数学的六大支柱与数的起源
我是陶哲轩，加利福尼亚大学洛杉矶分校的数学教授。在我即将出版的新书《Six Math Essentials》中，我将探讨数学的六大核心支柱、历史上数学与科学的相互作用，以及 AI 的最新发展如何影响未来。这六大概念分别是：数、代数、几何、概率分析和动力系统。尽管它们起源于几千年前，且最初非常直观，但经过数学家的发展已变得极其深奥复杂。若剥离技术复杂性，它们本质上仍是直观概念，而现代数学只是用来精确描述这些概念的语言工具。
数是人类最古老的数学发明之一。考古记录显示，数的概念比字母表更古老，且由多个文明独立发明。数作为数量、尺寸和量级的占位符，带来了精确性。如果没有数，我们在描述情况时只能使用诗意且模糊的语言，导致信息在传递中产生偏差。人类天生不擅长定量思考，缺乏这种能力可能导致做出错误的资源分配决策（如高投入低回报）。因此，理解数及其衍生主题（如概率和代数）对于农业、贸易乃至税收等文明基础至关重要。虽然并非所有决策都需量化（如情感选择），但在金融和医学等现代领域，定量思考极具价值。
数的奇妙之处在于其自我生命力。一旦抽象出数，人们便发现规律并自然扩展了数系。从最初的计数（羊的数量）出发，为了解决减法中“不够减”的问题（如 3-4），人们发明了负数。随后，为了处理除法，创造了分数（有理数）。然而，一个震撼的发现是：在有理数之间存在着无法表示为比例的无理数（如根号二）。在拉丁语中，“无理”意为“疯癫”，暗示了当时人们对这些数的震惊。尽管它们的小数位无限不循环，却极具实用性。
数是人类最古老的数学发明之一，而且说实话，它至今依然是最有用的。
你会发现规律，而且往往会发现很自然的就会去扩展已有的数系，创造出一些你原本想不到能用在最初语境里的新数。
代数的抽象力量与开普勒的酒桶
代数建立在数之上的第二层抽象。在数的层面，我们将具体事物（如羊群、水量）替换为符号；而在代数中，我们进一步用通用占位符（如 x 和 y）代替具体数字，并研究运算本身的性质。人们发现算术中的基本定律（如加法的交换律：a+b = b+a）具有广泛的适用性。例如，旋转操作也是可交换的（先转 30 度再转 60 度，与顺序相反结果相同），尽管它不是传统的加法或乘法。这种结构同构性允许我们将关于数的直觉和证明迁移到完全不同的场景，如矩阵运算。现代技术（包括大语言模型）的高效处理正是依赖于对这种代数结构的掌握。
代数的早期应用体现在开普勒的酒桶问题。作为天文学家，开普勒观察到酒商仅凭一根穿过注酒孔的对角线刻度棍就能快速估算桶的容积。这让他着迷：如何仅凭单一测量值确定复杂形状（高细或矮胖）的容积？开普勒回家后建立方程，假设半径为 r、高度为 h。他发现单一长度无法完全决定容积，但考虑到商人追求利润最大化（在给定斜长下使体积最大），他通过初步的微积分运算推导出了最优形状。这一理论结果与市场实际使用的经验规格高度吻合，不仅解释了现象，也被认为是后来牛顿和莱布尼茨发展微积分理论的灵感来源之一。
如果你很擅长处理数，你就可以用同样的方法去处理矩阵。我们许多现代技术，比如大语言模型，底层的依托就是能够非常非常高效的处理矩阵。
他发现，仅仅这个长度并不能完全决定容积。但酒商总想尽可能多卖酒... 结果算出来的形状跟市场上实际卖的酒桶几乎完全吻合。
几何的延伸与概率的不确定性
几何在希腊语中意为“丈量土地”。自古以来，测量距离和角度对于导航、交通及海上航行至关重要。几何遵循类似数的定律，其中相似性原理尤为关键：若两个图形角度相同（相似），则其边长成固定比例。这一原理允许我们预测无法直接测量的尺度。例如，通过测量仰角和已知高度，利用相似三角形即可估算远处山峰的距离或月球、太阳的遥远距离。在古希腊时期，即便没有卫星技术，人们也能通过几何定律获得相当精确的天体距离数据。掌握几何时，感官得以延伸至远超直接触碰的范围。
