从陶哲轩的访谈看：AI 数学研究方法论 & 给其它行业的启示 - 罗西的思考

从陶哲轩的访谈看：AI 数学研究方法论 & 给其它行业的启示
7 f) a! a9 A6 U- i+ S7 g. B+ m
目录从陶哲轩的访谈看：AI 数学研究方法论 & 给其它行业的启示0x00 争论的核心不是 "AI 会不会做数学"0x01 一个“如果AI早来20年”的思想实验1.1 真实时间线1.2 思想实验0x02 陶哲轩批评什么？0x03 陶哲轩的深层方法论：AI 时代的科研范式变迁3.1 科学研究的五次范式迁移3.2 "直升机 vs 徒步"：过程价值的核心隐喻3.3 "证明消化不良"：AI 产出 vs 人类吸收速度3.4 AI 的真实能力边界0x04 数学研究中什么重要，什么能推动数学发展？0x05 数学研究的未来发展0x06 给普通人的启示：数学职业的重新定义6.1 核心判断：AI 改变了数学职业的 "入场方式"，但没有消灭数学职业本身6.2 普通人数学职业的六条现实路径路径一：数学翻译者（Math Translator）路径二：形式化工程师（Formalization Engineer）路径三：数学实验设计师（Math Experiment Designer）路径四：跨学科数学建模师（Interdisciplinary Modeler）路径五：数学教育创新者（Math Education Innovator）路径六：数学品味校准师（Math Taste Curator）6.3 普通人培养数学能力的实操框架原则一：先独立思考，再调用 AI原则二：把 AI 当陪练和审稿人，不当拐杖原则三：保留研究日志——失败比成功更值钱原则四：做可复现的小闭环项目原则五：从具体例子进入抽象原则六：进入共同体——品味来自观察6.4 什么是数学品味——以及它为什么是最抗 AI 替代的能力6.5 陶哲轩的警示：不要把种子吃掉0x07 对其他行业的深度启示：从数学职业看所有职业7.1 陶哲轩方法论的跨行业映射7.2 七条跨行业原则原则一：不要把代理指标当成最终目标（Goodhart 定律）原则二：警惕直升机式学习——效率可能是能力退化的伪装原则三：培养 "问得准" 的能力，而不是 "答得快" 的能力原则四：可验证性是 AI 时代的核心竞争力原则五：保护长期研究——不要让短期成果吞噬基础能力原则六：人与机器应形成互补，而非替代原则七：科学让思考更清晰——这是所有行业都需要的底层能力7.3 每个行业的 "开普勒时刻"7.4 普通人的职业策略总结0x08 结语0xFF 参考

* c  B/ a0 B/ ~& d0x00 争论的核心不是 "AI 会不会做数学"
1 ^4 a7 w* q- X: h
/ k: ^7 l& a( o4 h近来，人工智能在数学研究中的表现不断突破公众预期：它可以检索文献、编写程序、运行大规模数值实验，提出证明方案，甚至在形式化系统中检查复杂推导。围绕 OpenAI 近日公布的纳维-斯托克斯方程研究，数学界开始认真讨论一个更深的问题：当AI越来越会做数学，人类是否也因此更懂数学？
) ]2 b5 r8 V' ]2 g7 n9 D, q2 M& H
9月12日，据多家媒体报道，邓煜、陶哲轩等25位数学家、菲尔兹奖得主联合发布了一份名为《人工智能在数学中的严重错位（A Severe Misalignment of AI in Mathematics）》的公开声明。

0 {) c' N8 Z# t6 g% j9 G# K! H我也找了陶哲轩的访谈，感觉很有启发，遂记录下来。在我看来，真正的问题不是 "AI 是否已经取代数学家"，而是：什么样的 AI 辅助研究能够增加数学理解；速度、算力、形式化和人的洞察之间应当如何分工。
7 w. T4 J8 X0 {' i
这篇文章早就在草稿箱中，一直没来得及发表。现在匆匆发表，是因为最近发展太快，AI for Math 这个词的内涵已经扩展，从“工具属性”转向“学科范式变革”‌，甚至成为 AI 能力证明的最佳样例。

( d# C, ~; }( n4 @也许本文的观点在发表时刻，已经被 AI 证伪。 这两天，OpenAI 又放出722篇论文手稿.......
/ z: t" k2 y. s
" c7 a8 c) n4 j0 J1 w7 E0x01 一个“如果AI早来20年”的思想实验
9 d% i9 P3 s7 i" P6 `
陶哲轩做了一个假想实验：假如AI早来20年，张益唐可能还在刷盘子。
7 I+ M* W4 \; m: h, K7 f
6 h$ D# I( i, ~2 L陶哲轩先回顾了素数间隔问题的真实时间线。

* v9 l4 J* I3 A0 d  z& H2 G% a2005年，Goldston、Pintz和Yıldırım发展出一套方法（GPY方法），在假设Elliott-Halberstam猜想成立的前提下能给出的上界。

