陶哲軒對(duì)談 OpenAI 高管：“試錯(cuò)成本”無(wú)限趨零，AI 正在把數(shù)學(xué)變成一門重工業(yè)

來(lái)源：youtu.be/ddTvK9nlquM

編譯：王啟隆

出品：AI 科技大本營(yíng)（ID：rgznai100）

如果你是一名建筑工程師，你造的橋塌了，這是一場(chǎng)災(zāi)難；如果你是一名外科醫(yī)生，你切錯(cuò)了血管，這是一場(chǎng)悲?。坏绻闶且幻麛?shù)學(xué)家，你在草稿紙上寫錯(cuò)了一個(gè)公式呢？

你只需要把紙揉成一團(tuán)，扔進(jìn)廢紙簍。

在過(guò)去一年里，當(dāng)全人類都在恐慌 AI 會(huì)不會(huì)接管現(xiàn)實(shí)世界，甚至為了安全不斷給大模型套上枷鎖時(shí)，數(shù)學(xué)界卻向 AI 敞開了大門。因?yàn)樵谶@個(gè)由純粹邏輯構(gòu)建的虛擬宇宙里，“試錯(cuò)的成本是零”。

近日，在洛杉磯加州大學(xué)（UCLA）純粹與應(yīng)用數(shù)學(xué)研究所（IPAM）的一間階梯教室里，發(fā)生了一場(chǎng)引人深思的對(duì)談。

對(duì)談的雙方，一方是菲爾茲獎(jiǎng)得主、被譽(yù)為“數(shù)學(xué)界莫扎特”的天才數(shù)學(xué)家陶哲軒（Terence Tao）；另一方，則是主導(dǎo)了 OpenAI 最前沿推理模型（o1系列）研發(fā)的頂尖科學(xué)家Mark Chen。

這并不是一場(chǎng)充斥著商業(yè)互吹的走穴式圓桌。在現(xiàn)場(chǎng)，沒(méi)有 PPT，沒(méi)有跑分圖表。一位是最懂人類數(shù)學(xué)直覺(jué)的大腦，一位是最懂機(jī)器強(qiáng)化學(xué)習(xí)的工程師，他們就像兩個(gè)剝洋蔥的人，一層一層地把當(dāng)前 AI 在科學(xué)研究中的真實(shí)能力、致命缺陷以及終極演化路徑，剝了個(gè)精光。

對(duì)于那些渴望看透 AI 未來(lái)發(fā)展的人來(lái)說(shuō)，這場(chǎng)對(duì)話的信息密度高得驚人：

• 從“幾分鐘”到“幾天”的暴力美學(xué)：OpenAI 內(nèi)部衡量 AI 進(jìn)步的核心指標(biāo)并非單純的參數(shù)量，而是一個(gè)名為“自主運(yùn)行刻度（Meter Plot）”的指標(biāo)——即模型能在不崩潰、不幻覺(jué)的情況下，連續(xù)思考多長(zhǎng)時(shí)間。去年是幾分鐘，今年的目標(biāo)是幾天。

• 數(shù)學(xué)是強(qiáng)化學(xué)習(xí)（RL）的終極外掛：現(xiàn)實(shí)生活中很難給 AI 定義“絕對(duì)的對(duì)錯(cuò)”，但在數(shù)學(xué)里，形式化驗(yàn)證工具可以瞬間判定 AI 生成的證明是否有效。這種“無(wú)限次廉價(jià)試錯(cuò)”的機(jī)制，正是讓 AI 突破人類知識(shí)邊界的唯一引擎。

• 高情商的 AI，往往是個(gè)糟糕的科學(xué)家：為了讓 AI 看起來(lái)像個(gè)有禮貌、好合作的“人”，我們強(qiáng)行給它注入了太多人類的偏好（RLHF）。但 Mark 犀利地指出，你很難給“合作默契度（Vibes）”打分。越是試圖讓 AI 在日常對(duì)話中討好人類，它在硬核推理上的能力就越容易被削弱。

• AI 的“局部欺騙”本能：當(dāng) AI 試圖模擬物理規(guī)律（如天氣）時(shí)，如果不加嚴(yán)苛限制，它會(huì)像個(gè)作弊的玩家一樣，去尋找模擬器系統(tǒng)本身的漏洞，而不是真正學(xué)習(xí)物理法則。

