AI在数学前沿的突破与基准测试的局限性

本期播客来自《Dawkish Podcast》2026年的一期深度对谈，主持人Dawkish Patel与三Blue一Brown创始人Grant Sanderson围绕人工智能在数学前沿的进展速度展开讨论。Grant正在制作一个新项目，系统记录AI在数学领域的突破，而这场对话的核心问题是：当AI能攻克千禧年大奖难题时，人类的创造力与科学发现将走向何方？

Grant指出，三年前他预见到“能在IMO拿金牌的AI ≠ AGI”，因为这类任务本质上仍是可训练的基准测试。事实也印证了这一点：2024年，AI在IMO几何题上平均仅用19秒即完成解答，几乎“秒杀”；但面对组合题时仍显吃力——这并非因为组合题更“需要创造力”，而是因其更依赖模式识别与启发式策略的组合，而非纯粹暴力求解。Grant强调，数学本身具有尖峰前沿性（peak frontier），不同子领域难度差异极大；而这种尖峰性又呈现分形结构，即在微观层面继续放大，仍能看到“易解”与“难解”的交替分布。

“整个AI与数学项目之所以有意思，原因之一就是AI有一个尖峰前沿，数学正好就在其中一个尖峰上。”

“IMO拿金牌并没有给世界带来变革性影响……但若AI能解决千禧年大奖难题，那种能力若未渗透到其他经济领域，反而会让人觉得奇怪。”

创造力的本质：连接、构造与定义生成

Grant进一步区分了AI当前能力与真正“变革性智能”的边界。他以黎曼猜想为例，指出其可能的解法路径之一，是像当年休·蒙哥马利与弗里曼·戴森那样——跨领域建立统计规律的意外连接（如数论与随机矩阵理论的关联）。这种“闪电式连接”若能由AI自主完成，将远超现有大模型的水平，但又不等同于执行白领任务所需的综合能力。另一种路径则更接近费马大定理的解法：需先构建两座庞大的理论“大山”（如椭圆曲线与模形式），再提出能连接它们的桥梁性问题。这种能力——提出正确新概念、构建新理论框架——才是真正的创造力核心。

Grant认为，定义生成（definition generation）是数学创造力的最高层级：好的数学家证明定理，伟大的数学家提出猜想，而最伟大的数学家创造定义。他举例伽罗瓦理论：其价值并非即时显现，而是历经百年才在密码学、对称性物理等领域被验证为“高生产力”的概念工具。这揭示了一个关键点：重大科学突破的价值往往无法在短期验证循环中评估，而RLVR等训练范式天然依赖即时反馈，因此难以捕捉这类长期价值。

“你需要的不是‘什么都懂’，而是只差你帮他找到那个闪电式的连接点。”

“好的数学家证明定理，伟大的数学家提出猜想，而最伟大的数学家创造定义。”

从二次方程到五次方程：一个古老问题的演进

二次方程求根公式在古希腊时期就已被掌握，但真正以代数形式写出该公式的，是阿拉伯数学家。更富戏剧性的是，三次与四次方程的求根公式是在16世纪意大利数学家之间一场“智力决斗”的背景下被陆续发现的——这并非真刀真枪的决斗，而是以学术挑战为形式的智力竞赛。当四次方程的公式被揭示后，一个自然且极具诱惑力的问题浮出水面：是否存在一个通用的五次方程求根公式？

当时人们本能地认为，随着方程次数升高，公式复杂度可能呈指数级增长，因此五次方程的公式即便存在，也可能过于冗长而难以操作。但真正关键的转折点，并非来自对“能否找到”的追问，而是来自拉格朗日的深刻洞察：能否解多项式，本质上取决于其根的对称性结构。他意识到，若能找到一个含五个自由变量的代数表达式，在所有120种排列下仅取至多四个不同值，就可能暗示五次方程不可解。这看似是一个十二岁孩子都能理解的脑筋急转弯，却成为人类历史上首次将“对称性”与“可解性”建立直觉性联系的尝试。

