五个核心问题与回答
机器学习与传统算法最根本的区别是什么？
神经网络是否已经超出算法范畴？
姚期智把机器学习拆成表示与学习：先问模型模板中是否存在能解决任务的参数，再问能否在合理时间和空间内从数据找到它。机器学习的新武器是“从数据学习”，但最终仍在可计算框架内运行。
为什么 AI 再强也仍受图灵机边界约束？
规模增长和涌现能力会不会最终突破不可计算问题？
数据和模型可以扩大可解决任务的范围，却不会让系统脱离图灵机意义上的计算边界，例如停机问题仍不可解。能力未知不等于理论边界不存在。
理论极限怎样反过来帮助安全？
知道 AI 做不到什么，有什么工程价值？
如果某些密码系统在明确攻击模型下可以被数学证明安全，那么包括 AI 在内的计算攻击者也不能随能力增长轻易突破。量子密钥分发进一步把安全建立在物理规律上。边界知识因此能用来设计防线。
AI for Science 为什么被视为未来三到五年关键方向？
AI 只是加速已有计算，还是开始作出理论发现？
报告举出天文数据重建、宇宙弦与数学问题等案例，说明 AI 开始参与新的理论性结果。真正跃迁不在批量读论文，而在提出结构、连接证据并产出可由科学共同体检验的结果。
量子与 AI 会怎样互相推进？
Quantum AI 现在是产品方向还是研究前沿？
AI 已帮助量子纠错等工程，量子机器学习也可能扩展计算能力，但成熟度差异很大。它适合作为长期科学前沿，不应把潜力直接翻译为近期商业承诺。
沿着对话，回到问题如何展开
姚期智：对给定任务与模型模板，先要问是否存在某个参数可以解决任务，再问能否在可承受资源内把它学出来。
纪要：这一区分揭示“大模型足够大就一定能学会”的缺口：存在性、可学习性和工程成本是三件事。
姚期智：机器学习的重要武器，是把从数据学习加入算法体系，由此带来围棋、蛋白质折叠等突破。
纪要：数据扩展了算法设计方式，却也带来分布、偏差和验证问题。学习系统不等于无规则系统。
姚期智：AI 可以看作带有数据增强的图灵机，它不会因此解决停机问题。
纪要：理论边界不预测某个产品何时失败，但防止把“目前不知道上限”误写成“没有上限”。
姚期智：理解 AI 的限制，可以反过来寻找安全算法。特定密码系统在明确攻击模型下可证明安全，量子通信还利用物理规律建立更强边界。
纪要：安全证明必须注明假设。公钥密码的数学证明、量子协议的物理假设和真实实现漏洞不能混成一句“绝对安全”。
姚期智：AI for Science 是未来三到五年值得重点投入的方向，机器已经开始在某些科学问题上产生理论突破。
纪要：评价科研自主性要看结果能否被独立复核、是否产生新解释，以及人类在问题选择和验证中承担什么角色。
姚期智：AI 帮助量子纠错，量子 AI 也可能增强我们理解世界的方式，这是新的前沿。
纪要：双向促进的叙事很有吸引力，更需要分清已验证成果、原型能力与尚待证明的远期假设。
现场画面
