陶哲轩谈日常AI在数学中的应用：假设生成与验证
陶哲轩，菲尔兹奖得主，在日常数学研究中使用AI。生成想法的成本已降至零，但验证仍是瓶颈。模型以1-2%的概率解决埃尔德什问题列表中的简单问题，复杂问题仍需人工监督。
开普勒时代的思想生成
AI以高温度生成数千个假设，类似于开普勒筛选太阳系理论。大多数是噪声，但在具有可靠验证的数据集（如第谷·布拉赫的观测）中，有用的信号会出现。陶哲轩强调：没有数据，想法仍属于垃圾类别。开普勒的《宇宙的和谐》一书在关于天体音符的推测中包含了行星运动第三定律——这是噪声中信号的经典例子。
在开发中，这体现在代码生成中：LLM生成变体的速度比审查快。自动化测试检查语法，但语义正确性和任务对齐需要人工分析。
陶哲轩是谁及其见解的重要性
陶哲轩研究数论、组合数学、调和分析、微分方程和随机矩阵。15岁首次发表论文，31岁获得菲尔兹奖。作为没有商业利益的实践者，他基于实际结果评估AI。在2026年3月20日与Dwarkesh Patel的采访中，陶哲轩通过历史科学方法的视角分析AI。
- 陶哲轩的专业领域： 数论、组合数学、调和分析。
- 其观点的优势： 无财务动机，专注于实践。
- 与AI领导者的比较： Amodei和Altman推广产品，陶哲轩推广声誉。
思想生成成本的崩溃
AI使思想生成变得像互联网使通信一样廉价。以前，科学专注于洞察（阿基米德、牛顿）。现在，每分钟数千个假设淹没了同行评审。期刊被AI提交淹没；旧系统无法应对。
对于开发者：AI加速编码，但拉取请求的积压增加。CI/CD捕获基本错误，但不保证解决正确的问题。陶哲轩强调像第谷·布拉赫这样的验证者的作用：20年的精确数据使开普勒定律成为可能。
埃尔德什问题的结果：没有幻想的统计
AI解决了约1100个埃尔德什问题中的50个，其中一些已开放数十年。激增之后——平台期：模型发现次要观察或已知解决方案，但没有新的突破。
- 每个问题的成功概率：1-2%。
- 规模补偿低准确率。
- 选择偏差：Twitter显示胜利，忽略98%的失败。
陶哲轩的比喻：AI是比人类跳高2米的机器人。征服低峰但不攀登山脊。随着模型升级——新的激增，然后平台期。
陶哲轩的实践：加速辅助任务
2023年的预测成真：AI是可靠的合著者。陶哲轩的论文变得更丰富：更多代码、图表、实验。文献综述更深入，LaTeX格式化更快（代理调整括号）。没有AI——慢5倍。
但核心——解决复杂问题——仍在纸上。论文更广泛和丰富，但不更深。
在开发中类似：
- 加速： 样板代码、重构、测试、文档。
- 未变： 架构、领域分解、方法选择。
聪明与智能
陶哲轩区分人工聪明（跳跃到目标）和人工智能（迭代进步）。模型聪明：一次性解决十年老问题。但没有会话记忆，累积学习。每次迭代从头开始。
在数学中，解决方案是数月步骤的构建。AI不构建链条。工程类比：编码与设计带约束的系统。
理解智能的哥白尼式转变
人类智能不是中心。AI显示其他类型的认知：跳跃强，链条弱。重新评估任务：乘法对人类难，对机器易；证明定理——相反。
对偶然发现的威胁
陶哲轩指出随机性的丧失：搜索引擎给出精确结果，没有图书馆中的相邻发现。Zoom消除了计划外的对话。AI通过过滤噪声优化——但偶然发现源于噪声。陶哲轩有意引入混乱以获取灵感。
重要点：
- AI廉价生成假设，但验证是瓶颈。
- 埃尔德什问题的成功：1-2%概率，规模重要。
- 辅助任务加速5倍，核心任务0加速。
- 模型聪明，不智能：无累积进步。
- 在优化世界中失去偶然发现的风险。
— Editorial Team
暂无评论。