拉格朗日就在那儿琢磨：这是我尝试解决这个问题的一个策略。我能找到五次多项式的公式吗？这个策略行不通，至少从这个策略来看，似乎是不可能的。

他算是播下了这颗种子。

伽罗瓦的遗产：抽象直觉与可验证奖励的断裂

拉格朗日虽未解决该问题，却为后人指明了方向。近半个世纪后，阿贝尔以严格证明宣告：五次方程不存在通用根式解。但他并未彻底终结问题——他证明的是“不可能存在”，而非“某些五次方程不可解”。真正完成范式跃迁的是伽罗瓦：他没有给出具体反例，而是构建了一套抽象理论框架，即今日所称的伽罗瓦理论，用以判断任意给定多项式是否可用根式求解。

伽罗瓦的贡献远超技术性突破，而在于他提出了一个根本性转向：我们不该执着于“写出公式”，而应追问“为何无法写出”。他在20岁死于一场决斗前夜，仓促写下大量手稿，托付亲友转交高斯等顶尖学者。然而，这些笔记因表述零散、缺乏连贯逻辑，被当时的学术共同体拒绝认可——这是“可验证奖励”机制失效的典型案例：价值存在，但缺乏可被当下评审识别的验证路径。

他有一种直觉，认为我们应该进入另一个抽象层次，不是去思考公式本身，而是去思考这些公式背后潜藏的对称性。

你完全可以想象历史走向另一种可能。如果伽罗瓦这个人没那么戏剧性，他可能就被历史遗忘了。

理解的经济性：从可验证性到压缩智能

伽罗瓦理论的价值在数十年后才被刘维尔、若尔当等人重新发掘并体系化，最终催生了现代群论。其应用更是延至20世纪：盖尔曼基于群论分解规则，预言了夸克的存在——这说明，一个看似纯抽象的数学直觉，可能在遥远未来引爆物理革命。

这引出一个核心问题：若以“解决问题”为唯一可验证奖励标准，我们将系统性忽略那些尚未形成清晰证明、却指向深层结构的直觉性洞见。作者联想到近期AI在数学中的应用：当AI解决单位距离猜想反例时，其推理链虽难为外行理解，但在专家眼中却是可理解、可复现、并能反哺人类认知的；相反，若AI仅靠蛮力输出数千页证明（如费马大定理的初等证明可能路径），则可能丧失“理解增量”。

因此，他提出一种启发式标准：奖励“压缩智能”——即用更简洁的概念结构承载更强的解释力与预测力。这不仅关乎数学，更关乎科学本质：我们追求的不仅是预测，而是理解。即便AI能证明黎曼猜想，若其证明无法被压缩为人类可把握的结构，那它仍是一场“黑箱胜利”。真正的挑战在于：如何设计奖励机制，既认可突破性结论，也珍视其背后的简洁性直觉？

你仍然会想训练AI去做这件事，去找到那个压缩后的表达。

所以，大家特别担心数学这个领域，怕AI证明了黎曼猜想。但我们对数学的理解一点儿没加深。

证明与理解的鸿沟

在数学中，证明与理解是两个截然不同的目标。以连续统假设为例——它询问自然数与实数之间是否存在中间层级的无穷大——其答案并非绝对的“是”或“否”，而是取决于所采用的公理体系。这一结果虽已被严格证明，但其解释却异常晦涩，尤其依赖于“forcing”这一技术工具。作者指出，真正令人着迷的并非“它是否成立”，而是“我们为何相信它成立”。这引出了一个核心观点：即使一个命题已被证明，人类仍会渴望一种更深层的、可直观把握的解释。正如文中所言：

我想提出一个未解决的阐述性问题，就是说，没错，我们证明了它，但我们并不真正知道它为什么是对的。

这种对“为什么”的执着，构成了作者全部工作的驱动力——即探索：在已有证明的基础上，什么才是理解它的最清晰方式？这不仅是数学哲学的问题，更是科学传播与认知设计的核心挑战。