" z, e9 i2 K6 ]$ T" }! C3 D2013年，当时在三明治店打工的张益唐重新发现了Motohashi-Pintz的一个观察，巧妙地借用了Bombieri、Friedlander和Iwaniec较早期且已不太流行的工作，证明了素数间隔的有限上界为7000万。
! z$ K5 P5 Z; I& n' U% r
( V  [4 I; Q7 X& y, N9 e张益唐的论文发表后，多人争先宣布各自的改进，一场竞争性的“抢跑”开始萌芽。

陶哲轩回忆说，这场竞赛已经是AI基准测试文化的一个早期预兆，时间压力驱使作者在论述和验证上偷工减料。

陶哲轩的推演是这样的：如果AI早来20年，它不需要张益唐那种“从7000万出发”的巧妙思路，它直接用算力硬算，更快地找到那个上界。

, P! `( V. n7 P9 i' b4 j, O5 d7 g然后呢？张益唐不会成名。那个“一个普通人突然震惊世界”的故事不会发生。一代年轻数学家，不会因为那个故事而走进数论。

# U- w2 p7 _4 q3 L8 f  L% ]AI更快地给出了答案，但也抹掉了一条通往数学的路。陶哲轩说，答案不重要，探索过程中那些失败的尝试才重要。AI把过程锁死了。
1 {; E" @8 }& o3 L7 }; U$ f; ?
0x02 陶哲轩批评什么？

陶哲轩批评的不是 AI 进入数学，也不是所有计算型数学工作，而是批评以下研究模式：
9 G5 F- z+ o; T2 Z7 ]5 E+ B0 J
; [' T5 ?6 e5 H- v& V# D把未解决问题当作基准测试，只追求一个更小的数字；
- O* g7 ]% l7 N) O9 O% y$ d4 d
' p( k7 C0 p. w- m+ Z! k不为了抢先发布而减少论证、验证和论文写作；

不与领域专家合作，不努力提炼可供人理解的新思想；

4 R, C% z. z2 A1 n7 l3 `不把结果送入同行评审、课堂和教科书；

让宣传性进展占据注意力，挤出真正重要的研究。

他的 "AI 早来 20 年" 思想实验说明：如果 AI 在 GPY 方法出现后就用巨量算力刷榜，研究界可能得到许多短期数字，却错过后来 Maynard 筛法这样的可迁移理论。这里的机会成本不是 "少赢了几个百分点"，而是人类没有获得下一代方法。

9 O' W! Z3 d$ v* ^如果一个团队只展示数字和社交媒体公告，论文依赖未充分说明，形式化范围有限，或结果未经独立验证，那么它在实践上就会落入陶哲轩所批评的 "只为跑分" 模式。

判断标准不能是 "是否使用 AI"，而应是 "是否增加了可复用的数学理解"。
. M( r. S3 s% x) N+ I* o& X. j
0x03 陶哲轩的深层方法论：AI 时代的科研范式变迁

  G; k  s- }' O' c% Y( C3.1 科学研究的五次范式迁移

" g) N5 ~4 g* x6 @( D: I1 p陶哲轩在 Big Think 访谈中勾勒了一条清晰的线索：

开普勒（理论）+ 第谷（观测）

. K3 {/ P5 Y: ~  i! a7 t/ E1 a理论 + 实验 + 模拟
9 @1 l4 m8 H+ f
兆/拍字节数据中寻找模式

自动实验、编程 Agent、自动分析
" m+ V3 l. u! A. k$ B
人类判断 + AI 搜索 + 形式化验证

陶哲轩强调：每一次范式迁移都没有消灭前一种方法，而是叠加。AI 不会取代理论推导，正如模拟不会取代实验。真正改变的是每种方法的相对效率和分工边界。
# X3 R1 x( ^6 L
3.2 "直升机 vs 徒步"：过程价值的核心隐喻
+ B7 t& C* `/ x" e/ c5 o, ?! L: r7 X
$ I* o, W9 m, e- t' l& N& H- }做科学研究，有点像徒步。你听说某个地方有一条很漂亮的瀑布，就约上几个朋友，打算去找找看。但你们得一路摸索，把地图画出来。途中可能会迷路，但说不定就在迷路的时候，发现了别的有意思的东西。走向目标的整个过程，本身也很有价值。
# x) v* Z  h! i% x
4 W0 G/ m$ n+ E" I  X  I但这些 AI 工具就像直升机，直接把你送到瀑布前。你看完，再坐飞机回来，可你完全没学到该怎么走过去。
/ b1 ~7 {! q) y6 @
这个隐喻揭示了一个深刻的悖论：效率的提升可能伴随着能力的退化。 当 AI 代劳了推导、验证、搜索的全过程，人类研究者可能失去了在过程中获得直觉、发现意外联系、积累判断力的机会。

