或许。

人工智能有很长的历史，即遇到数学上的不可能，然后已经在解决它们。虽然解决这些问题的人不像牛顿、爱因斯坦或霍金那样受到媒体的关注，但可以证明他们对人类知识的贡献是相似的。不幸的是，他们的结果与物理系统无关，因此很难向外行解释。

需要注意的是，你的问题假设了科学史“伟人论”的正确性，认为科学的进步是杰出的人的努力，我们需要等待更多这样的人出现在科学界推进。这种对科学史的看法过于简单化，而且很可能是错误的。例如，牛顿的大部分（全部？）发现很可能是由其他人在大约同一时间做出的，如果他没有做出的话（参见，例如莱布尼茨，他实际上同时发现了微积分），因此，一个更好的观点可能是一个庞大的研究人员社区，他们根据彼此的工作逐渐开发出更先进的模型。

为了回答您的问题，我列出了一些过去已克服的问题示例，以及一些可能需要开发新的数学工具才能正确解决的突出问题。但请记住，我们无法确定是否需要新工具：也许现有工具就足够了，但还没有人以正确的方式应用它们！

一些过去困扰人工智能并需要开发更好的数学方法的问题：

1. 组合爆炸问题似乎排除了人工智能系统以逻辑正确的方式对概率和因果关系进行推理。贝叶斯网络和因果网络的发展解决了这个问题，这项工作由Judea Pearl和他的学生领导。珀尔为此获得了图灵奖，但在大众媒体上却鲜有报道。

2. AI 系统需要解决的许多优化问题都是NP-hard 的。这意味着不存在可以在多项式步骤中为这些问题提供精确解决方案的通用算法。正因为如此，这些问题最初被认为是棘手的。PTAS 算法的发展，以及对 NP-Hard 问题相变的深入理解（由 Cheeseman 等人开创）导致能够准确识别是什么使这些问题变得困难，识别哪些子部分导致了困难，并解决这些领域中各种问题的实用算法。

3. 人工智能方面的很多努力都花在设计新的分类方法上，并争论为什么一种方法可能会或可能不会比另一种更好。没有免费午餐定理以及计算学习理论的其他工作为理解系统如何学习以及它们的极限在哪里提供了一个清晰的数学框架。

4. 作为最近的一个例子，涉及机会的游戏，如扑克，具有如此巨大的状态空间，即使使用启发式方法也无法有效地搜索它们。用博弈论的语言表达这些游戏，并证明反事实极小极大遗憾算法的收敛性提供了解决方案。保龄球等。是这项工作的中心。它得到了一些新闻报道，但大部分报道都集中在“计算机可以玩扑克”，而不是人工智能研究人员在这个过程中学到的现有的、更普遍的教训。

一些仍然悬而未决的问题，可能需要新的数学技术：

1. 是否有解决复杂性类别 PPAD、NP 或 #P 问题的有效算法？许多人工智能问题都属于这些类别。我们不知道确切的答案，尽管大多数研究人员怀疑不存在这样的算法，但理解为什么不存在似乎也可以提供主要的研究优势。现有的证明技术似乎不太可能解决这个问题。

2. 我们没有很好的主观经验数学模型。虽然一些研究人员（如Churchland）认为这不太可能在智能系统的发展中发挥重要作用，但一个具体的模型可以支持或反驳这一观点，并可能为 AI 中的当前问题（如动机研究）提供可靠的框架.

3. 社会科学最初的项目是提供个体人类的数学模型，然后是人类社会的数学模型。这大部分已被放弃（Psych 仍在研究，但经济学更喜欢研究理性主体而不是人类，并且大多数其他人完全放弃了数学建模，以追求人文学科而不是科学的方法论）。尽管如此，缺乏对人类行为的可靠数学描述正在成为人工智能中的一个主要话题，涉及规范、信任、情感和其他主题。如果开发出一个数学框架来描述人类社会或个体人类的行为，那么人工智能将得到显着进步（以及许多其他领域！）。