刘军教授：统计学是AI基石，未来核心在于不确定性量化

事件概述

在2026年全国两会期间，人工智能与大模型成为热点话题。清华大学统计与数据科学系主任、美国国家科学院院士刘军在接受《世界科学》采访时指出，这些技术发展的背后离不开统计学这一基础学科。他强调，统计学不仅是数学的分支，更拥有独立的哲学体系，其核心在于研究不确定性并进行反问题推理，是人工智能与数据科学的理论基石。

核心信息

1. 统计学与数学的本质区别：正问题 vs 反问题

• 数学（正问题）：给定条件计算事件概率。例如，已知罐中白黑球比例为7:3，计算抓取样本中特定比例的概率。
• 统计学（反问题）：从观测数据反推总体特征。例如，通过抓取的样本（如9白1黑）推断罐中真实比例，并量化这种推断的不确定性（置信度）。
• 学科定位：统计学更接近人类认知过程（“窥一斑而知全豹”），属于交叉科学的基本架构，而非单纯的数学应用。它关注整体框架和解决实际问题的推动力，具有独特的价值观和方法论。

2. 辛普森悖论与分层分析的重要性

• 现象描述：在不同分组中成立的趋势，合并到整体数据后可能完全相反。例如，医生甲整体治愈率高于医生乙，但细分到轻症和重症组别后，医生乙在各组的治愈率均更高。
• 决策启示：决策时必须纳入相关条件与潜在变量进行分层分析，避免被表面结果误导。这一悖论深刻影响了人类对因果关系的认知方式。

3. AI革命的技术根源：全面拥抱统计思想

• 历史渊源：杰弗里·辛顿（Geoffrey Hinton）等先驱在神经网络冷门期（20世纪90年代）已尝试将统计方法嵌入模型。降维技术与主成分分析（PCA）密切相关，非线性降维最终导出了生成式模型的基本框架。
• 核心技术映射：
  • 回归分析 → 推到极致即为深度学习，构成感知任务的技术基石。
  • 密度估计 → 推到极致即为生成式模型。
  • 随机逼近/随机梯度下降：源自1951年的罗宾斯-门罗算法，是强化学习和现代机器学习优化的核心手段。
• 结论：人工智能的核心技术手段均根植于统计学，统计学可视为与数学并列的自然语言，用于描述世界中的不确定性。

4. 未来核心锚点：不确定性量化

• 现状痛点：当前大模型和人工智能技术在不确定性的描述与量化方面较为欠缺。
• 统计学优势：统计学始终将置信区间、显著性等风险度量置于中心位置，具备成熟的风险评估体系。
• 发展方向：不确定性量化将是统计学未来若干年的重点研究方向，也是弥补当前AI缺陷的关键领域。

值得关注

• 因果推断理论：唐纳德·鲁宾提出的“没有操纵就没有因果关系”（no causation without manipulation）原则，强调了通过干预来界定可靠因果效应的重要性，纠正了诸如性别决定能力等错误归因。
• 排名聚合算法：刘军团队提出的BARD（贝叶斯排名数据聚合）及后续的分层-马洛斯模型，展示了统计学在处理复杂排序数据、筛选可靠评委方面的应用能力，体现了贝叶斯方法结合先验信息与客观证据的优势。
• 中文文本处理早期探索：早在监督学习普及前，统计学家已通过寻找共现字符串（词元）的方式解决古文分词问题，这与现代大语言模型的Tokenization原理高度一致，证明了统计学在自然语言处理领域的先导作用。