2022年菲尔兹奖得主Hugo Duminil-Copin 也说，虽然他没有攻克渗流猜想，但是，但在漫长的挣扎与攀登中，那些看似荒废的失败草稿，却孕育出了数十个意想不到的灵感火花。他日后斩获菲尔兹奖的诸多工作，竟然全是这道主线任务失败后结出的「副产物」。

7 M4 O/ m$ m% B; @3 C8 t3.3 "证明消化不良"：AI 产出 vs 人类吸收速度
! R% V, o5 l! i
1 c3 W' p! H4 Z  w$ {3 U2 b我们正在生成大量证明，也核验了其中不少。但理解这些证明，再把它们整理成最终能写进教科书的形式，仍然得靠人类。我们现在遇到了一种可以叫作 "证明消化不良" 的情况。
" r3 R; _0 x: j! o. \1 `
一个证明从诞生到被学科吸收，要经历：提出 → 验证 → 理解 → 论文写作 → 同行评审 → 教科书化 → 教学传承。AI 加速了前两步，但后五步的速度没有同步提高。这不仅是数学的问题，而是所有知识工作的共同困境。

3.4 AI 的真实能力边界

陶哲轩的观察：AI 擅长广度，人类擅长深度。二者高度互补。
  p% n8 n; I# w5 L+ L+ V* }; ]
* l- u8 [( K' v- m- I3 v* NAI 的强项：从一千道题中解出 5%（50 道），发现人类集体遗漏的组合，不受领域偏见影响，独立观察。

AI 的弱项：面对真正困难的常规方法失效的问题仍然很不擅长；缺乏持久的对话记忆；无法形成人类合作者那样的思维默契；会犯错且一味迎合。
: z# c# |7 s; ^+ r  M
7 E' F; J4 s% C. C0 A! iAI 更像是一个知识很丰富、但喝得有点多的人，不停往外抛点子。不过，只要你引导得当，还是能从里面提炼出有用的东西。

但是，人们也发现。在渗流猜想的工作中，AI 不是靠着海量算力瞎猫碰死耗子，用暴力穷举把所有可能性试出来的。绝非如此。如果只是穷举，算到宇宙毁灭也证明不了一个无限维度的连续性猜想。

4 e* L% |/ D' KAI展现出的，是一种近乎恐怖的高维逻辑收敛与跨领域推理能力。它没有另起炉灶，而是极其敏锐地抓住了Gady Kozma和Shahaf Nitzan在2024年搭建的跳板。大模型在Lean证明助手的严苛约束下，调用了人类已知的大量分析工具与不等式技巧，以一种人类数学家从未设想过的精巧路径，在形式化代码的底层构筑起了一套长达数千行的推理闭环，硬生生把这个不等式给「摁死」了。
5 p- V2 |7 T$ K3 _0 M7 L/ C( f
这说明，AI 的能力，可能要超出我们的认知。

0x04 数学研究中什么重要，什么能推动数学发展？
7 ?: d7 C& I+ F2 H& {6 h
7 T+ m$ @! w. N$ O问题的重要性：问题是否揭示结构、连接不同领域，或代表长期有价值的目标。

方法的重要性：是否产生可迁移的证明技术、概念、工具或新的组织方式。

5 L$ d; \! f# j理解的重要性：结果是否解释 "为什么成立"，而不只是给出一个通过验证的输出。

共同体价值：是否可复核、可交流、可教学，并能成为其他研究的可靠基础。

一个数字改进可以有价值，但通常只有在它暴露了新结构或产生可推广方法时，才会真正推动数学。推动数学发展的工作往往具有以下特征：

: g, G8 R9 {' E; W' s能把复杂问题转化为更清晰的子问题；
3 M) M4 c% n5 E, x) S
能发现隐藏的不变量、对偶性、边界条件或统一框架；

% O% d* a) L: {9 r能将局部技巧推广到一类问题；

: ^  ~0 J" O* j能产生可靠、透明、可复用的证明和计算；
6 I# B7 ~, \: I/ T
能吸引后来者继续研究，而不是让问题在榜单上短暂消失。
; @3 [9 A/ r3 N: O
/ R4 n/ P' P9 \9 H& m在这个标准下，AI 最适合放大搜索、计算、实验和检查；人类仍需负责判断问题价值、解释结构、选择研究方向，并把局部成功提升为一般理论。

0x05 数学研究的未来发展

9 y! `1 n- j7 X9 |5 l( b未来更可能出现 "人类–AI–形式化系统–计算基础设施" 的协作生态，而不是单一 AI 独立完成所有数学。
& z: o1 M: N+ g, L$ I* q' c  C( M
证明 Agent：自动提出引理、寻找证明路径并调用定理库。

形式化数学基础设施：更多经典定理、猜想和研究论文进入 Lean 等系统。

数学实验平台：大规模搜索参数、反例、猜想和结构，再由人类提炼理论。
0 i3 w, C) L3 X) q. J
& H! m! J% l  ^5 q1 I3 f可复现研究：论文同时提供代码、数据、形式化证明和计算环境。

