在人工智能（尤其是深度学习主导的当代）时代，统计学非但没有过时，反而扮演着基石性、不可替代的核心角色。

如果说AI是试图让机器产生“智能”的工程，那么统计学就是赋予这种智能理性与可度量性的科学。具体作用体现在以下几个关键层面：

1. 学习的理论基础
AI的“学习”本质上是从数据中推断规律，这正是统计学的核心任务。机器学习中的归纳偏置就是统计学先验知识的体现。深度学习里的损失函数如交叉熵、均方误差，都直接脱胎于统计学的最大似然估计原理。
2. 提供核心学习范式
主流的监督学习，本质就是统计学中的推断或函数拟合。而当前AI的支柱——深度学习，无论是卷积神经网络（CNN）还是Transformer架构，其训练核心依然是最小化经验风险，这是一个标准的统计优化问题。
3. 模型评估与比较的依据
训练好的AI模型如何评估？统计学的假设检验、置信区间提供了严谨方法，来判断准确率的提升是真实有效还是随机波动。广泛使用的交叉验证、Bootstrap方法，以及衡量模型泛化能力的偏差-方差权衡，都直接源于统计思想。
4. 处理不确定性的根本方法
现实数据总有噪音和缺失。统计学提供了概率建模工具（如贝叶斯方法），让模型能表达“我不知道”的确定性程度。这在医疗诊断、自动驾驶等高风险决策中至关重要。此外，利用反事实推理等统计因果推断框架，是当前AI从“相关”迈向“因果”的关键路径。
5. 深度学习设计的“导航图”
理解深度学习的“黑箱”需要统计学。例如，双下降现象、平坦极小值的泛化优势等，都需要用统计学习理论来解释。实际上，生成对抗网络的博弈过程，其理论分析也大量依赖于统计中的距离度量，如JS散度。

一个重要的观念转变：

· 经典统计学：通常假设数据来自某个已知形式的低维分布（如正态分布），着重解释参数。
· 现代AI统计学：面对高维、复杂的数据（图像、文本），不再强求假设分布形式，而是利用强大算力去逼近未知函数，重点在于预测精度，而非参数解释。

总而言之，AI提供了强大的算力和复杂的模型（如神经网络），而统计学则提供了设计这些模型、训练它们、以及评价其结果的原则性方法论。如果没有统计学，AI就会从一门严谨的科学，退化为盲目的参数试错和“炼金术”。