下面，讓我們回到 UCLA 的這間階梯教室，通過(guò)這份中文實(shí)錄，去聆聽這場(chǎng)關(guān)于真理、算力與未來(lái)范式轉(zhuǎn)移的巔峰對(duì)話。

打破“一年之癢”：從不靠譜的學(xué)生，到不可或缺的超級(jí)外包

James Donovan（主持人，以下簡(jiǎn)稱“詹姆斯”）：在正式開始前，我要向 UCLA 的純粹與應(yīng)用數(shù)學(xué)研究所（IPAM）提供這個(gè)絕佳的場(chǎng)地表示巨大的感謝。同時(shí)，也非常感謝在座各位的到來(lái)。我知道大家不是來(lái)聽我這個(gè)主持人長(zhǎng)篇大論的，所以我也就不多廢話了。

我要特別感謝臺(tái)上的兩位嘉賓。要在同一個(gè)房間里湊齊這樣兩位擁有頂尖大腦的人物，確實(shí)非常難得。事實(shí)上，我們注意到了一個(gè)小細(xì)節(jié)。就在差不多一年前的今天，陶哲軒教授，您也參加過(guò)一次類似的討論。

我記得當(dāng)時(shí)您對(duì)以 GPT 為代表的 AI 在數(shù)學(xué)領(lǐng)域的表現(xiàn)給出了一個(gè)非常經(jīng)典的評(píng)價(jià)，您說(shuō)它就像是一個(gè)“非常平庸、效率低下的研究生”。

我個(gè)人對(duì)這個(gè)評(píng)價(jià)印象極深，因?yàn)樽鳛槿祟?，我也曾收到過(guò)類似的差評(píng)，這簡(jiǎn)直是一個(gè)堪稱完美的基準(zhǔn)線（笑）。一年過(guò)去了，從您的角度來(lái)看，情況發(fā)生了怎樣的改變？Mark，之后我也想聽聽您從 OpenAI 的視角怎么看這個(gè)變化。

陶哲軒：確實(shí)，過(guò)去的一年里發(fā)生了太多事情。

這些 AI 工具確實(shí)變得強(qiáng)大得多了。我認(rèn)為，現(xiàn)在很多能力已經(jīng)被我們“常態(tài)化”了，我們幾乎每天都在高頻使用它們。

首先是深度研究工具。比如文獻(xiàn)檢索，現(xiàn)在的 AI 已經(jīng)遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)的搜索引擎，它變得非常好用。其次是代碼生成（Code Generation），這絕對(duì)是一個(gè)巨大的飛躍。作為一個(gè)純數(shù)學(xué)家，我以前很少親自去寫厚重的代碼。但現(xiàn)在，AI 徹底改變了我處理數(shù)學(xué)問(wèn)題的方式。

如果我腦子里對(duì)某個(gè)數(shù)學(xué)現(xiàn)象有了一絲模糊的直覺(jué)或預(yù)感，在過(guò)去，我可能只是想想就算了。但現(xiàn)在，我會(huì)直接告訴 AI：“幫我把這個(gè)函數(shù)畫出來(lái)”，或者“你能嘗試用代碼證明一下這個(gè)猜想嗎？”然后它就會(huì)替我去完成驗(yàn)證。

我已經(jīng)開始在日常研究中使用它了。比如，當(dāng)我遇到一個(gè)引理（Lemma），如果我確信我知道該怎么證明，但我實(shí)在懶得去紙上做那些繁瑣的枯燥計(jì)算，我就會(huì)直接把它“外包”給 AI。

當(dāng)然，在極其深入的核心層面——比如當(dāng)我試圖攻克一個(gè)難題，在草稿紙上絞盡腦汁，或者和同事進(jìn)行深度探討時(shí)——AI 現(xiàn)在的水平還不足以在那種對(duì)話層面上與我們進(jìn)行互動(dòng)。它還沒(méi)有達(dá)到我期望的那個(gè)高度。

但也許未來(lái)會(huì)改變。

從社會(huì)學(xué)層面來(lái)看，我認(rèn)為整個(gè)數(shù)學(xué)界也開始意識(shí)到：“這些工具是來(lái)真的，它們不會(huì)消失?！?/strong>