' w6 J7 }$ g4 u新型评价体系：从 "最快得到更小数字" 转向 "是否产生新概念、可复用方法和可靠知识"。
5 c$ b7 u; R+ ^) T  Q
人机分工专业化：数学家更重视问题选择和理论解释，工程师更重视搜索与计算系统，AI 承担大量候选生成和验证工作。

$ i& E  _" Q! h( I- m$ x* G0 d2 I- J风险也会同步增加：研究注意力被算力集中，热门基准挤压冷门但重要的问题，AI 生成的错误或不可复核证明扩散，以及年轻数学家失去训练机会。因此，同行评审、独立复核、透明披露和教育制度会变得更重要。
& C" [; R% C1 @
2 d. {- y6 I' P, v% d6 N9 w/ e0x06 给普通人的启示：数学职业的重新定义

* H5 k* F, {- L+ X3 q7 f) l" x4 N6.1 核心判断：AI 改变了数学职业的 "入场方式"，但没有消灭数学职业本身
; `4 I- M! W' t+ e5 I! x( l- X
3 P6 p8 g" d% [& W1 r陶哲轩的判断为普通人吃了一颗定心丸：
/ R! b/ ^/ d3 p2 w
数学界接下来得想办法，把这种大范围解决部分问题的新能力利用起来，再看看怎么让它和我们现有的能力配合：由人类慢慢深挖，解决少数几个很有深度的问题。
# I+ G9 P4 G6 }  e, P( `* v+ f$ A
AI 降低的是执行门槛，提高的是判断门槛。 这意味着：
. U" Z7 D* u" J& D
+ x) U8 {) m7 C过去需要三年才能掌握的计算技巧，现在可能三个月就能上手（AI 辅助）。

但 "知道该算什么" 的判断力，变得比以往更值钱。

& X. [3 ^4 X1 _! C- N数学家的核心价值从 "算得快" 转向 "问得准、看得深、说得清"。

6.2 普通人数学职业的六条现实路径

3 O- d, n5 L+ c& `" P! r, M以下是基于当前技术趋势和陶哲轩方法论推导出的具体方向：
) p% |0 ~( s% E4 a1 i
路径一：数学翻译者（Math Translator）

, V8 G! ^, K) A; i做什么：将 AI 生成的数学结果翻译成人类可理解的形式——写科普文章、设计教学内容、为企业决策者解释模型含义。
4 E  I) }' {$ N5 w6 P
为什么需要：陶哲轩指出 "证明消化不良" 是当前的核心瓶颈。AI 产出证明的速度远超人类吸收速度。谁能帮助人类 "消化" 这些数学成果，谁就占据关键位置。
! y. |# Q; v, F8 d8 n0 g' ^! [2 K
' s7 U9 y; M- Q" T0 x. G8 n. S5 f扎实的数学基础（不需要研究前沿，但需要理解本科以上的核心概念）

将复杂概念分层解释的能力（给不同受众讲不同的版本）
' R- W' [9 {# W- }$ S+ w$ @
类比：就像科学记者不需要自己做实验，但需要读懂论文并告诉公众它意味着什么。数学翻译者是 AI 产出与人类理解之间的桥梁。

x 上的Adelaide Danilov 就有类似的观点：AI 研究正在出现类似生物学研究的趋势，而机械可解释性领域已经率先展现出这一趋势。研究者开始建立 AI 领域的模型生物，研究 Transformer 内部机制，并尝试通过新的实验方法观察大模型如何产生能力。

2 {) H( f* M4 n' _, m5 z& s路径二：形式化工程师（Formalization Engineer）
* o: A$ F; \4 F5 ~5 i: z: c5 V5 a
2 u! ^2 ]+ \0 K7 h5 Y# Y做什么：使用 Lean、Coq 等证明助手，将数学论文和 AI 生成的证明形式化，确保逻辑无误。
4 M' W, j. p1 G7 R: N
为什么需要：Axiom 的工作流显示，形式化验证是可靠数学研究的基础设施。更多经典定理和研究论文需要进入形式化系统，这需要大量人力。

Lean 或 Coq 编程

阅读数学论文并提取逻辑结构
9 _. M1 Y9 E8 l- h- Q9 D
细致、耐心、对逻辑错误敏感

/ M: S- y. q/ J4 q2 |5 D类比：类似于软件行业的 QA 工程师，但验证的是数学证明而非代码。

路径三：数学实验设计师（Math Experiment Designer）
6 a1 b; W" j0 d: {2 `! E8 x# X8 n) }
& v8 D4 n! V, s) F8 p做什么：设计数值实验、参数搜索策略和反例检测方案，用 AI 和计算工具验证数学猜想。
0 `# E6 R. R5 r& I
为什么需要：陶哲轩指出 AI 擅长广度（从一千道题中解出 50 道），但人类需要决定 "应该搜哪些一千道题"。实验设计是人类判断力的核心体现。
! b2 h( U! X- H7 T% z. L
  t9 a6 e# x- G2 |/ F9 h% `1 S概率论、统计学和数值分析基础