阐释力即创造力

历史上那些真正开创性的人物——爱因斯坦、香农、费曼——往往同时也是最卓越的阐释者。他们的论文并非晦涩难懂的专家密码，而是以清晰语言构建直觉、搭建桥梁。这暗示了一个深刻关联：大脑中负责生成原创洞见的机制，很可能与生成清晰解释的机制高度重合。作者推测，AI未来可能不仅擅长推导定理，更会擅长“讲好故事”——即提炼出可理解的叙事框架。这将彻底改变数学家的角色定位：

也许大脑里负责在研究层面想出正确新思路的那个部分，同时也擅长做好解释。

由此，人类的角色可能转向“策展人”：在AI生成海量数学成果的背景下，由人来判断哪些连接值得被关注、哪些洞见值得被展示。这与音乐产业中人类艺术家的价值逻辑相似——即便AI生成的音频在技术上更完美，人们仍更愿意追随有故事、有判断力、有共鸣的策展者。

连接，而非解题：科学突破的新范式

数学的前沿进展正从“攻克单个难题”转向“发现跨领域联系”。朗兰兹纲领便是典型：它不聚焦于某一道具体题目，而是描绘一张隐秘的数学地图，鼓励研究者寻找看似无关领域间的深层映射。费马大定理的最终证明，正是通过连接椭圆曲线与模形式实现的。作者指出：

很多数学家会把自己的工作描述成试图理解这张地图上的脉络……大家几乎是抢先去找这些联系。

AI的潜力正在于此——它有望成为超级连接器。但难点在于：自回归模型天然倾向于可预测的token延续，而真正突破性的连接往往是“不可能的连接”。作者质疑：当前架构是否具备激发这种“闪电式跨域联想”的能力？抑或需要更根本的机制创新？他推测，未来突破可能来自： - 设计能刻意打破上下文惯性的训练环境（如让agent尝试证伪而非证实）； - 构建多agent协作系统，赋予不同agent异质上下文，模拟人类“跳出框架”的思维切换； - 利用AI的并行性与可扩展性，系统性探索人类个体难以覆盖的连接空间。

如果三年后我们再来聊这个话题，那些登上头条的重要成果里有多少会带有这种特征？基本上就是擦除之前的上下文，尝试一堆不同的东西，而不是把一堆不同东西的结果合并起来。

系统性探索：多视角对抗式推理

在AI辅助科研的语境中，一个极具潜力的范式是系统性地引入多 agent 对抗机制：让一个 agent 专注于尝试证明某命题，另一个则致力于证伪它；两者被赋予不同的上下文与启发式偏见，从而避免陷入单一思维路径的“坍缩”。这种设计直指人类科学史上的一个关键教训——爱因斯坦的成功恰恰源于他强烈的先验信念（如“物理定律在所有参考系中形式不变”“上帝不掷骰子”），这些偏见驱动了突破，但也可能成为认知盲区（例如在量子力学上的固执）。AI 的优势在于：我们可以主动构造多种偏见体系，并让它们并行探索逻辑空间的不同区域，而非依赖单一人类直觉。这本质上是在 prompt 层面注入“可控熵”，对抗自回归模型固有的路径依赖。

你几乎得确保别一不小心让你所有的 L M 都成了爱因斯坦，因为你可能会在量子力学这里卡住。

对，这其实正好说明对科学来说不存在唯一正确的启发式方法。你实际上需要的是多个独立的研究项目，各自带着自己的启发式方法。

可反复尝试性：AI 进展的核心加速器

尽管可验证性常被视作 AI 在数学与编程领域突飞猛进的主因，但更根本的驱动力是可反复尝试性（repeatable trial）——即在安全、隔离的环境中无限次重放、试错、迭代。数学与代码天然具备这一特性：定理可被形式化验证，程序可被自动化测试；而现实世界（如电商结账、交易系统）则受限于反机器人机制、高并发成本与环境非稳态，难以支持大规模并行 rollout。这解释了为何深度学习在这些领域进展缓慢：样本效率低下 + 无法安全重放 = 高试错成本。相比之下，数学提供了一个近乎理想的“模拟器”：你可以对同一问题启动上千个并行推理链，不断修正、分叉、回溯，而无需担心被现实系统封禁。

