1.No!
深度学习方法深刻地转变了学术研究的范式。以前学者们所采用的观察现象，提炼规律，数学建模，模拟解析，实验检验，修正模型的研究套路被彻底颠覆，被数据科学的方法所取代：收集数据，训练网络，实验检验，加强训练。
在深度学习新方法下，严格的数学推理缺失了。比如说地图四色定理的证明，数学家将平面图的构型分成 1936 种，然后用计算机逐一验证。当然在足够的算力下，这可以证明地图四色定理。但是在这个过程中：
没有新颖概念提出，换言之，机械蛮力代替了几何直觉。
而在数学历史上，对于一个著名猜想的证明和解答，答案本身并不重要，在寻找证明的过程中所凝练的概念，提出的方法，发展的理论才是真正目的所在。机械定理证明验证了命题的真伪，但是无法明确地提出新的概念和方法，实质上背离了数学的真正目的。
所以说，这是一种“相关性”而非“因果性”的科学。历史上，人类积累科学知识，在初期总是得到“经验公式”，但是最终还是寻求更为深刻本质的理解。例如从炼丹术到化学，量子力学的发展历程。
人类智能最为独特之处也在于数学推理，特别是机械定理证明，对于这一点机器学习方法是无能为力的。当人的数学推理缺失的时候，仅仅依靠机器蛮力，就会遇到很大的制约。
2.Yes!
“观察现象，提炼规律，数学建模，模拟解析，实验检验，修正模型”本质上是十七世纪笛卡尔所建立的“科学方法论”（Scientific methodology）的体现。这种科学方法论是在“小数据、计算能力低”情况下的一种三百多年来被证明行之有效的认识世界的方法。是不是“大数据、计算能力强”情况下，认识世界的科学方法论需要改变呢？我觉得是。也就是说，我觉的当前“大数据正在改变我们认识世界的科学方法论”。这种科学方法论的改变不仅仅局限于“人工智能领域”。