' J$ G$ s& H& u9 F0 J) Q( x$ u2 o- Z. r编程能力（Python、Julia 等）
- E6 u: l& [. U. `
9 D' \% v9 x' T) N5 K能从失败实验中提炼规律的直觉
8 }2 j4 i+ f8 x% d
% M( H* j) E4 y5 v( X类比：类似于药物研发中的临床试验设计师，不亲自做实验，但决定实验怎么设计才有意义。
5 S9 F4 d# U, l4 Z5 G5 |
, f! d: t3 C  s3 o6 w路径四：跨学科数学建模师（Interdisciplinary Modeler）
- e8 R1 U, K/ h7 c" h$ W( K% b
! s: K* G1 w4 }( X% V+ T! y做什么：将数学工具应用到生物学、金融、社会学、工程学等领域的问题中。

7 Z' K, ^5 g) W  {为什么需要：陶哲轩强调 "AI 擅长广度，人类擅长深度"，而跨学科问题恰好需要在广度中寻找深度——这正是人类和 AI 协作的最佳场景。AI 可以搜索不同领域的方法，人类负责判断哪些组合有意义。
! q, H1 d8 S4 U+ [4 k
一个应用领域的背景知识（如生物、金融、工程）

- E2 M4 z! M8 H5 r9 H* _% r: i类比：类似于数据科学家，但更侧重于数学模型的构建而非数据处理。

路径五：数学教育创新者（Math Education Innovator）
6 O! M: c3 \* }! a" x7 \
/ `2 \, R2 q# g做什么：开发新的数学教育方法、课程和工具，帮助学生在 AI 时代学习数学思维。

0 K7 M) m; J- C; }9 G: ~7 L+ F为什么需要：陶哲轩明确警告：

& j7 B; t7 @+ M: E9 b- d/ z如果用 AI 取代研究生，AI 当然能不断产出研究生水平的论文，可我们也就培养不出下一代研究者了。

教育不仅是传授知识，更是培养判断力和思维方式。谁能设计出既利用 AI 又不被 AI 替代的教育方案，谁就解决了最紧迫的问题。

. R8 ~4 z7 K: Y( u" j* C# X0 [9 D类比：类似于教育科技产品经理，但核心产品是 "数学思维方式" 而非 "解题技巧"。

路径六：数学品味校准师（Math Taste Curator）
" A# {/ J8 r1 w4 m7 V) ~, ]
$ d5 I4 A/ j( B& w1 e做什么：评估和筛选 AI 产出的数学结果，判断哪些值得深入研究、哪些只是噪声。
' z+ Z3 Y, ]4 O; d/ v8 W
为什么需要：陶哲轩反复强调 "品味" 的重要性：

品味很大一部分来自观察哪些问题能持续吸引优秀研究者，以及别人如何判断一个想法值得继续。
. J5 H, u2 ^4 \# N# {/ k7 d
; A( k2 c& y' q3 B当 AI 能批量生成候选结果时，"判断什么值得研究" 成为最稀缺的能力。这不需要自己能解决问题，但需要能判断别人（包括 AI）的解法是否有价值。
. n7 v7 o/ _# y6 ^# j) c5 {
广泛的数学阅读（不一定是深度研究，但需要知道各领域在做什么）
; |% d( K/ ^( M8 n* `( |  Y
对 "什么是好问题" 的长期直觉
" v$ d. \. z: V$ A
批判性思维和对 hype 的免疫力
3 J9 ^: m  b3 d# ~" u0 o: t
类比：类似于风投中的技术尽调人员，不自己创业，但能判断哪个团队的方向值得投资。
. z  S5 @! Z2 X; h9 ]3 w2 y
6.3 普通人培养数学能力的实操框架
( r! J6 E9 J- K7 U% F; O7 V
9 Z# t$ k' D9 z% }5 ^陶哲轩的 "徒步隐喻" 给出了学习方法论的直接指导：不要坐直升机学数学，要走着学。

原则一：先独立思考，再调用 AI

面对问题时先写下自己的猜想、例子、反例和可能路径，再让 AI 提出不同方案。训练的是判断力，而不是答案依赖。

/ w! n' z1 D$ r) U  |6 q8 c* |8 M如果你和一个人合作了很长时间，到某个阶段，两个人几乎会形成一种思维上的默契。
9 c1 o, d8 e! g8 \2 N
% r- j* f) j" [5 L: O, s与 AI 的 "默契" 需要你自己先有立场，否则 AI 说什么你都会接受。
  _$ F; `- Y. P( A. W) _
原则二：把 AI 当陪练和审稿人，不当拐杖

要求 AI 解释定义、寻找反例、检查隐含假设、比较两种证明，而不是直接代写最终答案。对关键结论必须回到教材、原文或形式化系统核验。
" Z! h- N! a+ s( x
陶哲轩的实践：他把 AI 用于辅助任务（文献检索、检查证明、写代码、校对），但在核心解题过程中仍然依赖纸笔和人类合作者。
! d; n; v: D% h  [" j
原则三：保留研究日志——失败比成功更值钱