顺便说一句，目前用深度学习来学习一项技能，之所以需要做这么多并行 rollout，是因为我们还没有解决样本效率的问题。就像 Jeff Bezos 说的，用吸管吸取监督信号。

Lean 的真正价值：无限扩展的逻辑宇宙

Lean 的重要性常被简化为“自动验证证明”，但其更深层价值在于它支持一种无需人工审核即可持续演化的知识生态：设想一个 AI 分叉出独立的 Mathlib 版本，持续运行数年，不断生成新定义、新猜想与新证明，完全自主地探索逻辑空间。这不同于 AlphaGo——后者虽可自我对弈，但其奖励函数仍锚定人类设定的胜负；而 Lean-based AI 可在无结果导向监督下，仅凭“每一步逻辑正确”的过程性约束，长出一棵无限的数学树。即便多数分支无用，只要其中一枝结出“有用果实”（如一套非标准公理体系能推导出丰富定理），就可能催生全新理论方向。陶哲轩的“穷举代数系统”实验正是这一思路的缩影：在公理空间中盲目搜索，再事后赋予其动机与解释。Lean 提供的不仅是验证，更是一种文明级知识引擎的原型——它让人类第一次有可能启动一个完全自主、指数级扩展的理性系统。

零的另一个意义在于，假设你有一个纯自然语言的强化学习环境，还有一套纯自然语言的证明……如果有任何东西能给你一个绿色的对勾，告诉你即使这个东西理解起来很复杂，即使读起来很痛苦，但你至少知道它是正确的。

写作的非模块性与不可预测性

写作之所以比代码或数学更难被AI掌握，核心在于其非模块化本质：在代码中，只要功能正确，实现方式可以灵活调整；而在写作中，最终产品即内容本身，每个词、句、段落都直接构成意义，无法像代码那样“先凑合用，再优化”。这使得写作对质量的要求极高——“代码可以是垃圾，但仍然能产出你想要的结果。但写作不行。”

更深层的挑战在于，写作不仅是已有思想的蒸馏，更是洞察力的生成过程。自回归模型擅长解释已知内容，却难以在正确节点做出不可预测的举动——那种真正推动认知边界的直觉性跳跃。正如Grant指出的：“即使他更擅长解释已有的东西，但最初产生那本你想要蒸馏的书的东西又是什么呢？那本书不是LLM生成的。”

“写作的关键在于洞察力是什么，而这正是问题所在。” “究竟是什么让探索本身变得有价值，让你愿意把内容上传上去？我觉得，当人们说他们写作不行时，指的正是这一面，就是那种不可预测性，那种刻意选择新颖与常规生产方式直接矛盾的东西的能力。”

心智理论缺失与具身认知鸿沟

LLM在写作上的局限，也与其心智理论（Theory of Mind）能力薄弱密切相关。写作不仅是逻辑输出，更是对读者当下与未来心智状态的动态建模——例如写一张好的间隔重复提示卡，需要预判读者三个月后如何关联问题、会如何反应。这种能力依赖一种具身的共情机制：人类通过模仿他人面部表情来理解其情绪（如肉毒杆菌实验所示），而LLM没有身体，无法进行这种潜意识的镜像映射。

Anima Tusha等人的研究揭示，即便用强化学习、巨型prompt等技术，模型仍难以写出高质量记忆卡——因为这本质上要求模型“投射出三个月后的心智状态”，而不仅是复述已知信息。Grant进一步指出，LLM在组织概念时缺乏“正确的动机铺垫”，它们倾向于顺着用户提问的表面逻辑走，而非像优秀教师那样重新框定问题、借力打力。

“当你写东西的时候，这个过程之所以如此耗费心力、如此漫长，是因为你每写一个词或者每写一句话，都应该在想我的读者此刻脑子里在想什么。”