我們必須開始調(diào)整我們做研究的方式。過(guò)去很多極度繁瑣的證明過(guò)程，或者以前我們會(huì)強(qiáng)迫研究生去干的苦力活，現(xiàn)在我們可以直接丟給 AI。這打開了許多以前我們連做夢(mèng)都不敢想的數(shù)學(xué)研究新路徑，尤其是那些需要在大規(guī)模層面處理的項(xiàng)目。

所以，雖然在現(xiàn)有的工作流中，引入 AI 仍然顯得有些笨拙和尷尬，但我認(rèn)為接下來(lái)的重點(diǎn)方向，是為 AI量身定制全新的工作流。

這就像我們剛發(fā)明汽車的時(shí)候。一開始，汽車跑在為馬車設(shè)計(jì)的道路上，處處不適應(yīng)。但漸漸地，我們改變了建造城市的方式，我們?yōu)槠囆拗斯敷w系?，F(xiàn)在，我們的數(shù)學(xué)界正處于那個(gè)尷尬的中間過(guò)渡階段：我們的道路依然是為行人和馬車設(shè)計(jì)的，但我們手里已經(jīng)握著汽車的方向盤了。

OpenAI 的暴力底牌：把“思考的時(shí)間”拉長(zhǎng)到極限

詹姆斯：Mark，聽到陶教授說(shuō)一年前的 AI 是個(gè)“效率低下的研究生”，從你作為模型構(gòu)建者的角度來(lái)看，這也是你們當(dāng)時(shí)的感受嗎？以及你們是在為什么樣的目標(biāo)而構(gòu)建新一代模型的？

Mark Chen：老實(shí)說(shuō)，當(dāng)陶教授在一年前拋出“無(wú)效的研究生”這個(gè)比喻時(shí)，我一點(diǎn)都不覺(jué)得委屈。因?yàn)槟腔揪褪俏覀儺?dāng)時(shí)所處的真實(shí)技術(shù)狀態(tài)。

當(dāng)我們回望 AI 這兩年的發(fā)展軌跡，如果用一個(gè)比喻來(lái)形容，我們?cè)诤笈_(tái)看到的是一場(chǎng)“在刻度表上的爬山運(yùn)動(dòng)（Hill-climbing on a meter plot）”。

在 OpenAI 內(nèi)部，我們一直在追蹤一個(gè)核心指標(biāo)：模型在沒(méi)有任何干預(yù)的情況下，能夠持續(xù)、自主、有效進(jìn)行工作的時(shí)間長(zhǎng)度。

去年這個(gè)時(shí)候，這個(gè)時(shí)間單位還是“分鐘（Minutes）”。

大家應(yīng)該都經(jīng)歷過(guò)那個(gè)階段：你讓大模型去處理一個(gè)稍微復(fù)雜點(diǎn)的任務(wù)，幾分鐘后它就開始產(chǎn)生幻覺(jué)（Hallucinate），或者直接崩潰報(bào)錯(cuò)。只要你給它布置了需要一大塊時(shí)間才能完成的工作，它肯定會(huì)中途摔倒。

但我認(rèn)為，剛剛過(guò)去的這一年，對(duì)我們行業(yè)內(nèi)的很多人來(lái)說(shuō)是一個(gè)巨大的轉(zhuǎn)折點(diǎn)。我們看到模型犯錯(cuò)的概率在顯著下降。因此，你終于可以開始信任模型，讓它去執(zhí)行更長(zhǎng)時(shí)間跨度的工作了。這其實(shí)讓我們得以拆除掉以前必須依賴的很多“輔助腳手架”。

現(xiàn)在的趨勢(shì)極其明顯，所有的模型都在向著能夠自主解決更長(zhǎng)周期問(wèn)題的方向狂奔。我們希望構(gòu)建的平臺(tái)，是能讓全世界的科學(xué)家在上面“自我加速”的。

我們現(xiàn)在看到的景象，就是那些被賦予了 AI 能力的極客們，正在用各種方式突破極限。你可以看到那些 20 歲出頭的年輕人，他們拿著我們新一代的模型，去嘗試解決連資深專家都頭疼的數(shù)學(xué)問(wèn)題。雖然他們的方法可能不那么老練，但通過(guò) AI 的輔助，他們能夠完成大量的自我引導(dǎo)式探索。