记录尝试过的思路、失败原因、被推翻的猜想和最终保留的洞见。长期价值往往来自失败模式，而不只是成功答案。

这在所有行业中都适用。 开普勒花了多年才从圆形轨道转向椭圆——如果他只记录最终成功，后人就无法学习 "为什么圆形不行"。
6 ]* Y$ ~: O8 Y8 V4 r* ?
原则四：做可复现的小闭环项目
; T2 W+ w, w" L0 f) U) Y
选择一个公开问题，完成 "阅读背景 → 写程序实验 → 提出猜想 → 证明或证伪 → 写成短文" 的完整循环。项目不必宏大，但必须能让别人复核。

0 V- t1 B1 g( d6 V+ P关键：必须走完全程。 陶哲轩的直升机比喻说明，只做其中一步（比如只让 AI 搜索）等于没学。
  Y% M3 \" k+ s6 [$ Y1 p. h2 O
原则五：从具体例子进入抽象

5 d- S) C! H- U* ~. h( }先计算小规模情形、画图、制作表格或运行模拟，再问哪些现象不依赖具体数字。抽象应当是对结构的压缩，而不是逃避细节。

! s8 D+ i4 a( {0 }- i高斯计算前十万个质数，由此发现质数定理。先有数据，再有直觉，最后才有理论。
" R+ h3 N: R9 p" S. n6 D
  _6 o6 u: \! D! u% s$ u% w/ I$ K原则六：进入共同体——品味来自观察
/ m5 d& z  I  `, T1 s4 r. c
参加读书会、数学论坛、开源形式化项目或跨学科讨论。品味很大一部分来自观察哪些问题能持续吸引优秀研究者，以及别人如何判断一个想法值得继续。

7 r8 s: q3 ~1 _! [: F9 E陶哲轩说他从合作中学到的数学比读论文还多。共同体不是社交，是品味的校准器。
& ?% X, ~. y/ b& `3 S2 j! l) E: p5 d
, p! e& z. U( z6.4 什么是数学品味——以及它为什么是最抗 AI 替代的能力
# l0 E* {* P: u( @7 d
数学品味不是神秘天赋，而是对 "什么值得理解、什么只是偶然" 的长期判断。它通常表现为：
. K: K7 ?2 j+ u: s6 X+ }) l
: L4 ?. ^* r& w( U* v3 z" g. ~% ?, h能区分漂亮的数字改进和真正的新机制；

会追问一个技巧能否推广，而不满足于一次成功；
8 J3 S# \5 ~8 M5 r! x
8 {2 _0 X' l- r5 O重视定义是否自然、证明是否解释结构、问题是否连接多个领域；

对于过于复杂、只为通过某个测试而设计的论证保持警惕；

愿意选择暂时没有即时回报、但可能产生长期影响的问题；
; R$ u/ h5 ^( E6 ^
能欣赏简洁、必要性和意外联系，也能接受重要结果有时并不简洁。

品味为什么抗替代？ 因为品味本质上是一种基于长期经验的模糊判断，无法被形式化为 loss function。AI 可以优化给定目标，但 "什么目标值得优化" 本身就是品味问题。
6 S! P; p" q' ?8 J  x$ s/ u) h
培养品味的有效方式，是反复比较不同解法：为什么教材采用这个定义而不是另一个？为什么某篇论文的引理成为后来工作的基础？一个证明删掉哪些技术细节后仍保留核心？一个 AI 生成的答案究竟增加了理解，还是只增加了篇幅？这些问题比 "答案是否看起来专业" 更重要。
8 c2 f4 j8 T% J; |& M) ?* V3 @  ^
) \4 Y. y- s5 Z" E, q* E; l( e6.5 陶哲轩的警示：不要把种子吃掉
- t, D$ x* F) b1 Z5 E9 d
一方面，这些工具让科学成果——或者看起来像科学成果的东西——产出得快了很多。但代价可能是，我们把培养下一代科学家的种子给吃掉了。

" ^9 X; D& @8 u  W1 D! K/ d这直接指向普通人的职业策略：选择那些 "越做越值钱" 的路径，而不是 "越做越被替代" 的路径。
! ]* M' i8 Q- p' S6 E
0x07 对其他行业的深度启示：从数学职业看所有职业

8 \! E( e- P) q) |7.1 陶哲轩方法论的跨行业映射

陶哲轩在数学领域观察到的现象，在每个行业都有对应物：
: y3 C$ j$ w- u1 [) E4 {. C
; A+ v4 Y' {; N" G9 u6 f& ]: X代码/报告/方案产出速度远超消化速度

