出更可靠結果、降低下游風險、加速任務影響。

對高校的啟示

對高校領導者而言，這一時刻既是機遇也是責任。可持續人工智能項目需要：

• 招聘策略：加強應用數學與計算機科學并行建設

• 課程體系：將建模、高效算法開發、形式化驗證、不確定性量化、優化融入人工智能教育

• 機構支持：以數學嚴謹性與理解為根基的跨學科合作

忽視這些基礎的高校，可能培養出僅會部署人工智能工具、卻無法構建可信人工智能系統的畢業生。

對產業界與公私合作伙伴關系的啟示

對產業界而言，以數學為根基的人工智能降低部署風險、提升效率、加速創新。與應用數學家的戰略合作（包括研究生與博士后實習），對構建能源基礎設施、醫療服務等關鍵任務環境可信人工智能系統至關重要。

貢獻者（按字母順序）

Alejandro Aceves，南衛理公會大學

Kevin Carlberg，華盛頓大學

Bert Debusschere，桑迪亞國家實驗室

Abba Gumel，馬里蘭大學

Aric Hagberg，洛斯阿拉莫斯國家實驗室

Lior Horesh，IBM

Vipin Kumar，明尼蘇達大學

Sven Leyffer，阿貢國家實驗室

Madhav Marathe，弗吉尼亞大學

Jonathan Mattingly，杜克大學

Miriam Quintal，Lewis-Burke Associates LLC

Erin Raymond，弗吉尼亞大學

Karen Willcox，德克薩斯大學奧斯汀分校

Carol Woodward，勞倫斯利弗莫爾國家實驗室

本文DOI:10.1137/26M1860195

參考資料

https://www.siam.org/media/b03hwuwe/siam-report-ai-task-force.pdf

小樂數學科普近期文章

·開放 · 友好 · 多元 · 普適 · 守拙·

讓數學

更加

易學易練

易教易研

易賞易玩

易見易得

易傳易及

歡迎評論、點贊、在看、在聽

收藏、分享、轉載、投稿

查看原始文章出處

點擊底部一起捐

助力騰訊公益

點擊zzllrr小樂

公眾號主頁

右上角

置頂★加星

數學科普不迷路！