這也是我們成立“OpenAI for Science（科學(xué)人工智能計(jì)劃）”的原因之一。就像你提到的那些“首次證明（First Proof）”或數(shù)學(xué)領(lǐng)域的探索，它其實(shí)是我們?cè)诤涂茖W(xué)界進(jìn)行一場(chǎng)深度溝通：搞清楚哪些問(wèn)題才是真正重要、且亟待解決的？

我們?cè)谖锢韺W(xué)領(lǐng)域也做過(guò)類似的嘗試。我們請(qǐng)來(lái)頂尖的物理學(xué)家，讓他們列出哪些問(wèn)題感覺(jué)是可以被 AI 攻克的。這反過(guò)來(lái)幫助我們塑造了 AI 發(fā)展的方向，也讓我們發(fā)現(xiàn)了模型的缺陷和需要補(bǔ)足的短板。

所以，我們的終極目標(biāo)不僅是取代眼前的任務(wù)，而是推動(dòng)整個(gè)科學(xué)前沿的發(fā)展。當(dāng)模型的自主思考能力足夠強(qiáng)，我們就能涉足以前根本無(wú)法觸及的科研深水區(qū)。

埃爾德什問(wèn)題：衡量 AI 智商的終極“試金石”

詹姆斯：說(shuō)到這種探索，我知道陶教授您組織過(guò)很多大型的數(shù)學(xué)社區(qū)倡議。在這個(gè)過(guò)程中，您覺(jué)得 AI 能如何改變這種大規(guī)模的協(xié)作？它是否以一種具有重大意義的方式介入了這種協(xié)作？

陶哲軒：這二者的結(jié)合其實(shí)非常精妙。

AI 帶來(lái)的最大改變，是最終提供了一種分工（Division of Labor）的可能。這在工業(yè)革命以來(lái)的每一個(gè)行業(yè)都發(fā)生過(guò)——除了數(shù)學(xué)。

傳統(tǒng)的數(shù)學(xué)研究，其痛點(diǎn)在于它高度依賴少數(shù)個(gè)體的頭腦。但現(xiàn)在，你可以把數(shù)學(xué)證明拆解成好幾個(gè)部分：提出問(wèn)題、生成策略、篩選策略、執(zhí)行策略、驗(yàn)證結(jié)果，最后再進(jìn)行有效溝通。

只要我們將這種能力體系化，我們的數(shù)學(xué)家只需要在其中幾個(gè)關(guān)鍵環(huán)節(jié)表現(xiàn)出色即可。我們必須具備某種技術(shù)直覺(jué)，知道問(wèn)題的來(lái)源，什么是好的策略；我們必須進(jìn)行嚴(yán)謹(jǐn)?shù)尿?yàn)證，向同行解釋。但這中間有大量繁重的步驟——那些我們以前被迫硬著頭皮自己干的環(huán)節(jié)——現(xiàn)在終于可以卸載給 AI 了。

為了測(cè)試這一點(diǎn)，我們目前重點(diǎn)關(guān)注了“埃爾德什問(wèn)題（Erdos Problems）”。（注：保羅·埃爾德什是一位高產(chǎn)且古怪的數(shù)學(xué)家，他一生提出了數(shù)以千計(jì)的數(shù)學(xué)猜想，并為解決這些猜想的人懸賞獎(jiǎng)金。這些問(wèn)題難度跨度極大。）

埃爾德什問(wèn)題是一個(gè)極佳的測(cè)試場(chǎng)，因?yàn)檫@上千個(gè)問(wèn)題的難度完全是一個(gè)連續(xù)的光譜。有些問(wèn)題是我們做夢(mèng)都想解決但幾十年毫無(wú)進(jìn)展的，我也曾在一兩個(gè)小點(diǎn)上取得過(guò)極其微小的進(jìn)展；但還有一條長(zhǎng)長(zhǎng)的“尾巴”，那里堆滿了大量未被探索、關(guān)注度不高的問(wèn)題。