跳过基础训练直接用 AI 出成果
/ H5 _3 B5 C0 C7 @) `
产品判断力、市场洞察、技术选型

代码审查、合规审计、质量保证
' @0 h& u0 V  Y# {3 A) @
3 b! {& ~! ?7 O- \技术品味、设计品味、商业直觉

1 q9 ?3 p5 s" ^过程价值 vs 结果价值
- l5 w/ W: ~3 w* I* s/ l
学习曲线 vs 交付速度
7 I6 `, g" [+ ^( n4 l7 F
原则一：不要把代理指标当成最终目标（Goodhart 定律）
3 ?& M6 R" `7 w  E) [. o1 \
低素数间隔数字类似点击量、准确率、下载量或季度收入。指标可以促进优化，但一旦成为唯一目标，就可能诱发 Goodhart 定律所说的偏离：指标变好了，真正目标却没有改善。

' m* L4 f  G; @! M) E+ `9 p实操：每个季度问自己一次——"我优化的指标，和我真正想实现的目标，还是一回事吗？"

原则二：警惕直升机式学习——效率可能是能力退化的伪装
# g, N- |2 |( h: a
9 X6 p' C, F2 G% |% K4 u! g$ \陶哲轩的直升机隐喻适用于所有行业：AI 让你更快地产出代码、方案、设计，但如果你跳过了 "走着学" 的过程，你就失去了在过程中获得的直觉、判断力和意外发现。
' l. }' u& f8 v0 O. X4 i
实操：即使 AI 能代劳，也定期手写核心代码、手写关键分析报告、手做核心设计。不是因为 AI 做不好，而是因为你的手脑连接需要维护。
8 Q6 d0 ^! f) i( W8 G  e& Q9 u4 \
# z" |8 Y$ D& B原则三：培养 "问得准" 的能力，而不是 "答得快" 的能力
) f0 L) Q, v) l, b0 R- k
陶哲轩反复强调：AI 擅广度，人类擅深度。在任何行业中，"知道该问什么问题" 都比 "能快速给出答案" 更值钱。

程序员的价值从 "写代码快" 转向 "能定义正确的问题和架构"
7 W6 U$ j, c* c6 g! V& X
设计师的价值从 "画图快" 转向 "能判断什么值得设计"
: T1 O) o# Y; e1 M' r' _, x
分析师的价值从 "跑数据快" 转向 "能提出正确的问题框架"

教师的价值从 "讲得清楚" 转向 "能判断学生需要学什么"
$ b8 b2 Q8 @# |
实操：每天留出 15 分钟 "无 AI 时间"，只用纸笔思考核心问题。

5 ~# P0 |4 T& ?# \3 Y原则四：可验证性是 AI 时代的核心竞争力

未来代码、模型、报告和决策都可能由 AI 生成。能否追溯来源、复现实验、解释假设并接受独立检查，将比 "生成得快" 更重要。

Axiom 的 Lean 形式化就是这种可验证性的体现。在其他行业中：
8 t! g6 D0 s0 ?6 @# D3 |
4 d  g2 i: c9 h  G) K& Z2 q7 B1 a: Y- v软件：可复现的构建、完整的测试覆盖、清晰的架构文档

金融：可追溯的决策链、透明的风险模型

# M5 G. @0 ]: F! ]) L1 \# H" W医疗：可验证的诊断依据、可复现的治疗方案
% Q7 T! y3 s) H; r8 I* a6 z
教育：可评估的学习效果、可追溯的能力成长

% u8 `- o/ |8 U6 D. r& S实操：在你的核心产出中加入 "验证层"——不只是完成任务，还要能解释为什么这样做是对的。
  I, F5 p* b7 K; _
原则五：保护长期研究——不要让短期成果吞噬基础能力

# a: B8 d: f* v: Q- ?/ D7 `如果所有资源都奖励短期可见成绩，组织会失去那些需要多年积累、但能形成基础能力的工作。
  U! s' F  W2 [4 Y6 I
陶哲轩关于研究生训练被 AI 替代的担忧，对应到企业中就是：如果只奖励 AI 辅助的快速产出，团队会失去深度思考和创新的能力。
9 M3 U) o% [7 P5 Z0 y
个人：每年做一个 "无短期回报" 的深度学习项目
) {8 V$ s$ B( w8 c  T/ H5 Q/ O
& H7 I, Y) @! K3 w! A6 q2 g, P5 N团队：保留 20% 时间做基础研究和能力储备
9 A7 G: K# \& ^8 ?
组织：同时评价产品结果、基础设施、方法复用、知识沉淀和人才培养
) ^5 p& @. |* r! o
0 m. q" F$ y# ?1 _6 E4 m% W5 I原则六：人与机器应形成互补，而非替代
; H. ]& }; v6 e) h$ k) @
陶哲轩的观察：AI 和人类的智能是两条不同的路径，不是同一条路上的快慢之分。
) a& k6 W* @* M) U
大模型的智能本质上是 "猜出来的"——它们把语言里的模式吸收得太好了，能够模仿那些说话很有智慧的人。它们表现得像是有智能，而且能维持足够长的时间，长到让我们信以为真。
: e, P2 w3 A1 @0 I( T
实操：在团队中明确分工——

