“传统数学研究方法在人工智能时代正经历革命性变革。” 加泰罗尼亚理工大学数学系讲席教授、巴黎亨利・庞加莱研究所董事会成员 Eva Miranda 教授以团队运用人工智能技术证明流体运动轨迹的研究为例，强调这种交叉研究既拓展了人工智能的应用边界，也呈现出两者协同发展的良性关系。随着技术进步，人类将能更好地理解和解决复杂系统问题，为数学研究开辟新可能，同时推动人工智能向更深层次发展。
针对这一议题，里约热内卢联邦大学应用数学副教授兼数学研究所副所长 Fabio Ramos 教授指出，当前人工智能的核心局限在于难以有效处理真实世界的物理问题（如热传导、流体力学等）：尽管 AI 能生成逼真的模拟数据，却缺乏对底层物理规律的建模能力。为此，他提出通过数学结构将物理原理嵌入神经网络架构（而非简单引入物理变量），构建更具泛化性的框架；利用数据驱动方式实现物理规律的隐性表达，并通过物理解法指导 AI 模型设计，推动 AI 在科学计算领域实现突破性应用。
欧洲科学院院士、阿卜杜拉国王科技大学应用数学与计算科学教授许进超则强调，数学家不应仅满足于对已有 AI 模型的 “事后解读”，而应主动引领下一代 AI 发展。当前 AI 研究面临资源分配的结构性困境：数学家虽能提供理论突破，却因缺乏大算力、大数据和团队支持，难以快速验证构想。为此，他提出数学界需建立更紧密的产学研合作机制，将逼近论、优化理论等传统优势领域转化为 AI 创新的核心驱动力，强化模型架构设计、优化算法解释等关键环节。