正是在這部分“長(zhǎng)尾問(wèn)題”上，AI 工具取得了極其驚人的進(jìn)展。在過(guò)去一段時(shí)間里，大概有二三十個(gè)這類問(wèn)題被成功解決，而其中人類只提供了最低限度的監(jiān)督。

我們利用一些正式的驗(yàn)證工具對(duì) AI 進(jìn)行測(cè)試。我們發(fā)現(xiàn)，對(duì)于某些已經(jīng)被充分研究的難題，我們?nèi)祟愑兄逦姆椒ㄕ摚珜?duì)另一些問(wèn)題，AI 確實(shí)能找出突破口。

這促使我們數(shù)學(xué)界的文化也發(fā)生了一次轉(zhuǎn)變。以前，我們只會(huì)把所有的精力傾注在極少數(shù)“地獄難度”的未解之謎上，而完全無(wú)視那些處于中等難度、數(shù)量龐大的其他問(wèn)題。但現(xiàn)在，隨著 AI 工具的發(fā)力，我們作為數(shù)學(xué)家，開始批量釋放這些“我們想知道答案，但懶得自己算”的題庫(kù)。

也許 AI 只能解決其中的 10%，也許另一名高中生用 AI 又解決了 5%。但整體而言，我們正在迎來(lái)一種更具“社區(qū)驅(qū)動(dòng)（Community-driven）”的數(shù)學(xué)研究新范式。

數(shù)學(xué)為什么是 AI 的天然溫床？

詹姆斯：Mark，你之前在分享中提到一個(gè)觀點(diǎn)，說(shuō) AI 在科學(xué)預(yù)測(cè)上已經(jīng)做得很好了，比如預(yù)測(cè)蛋白質(zhì)折疊（AlphaFold）、預(yù)測(cè)天氣，甚至預(yù)測(cè)物理狀態(tài)。但在數(shù)學(xué)和理論物理中，我們需要的是“推導(dǎo)”、“公式”和“證明”。

這種要求是不是對(duì) AI 來(lái)說(shuō)太苛刻了？或者說(shuō)，要讓 AI 提供一條嚴(yán)密的邏輯證明鏈，而不是簡(jiǎn)單地給出一個(gè)概率預(yù)測(cè)，難度是不是大得多？

Mark Chen：這是一個(gè)極其核心的問(wèn)題，也是為什么我對(duì) AI 在數(shù)學(xué)領(lǐng)域的應(yīng)用抱有極大期待的原因。

用一句大家都聽過(guò)的話來(lái)說(shuō)：“數(shù)學(xué)，是一個(gè)試錯(cuò)極其廉價(jià)的地方（Mathematics is a place where experiments are cheap）?！?/strong>也是一個(gè)“失敗極其廉價(jià)”的地方。

我們可以做一個(gè)對(duì)比。如果你是一名土木工程師，你的任務(wù)是造一座橋。如果橋塌了，這是一個(gè)極其昂貴的錯(cuò)誤；如果你是一名外科醫(yī)生，切錯(cuò)了器官，那代價(jià)無(wú)法估量。

但在數(shù)學(xué)里，當(dāng)你試圖證明一個(gè)定理，哪怕你的證明策略徹底失敗了，那也不過(guò)是一次“廉價(jià)的錯(cuò)誤”。

更關(guān)鍵的是，我們現(xiàn)在擁有了“形式化驗(yàn)證系統(tǒng)（Formal Verification Systems）”（注：如 Lean 4 這樣的交互式定理證明器，能夠以代碼級(jí)的嚴(yán)謹(jǐn)度自動(dòng)檢查數(shù)學(xué)證明中是否存在邏輯漏洞）。這簡(jiǎn)直是為強(qiáng)化學(xué)習(xí)量身定制的判官。

在過(guò)去，AI 模型在復(fù)雜推理上經(jīng)常遭遇瓶頸，因?yàn)槟愫茈y在大規(guī)模上給模型的思考過(guò)程進(jìn)行打分。但現(xiàn)在，因?yàn)橛辛诉@些嚴(yán)苛的代碼驗(yàn)證器，我們可以明確地告訴 AI 什么時(shí)候做對(duì)了，什么時(shí)候做錯(cuò)了。這就形成了一個(gè)完美的閉環(huán)。