AI 负责：候选生成、大规模搜索、一致性检查、格式化

人类负责：目标设定、价值判断、异常处理、关系建立

共同负责：最终决策（AI 提供选项，人类做选择）

原则七：科学让思考更清晰——这是所有行业都需要的底层能力

我觉得，今天的公众看得到科学那些显而易见的成果：手机、互联网、GPS，等等。但很多人看不到背后的整个过程，也不知道，对数学和科学有一点基本的理解，其实能让周围的世界没那么可怕，让很多事情变得清楚得多。
; p7 v  U. ]& l* z7 g; M
& u0 c5 j0 M8 P( T' H8 V/ `数学训练的本质不是培养数学家，而是培养清晰思考的能力。 这在任何行业都是最底层的竞争力：
. f5 ]/ P/ F/ H: b" K
0 f5 }; W) M& q) Z& X% e4 ?& R- w1 z. d  C能把模糊问题拆成可验证的子问题
- f) b( H) E$ k7 D
+ j6 v& V3 l9 r. c' w+ h能用简洁语言解释复杂结构
$ B* a. y. c6 H: c5 H  |! _1 `
  j/ b! ]9 o2 S9 ?5 x2 x# W7.3 每个行业的 "开普勒时刻"
# ^: P& _7 ?& p/ G: b
" J2 q+ r; [" P/ B8 L陶哲轩用开普勒的故事说明：理论和实验之间需要时间磨合，AI 时代也一样。

$ [& R0 s8 c" u/ Q" }7 c/ J如果开普勒和哥白尼当时有 AI，让它们提出一个宇宙模型，那么那些给出正确日心说模型的 AI，反而可能被淘汰，因为它们一开始的预测还不如地心说模型。
; }6 I% g8 ?+ W
& z* L$ x, c- u+ `6 f4 H* {0 y不要因为 AI 的短期表现而放弃长期正确的方向。 AI 说你的方案不如现有方案，可能只是因为你的方案解决的是更深层的问题。

给新方法时间。 陶哲轩说 "我们还在学习怎样最有效地使用它们"。对 AI 工具的使用也一样——今天的最佳实践可能明天就过时。

过程中的失败是信号，不是噪声。 开普勒的正多面体理论 "失败" 了，但正是这个失败引导他发现了椭圆轨道。

9 l9 z1 g8 g$ B( M) t6 v7.4 普通人的职业策略总结
; X& {+ f8 d0 I$ E
基于陶哲轩的方法论，普通人在 AI 时代的职业策略可以总结为：

选择深度，而非广度。 AI 擅广度，你擅深度。在深度上建立壁垒。
& w. h4 K7 I; i
培养品味，而非速度。 速度会被 AI 超越，品味不会。

做桥梁，而非终端。 连接 AI 产出与人类理解的人，比任何一端都更不可替代。

保留过程，而非只留结果。 研究日志、学习记录、决策链——这些是你的 "徒步地图"，直升机乘客没有。
3 y4 j$ A% R2 t
建立信任网络，而非只建立技能栈。 陶哲轩说人类合作者之间的默契无法被 AI 复制。这种默契建立在长期合作和相互信任之上。

投资 "越做越值钱" 的能力： 判断力、品味、提问能力、领域深度、人际信任。
" Z3 z- G) l" |. y( V
定期手写、手算、手做核心工作。 不是因为效率更高，而是因为手脑连接需要维护。
( @0 B8 J' Q; B/ f6 \
对普通人而言，陶哲轩的访谈传递了一个清晰的信号：AI 时代最稀缺的不是 "能做数学" 的人，而是 "知道什么数学值得做" 的人。 这种判断力——品味——需要长期培养，无法速成，且在任何行业都同样稀缺。
3 ?" s0 Q: ]2 w# K1 ]
: H& _5 ~5 J/ _$ D5 b* @因此，未来真正值得追求的不是 "AI 是否赢过数学家"，而是：AI 能否帮助人类提出更好的问题、发现更深的结构，并把这些结构转化为后来者能够学习和继续发展的知识。 而普通人在这条路上的位置，恰恰在于成为那个 "消化者"——把 AI 的产出转化为人类的理解，把速度转化为深度，把数字转化为知识。
3 J' s: ^+ t6 {" C3 o( P* P
OpenAI的“超级突破”遭数学家公开质疑了，陶哲轩此前警告：AI越来越会做数学，人类却未必更懂科学
# s9 A1 O! J1 [& L9 ^
7 j/ P6 h0 u7 }9 n# k1 F9 y  D突发！Claude拿下概率论「圣杯」，AI跨过菲尔兹奖终点线

计算机科学学术界死了吗？AI博士生该何去何从
, w! S+ ~; G) i+ q; }
——
/ G- N  @: @8 f3 i4 Q本文转载自 ★博客园 首页，版权归原作者所有；如涉侵权请回帖告知，我们会立即删除。