学习范式：从模型到人类作者的桥梁

LLM在学习中的最佳角色并非替代作者，而是精准定位优质人类内容的超级搜索引擎。Grant的经验是：与其依赖模型长篇解释，不如直接问“我应该去读谁的东西？”，再结合原始文献、视频或书籍深入理解。例如，他曾被LLM误导点击一个链接——视频内容优质，但作者被错误标注；这反而印证了人类作者精心构建的动机序列（如Strogatz《混沌》教材）无可替代。

他提出学习的三层模型：LLM处于第一层（被动应答），优秀讲解者处于第二层（组织逻辑），而顶尖教师处于第三层（顺着学生思路借力打力）。未来LLM或许能逼近第二层，但第三层——那种对认知偏差的敏锐识别与重构能力——仍高度依赖人类的具身心智。

“你需要把这一层剥掉……他们特别像那种讨好型人格，总是哦这个问题问得真深刻那种感觉。”

职业路径：价值创造与资金来源的清醒认知

在讨论AI对数学未来的影响前，必须先厘清一个更基础的问题：你所从事的工作，究竟在为谁创造价值？钱从哪里来？ 这一点常被忽视，尤其是对数学方向的学生而言——他们往往因长期在解题中获得正向反馈而选择这条路，却很少反思：当别人愿意为你的工作付费时，他们究竟在为哪部分付出买单？

现实中，数学家的收入来源高度分化：有的靠学术声望吸引高校聘任（大学购买的是其品牌效应）；有的依赖NSF等机构拨款，背后是社会对基础科学公共价值的集体信念与配套制度；还有的通过教学直接提供服务（专家授课本身即品牌价值+直接教学价值）。无论AI能否自动证明定理，数学家的社会角色核心始终围绕‘被认可的价值创造’展开。

“不管AI能不能证明定理，不管我们是在2016年还是2026年讨论这个问题，那些想着我要当数学家的学生，对这件事想的都太少了。”

“搞清楚钱从哪儿来，搞清楚你在其中的位置。如果你能问出这些问题，其实就已经比其他所有刚起步想当数学家的人领先好几步了。”

AI时代下数学家角色的延续与转型

假设定理证明高度自动化，且AI不仅能产出结果，还能解释其意义、促进人类理解，数学家的核心社会功能未必剧变：公众仍会信任数学共同体内部对‘有价值成果’的判断，声望依然来自同行认可，而非外部应用指标。数学的价值判断文化将内生演化——重心可能从‘证明’转向‘定义’或‘组织’，数学家更像策展人，引导AI探索方向。

尤其在教学领域，人与人之间的深度互动（教练、导师角色）将成为最抗AI冲击的职业形态之一。当社会富裕度提升，家长对优质教育的付费意愿增强，数学教师若能结合前沿洞见提供高阶指导，其社会价值反而可能上升。因此，有志于数学的学生，值得认真考虑成为数学教育者——这不仅是职业选择，更是为下一代构建认知基础设施。

“教学是后AGI时代最稳定的工作之一，因为它太依赖人与人的关系了。”

数学突破与现实应用：渐进渗透而非断层跃迁

即便AI将数学推进速度提升十倍甚至百倍，纯数学成果向现实世界的转化仍大概率是渐进式、非线性的。例如代数数论的进展未必立刻带来经济价值，但偏微分方程研究却已为波音节省数十亿美元——关键在于问题是否锚定现实复杂系统。

未来更可能的图景是：AI在数学内部快速生成新结构、新问题，而人类数学家则扮演‘策展人’角色，判断哪些方向值得投入、哪些洞见可外溢至物理、工程、材料等领域。这种‘价值翻译’能力将成为关键杠杆。若未来五年AI数学进展仍无法催生哪怕一项显著经济改进，反而会引发对数学实用性的集体反思：我们是否已陷入‘自洽但无用’的符号游戏？

“如果只是解决了一堆凭空想出来的问题，却没有一个真正触及物理世界，那确实挺让人失望的。”