詹姆斯：所以，這種嚴(yán)格的規(guī)則反而成了解放 AI 能力的鑰匙？

Mark Chen：完全正確。只要我們能用清晰的規(guī)則（比如形式化語(yǔ)言）去評(píng)判它，AI 就能爆發(fā)出驚人的力量。

你看我們?cè)诰幊毯蛿?shù)學(xué)奧林匹克（IMO）中看到的那些重大進(jìn)展。當(dāng)我們能提供明確、高難度的指標(biāo)讓大模型去挑戰(zhàn)時(shí)，它的進(jìn)化速度是指數(shù)級(jí)的。但遺憾的是，很多極其重要的現(xiàn)實(shí)能力，是無(wú)法被這樣輕易量化的。

舉個(gè)例子，人類之間是如何協(xié)作的？我們常說(shuō)兩個(gè)人合作時(shí)有沒(méi)有“默契（Vibes）”。但在強(qiáng)化學(xué)習(xí)（RL）里，你該如何去計(jì)算和獎(jiǎng)勵(lì)一段“默契”的合作？（全場(chǎng)大笑）

這正是目前 AI 對(duì)齊（Alignment）領(lǐng)域最頭疼的問(wèn)題。我們希望模型具備高超的硬核科學(xué)能力，同時(shí)又希望它在和人類交互時(shí)是個(gè)“好隊(duì)友”。但在訓(xùn)練中我們發(fā)現(xiàn)，很多時(shí)候你越是要求它表現(xiàn)得溫和、配合，它在極端理性推理上的能力就越容易受損。這是我們接下來(lái)一年要重點(diǎn)解決的平衡難題。

AI 會(huì)創(chuàng)造新的“微積分”嗎？

觀眾提問(wèn) 1：在諸多科學(xué)領(lǐng)域中，比如物理或生物學(xué)，最偉大的突破往往不是“證明了某個(gè)已知定理”，而是創(chuàng)造了一個(gè)全新的理論框架（New Paradigm），或者說(shuō)是創(chuàng)造了一個(gè)全新的“世界模型（World Models）”。目前我們使用的主要是預(yù)測(cè)下一個(gè) Token（Next-token prediction）的生成式模型。你們認(rèn)為，未來(lái)的 AI 會(huì)具備這種“建模整個(gè)物理世界”的能力，從而幫我們發(fā)現(xiàn)類似廣義相對(duì)論那樣的新框架嗎？

Mark Chen：這是一個(gè)非常深刻的問(wèn)題。首先，我們需要厘清“世界模型”這個(gè)概念。

大語(yǔ)言模型（LLM）本身也是一種世界模型。它把人類所有的文本知識(shí)壓縮在它的權(quán)重里。當(dāng)你問(wèn)它物理問(wèn)題時(shí)，它確實(shí)能展現(xiàn)出某種對(duì)物理規(guī)律的理解。但如果我們談?wù)摰氖?strong>“純數(shù)字原生”的世界模型——即不通過(guò)語(yǔ)言，而是通過(guò)與數(shù)字環(huán)境交互來(lái)直接模擬物理世界——這確實(shí)是另一個(gè)維度的挑戰(zhàn)。

我們?cè)陂_發(fā)視頻生成模型（比如 Sora）以及一些游戲引擎的模擬中發(fā)現(xiàn)，當(dāng)我們強(qiáng)迫 AI 去模擬物理規(guī)律時(shí)，它常常會(huì)展現(xiàn)出極強(qiáng)的“漏洞利用（Exploitation）”本能。

這有點(diǎn)像你訓(xùn)練一個(gè) AI 玩游戲，如果你給它的獎(jiǎng)勵(lì)機(jī)制設(shè)置得不夠完美，它不會(huì)去學(xué)習(xí)如何優(yōu)雅地通關(guān)，而是會(huì)敏銳地發(fā)現(xiàn)游戲引擎的一個(gè) Bug，然后利用這個(gè) Bug 瘋狂刷分。

當(dāng)你試圖用純 AI 來(lái)取代一個(gè)基于硬核物理法則（如 Navier-Stokes 方程）編寫的流體力學(xué)模擬器時(shí)，最可怕的事情不是它學(xué)不會(huì)，而是它會(huì)為了最大化得分，在某個(gè)邊緣情況中“虛構(gòu)”出一套荒謬的物理規(guī)律。這種脫離了真實(shí)物理驗(yàn)證的“自由想象”，在科學(xué)研究中是極其危險(xiǎn)的。

