当AI（人工智能）狂飙，统计学和数据科学何去何从？近日，第四届统计与数据科学联合会议在贵州省贵阳市举行。3天会期、6场顶尖报告、700余场专题研讨，4名中美院士及全球20个国家和地区2000人齐聚一堂。会议共识清晰而坚定：统计学不仅不会被AI替代，反而会成为AI不可或缺的“底层逻辑”。

中国科学院院士陈松蹊指出，统计学为AI提供了算法根基与数据智慧，若失去统计支撑，AI的可靠性、适用范围和可信度将大打折扣。更重要的是，统计学能让AI走向“绿色”——将深度学习与统计分析结合，在前端做更聪明的抽样与降维，减少对算力的依赖，可大幅降低能源消耗，使AI发展更可持续。

中国人民大学教授金勇进认为，AI从大语言模型到因果推理的每一次突破，都离不开统计理论的地基。当机器学会“思考”，统计学家不可替代的价值恰在于定义不确定性的边界、设计可解释的实验、为黑箱提供白盒化校验。

南开大学王兆军教授系统阐述了统计学的三重角色。王兆军认为，统计学的角色之一是理论根基。抽样、估计、贝叶斯推理等思想贯穿所有学习算法。角色之二是可靠性“校准器”。不确定性量化、因果推断、偏差校正能有效弥补大模型幻觉与偏见，让AI更安全、更可信。角色之三是决策闭环。在生物医药、金融风控等场景中，统计提供可解释结论和可控误差，将“预测”真正转化为“科学决策”。同时，AI也倒逼统计学突破传统范式，走向“统计理论+AI+行业场景”的交叉融合。

斯坦福大学讲席教授大卫·多诺霍从2024年诺贝尔奖争议切入，认为数据科学正在改写诺奖授予逻辑：传统“理论—实验—验证”模式已让位于“公开数据集—排行榜竞争—社区协作”的新范式。他建议，应为数据科学单独设立诺贝尔奖，以认可其对现代科学的革命性贡献。

香港中文大学（深圳）教授荆炳义则聚焦AI下一站——具身智能。他透露，大模型训练数据已逼近40万亿量级，互联网公开数据几近耗尽，AI必须从“感知智能”走向与现实交互的“具身智能”。但这条路远比想象艰难：仅“机器人折叠衣物”一项，研究逾30年仍进展缓慢，仿真与真实世界间鸿沟巨大，触觉数据昂贵且难以迁移。真实世界部分可观测、动力学未知且充满噪声——而这正是统计学的用武之地。贝叶斯推理、不确定性量化、在线学习等工具，恰是构建“世界模型”的核心利器。