這也是為什么我們目前依然堅(jiān)持：AI 的核心價(jià)值在于“作為人類智力的加速器”，而不是讓它在一套缺乏地基的虛擬系統(tǒng)里獨(dú)自造神。

陶哲軒：我非常同意 Mark 的觀點(diǎn)。

在數(shù)學(xué)研究中，情況也是類似的。很多公眾對(duì) AI 的期待有一種誤解，以為 AI 就是一個(gè)無(wú)所不知的神諭機(jī)，你輸入一個(gè)問(wèn)題，它吐出一個(gè)完美的答案。如果它做不到，大家就會(huì)說(shuō)它不過(guò)如此。

但這其實(shí)剝奪了科學(xué)探索中最寶貴的東西——我們想要的并不只是答案，我們真正渴望的是推導(dǎo)答案的那個(gè)過(guò)程。

目前 AI 在處理那些需要全新概念（New Concepts）的數(shù)學(xué)問(wèn)題時(shí)，依然表現(xiàn)得像個(gè)蹣跚學(xué)步的孩子。如果一個(gè)問(wèn)題需要借用幾個(gè)不同領(lǐng)域的已知理論，AI 的表現(xiàn)會(huì)堪稱驚艷。但如果要解決的問(wèn)題需要一種人類文獻(xiàn)中從未出現(xiàn)過(guò)的思考路徑，AI 就無(wú)能為力了。

但我并不認(rèn)為這是一種局限。相反，這完美地界定了人類與 AI 的協(xié)作邊界。

就像我剛才說(shuō)的，數(shù)學(xué)的海洋是無(wú)邊無(wú)際的。有少部分問(wèn)題，需要天才的直覺(jué)、需要十年如一日的死磕、需要?jiǎng)?chuàng)造出類似“微積分”這樣的全新范式才能解決。這部分工作，目前依然、也將長(zhǎng)期屬于人類。

但數(shù)學(xué)世界里更多的，是那數(shù)以百萬(wàn)計(jì)的、難度中等、繁瑣枯燥的“長(zhǎng)尾問(wèn)題”。這些問(wèn)題同樣構(gòu)成了人類知識(shí)大廈的基石，但過(guò)去我們根本沒(méi)有足夠的人力去處理。

這就是 AI 接下來(lái)要大顯身手的地方。它不會(huì)立刻寫出超越愛(ài)因斯坦的理論，但它會(huì)在接下來(lái)的幾年里，以我們無(wú)法想象的速度，清掃掉科學(xué)大廈里所有的灰塵與盲區(qū)。

而當(dāng)這一切完成時(shí)，人類的科學(xué)家們，終于可以卸下所有的包袱，站在 AI 鋪設(shè)好的地基上，去眺望更遠(yuǎn)的星空。

詹姆斯：我想，沒(méi)有比這更精彩的結(jié)語(yǔ)了。無(wú)論是作為一位被“賦能”的純粹數(shù)學(xué)家，還是作為正在打造這些“數(shù)字大腦”的工程師，你們?yōu)槲覀兘沂玖艘粋€(gè)充滿無(wú)限可能的時(shí)代。

閱讀最新前沿科技趨勢(shì)報(bào)告，請(qǐng)?jiān)L問(wèn)21世紀(jì)關(guān)鍵技術(shù)研究院的“未來(lái)知識(shí)庫(kù)”

未來(lái)知識(shí)庫(kù)是 “21世紀(jì)關(guān)鍵技術(shù)研究院”建 立的在線知識(shí)庫(kù)平臺(tái)，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級(jí)智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類風(fēng)險(xiǎn)等等領(lǐng)域的前沿進(jìn)展與未來(lái)趨勢(shì)。目前擁有超過(guò)8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問(wèn)https://wx.zsxq.com/group/454854145828進(jìn)入。

截止到2月28日 ”未來(lái)知識(shí)庫(kù)”精選的百部前沿科技趨勢(shì)報(bào)告

（加入未來(lái)知識(shí)庫(kù)，全部資料免費(fèi)閱讀和下載）