第四个要素是概率。它是数学家处理现实世界不确定性的标准方式。与课堂中结果完全可预测的应用题不同，真实世界充满不可预测性（如抛硬币的结果）。虽然理论上若掌握所有初始条件可精确模拟，但这极难实现。因此，人们转而关注结果出现的频率。概率论起源于赌徒为优化下注策略写给数学家的信件。如今，只要系统复杂到无法从第一性原理完全建模（如股市、药物研发），就需要概率模型。
尽管针对极端罕见事件（百年一遇）的数学方法仍在研究中，但概率论在处理反复发生的事件时非常有效。一个奇妙的发现是普遍性定律：无论随机系统多么不同（如身高分布、遗传特征），它们往往呈现出几种常见的形状，其中最著名的是高斯分布（钟形曲线）。数学分析则处理另一种不确定性：测量误差。它关注数值周围的正负误差棒，因为仅靠定性语言（大/小）无法精确描述近似值的可信度。例如，测量长度为 2 米时，必须明确其不确定范围（如 ±10 厘米）。
一旦你知道两个图形相似，它们的各个角度完全一样，那么它们的所有边长就都成比例。
你可能会认为在每种不同情况下，你会得到完全不同的各种分布... 但概率论里有一些很奇妙的定律，叫做普遍性定律。
数学分析：驾驭误差与无穷大的精密工具
数学分析是处理测量不准确性与极限过程的核心方法。在现实世界中，我们不仅需要了解物理量的数值，更需明确其不确定性范围（误差棒）。虽然理想状态下希望误差为零，但现实中往往需要无限高的精度或时间才能逼近这一目标。因此，数学分析研究如何取极限以及如何处理无穷大。在代数中，有限次运算遵循严格的交换律等定律；但一旦涉及无限次运算，会出现反直觉的悖论。例如在轮盘赌中，“输了加倍”的策略看似能确保长期必赢，实则隐含了无限资金的假设。这种策略将所有风险压缩到极小概率事件上，一旦遭遇连续失败导致破产，之前的收益便毫无意义。数学分析帮助我们准确理解这些尾部风险，并学会以严谨的方式思考无穷大。
在数学分析出现之前，许多关于“无限”的论述是不严谨甚至危险的。尽管现实世界处理的是极大而非真正的无穷大数字，但无穷大作为一个理想化近似，能帮助我们理解极限行为。一个著名例子是无限猴子定理：只要等待时间足够长，随机敲击键盘的猴子几乎必然能打出任何指定文本（如莎士比亚全集）。虽然数学上概率趋近于1，但所需时间随文本长度呈指数级增长。例如打出“Shakespeare”一词可能需要数年，而打出一页《哈姆雷特》所需时间远超宇宙年龄。这启示我们：在解决复杂问题时，可以先假设无限资源或理想条件（如零摩擦、无限能量）来推导理论解，再逐步回归有限现实。数学允许试错与失败，因为纠错成本极低。
无穷大是一个很好的近似，能帮我们理解如何处理大数。但用的时候必须小心谨慎，要展示无穷大有多反直觉。
数学有别于其他学科的一点是，我们有失败的自由，因为在数学里，失败的代价非常小。
动力系统：从简单规则到混沌涌现
动力系统研究状态随时间的演变，揭示简单规则如何产生复杂的涌现行为。例如生物进化中简单的生存竞争规则产生了丰富的物种多样性；交通流中每辆车仅遵循“前车快则加速，慢则减速”的简单逻辑，却会形成类似弹簧波的交通拥堵冲击波。即便事故清除后，由于动力学惯性，拥堵消散仍需时间。通过建模与仿真，我们可以预测系统行为（如增加车道是否改善路况），并区分稳定平衡态与不稳定状态。例如，垂直下垂的钟摆是稳定的，微小扰动后会回归；而倒立的钟摆虽理论上平衡，但任何微扰都会导致其彻底偏离。当前气候变化正面临从稳定气候态滑向不稳定动力学状态的风险，亟需通过建模来适应。
尽管自然系统（如大气、交通）可被有效建模，但包含大量人类行为的系统（如股市、政治）仍极难预测。动力系统的一大核心发现是混沌现象。牛顿曾完美解决二体问题，解释了行星椭圆轨道；但三体问题至今无精确解析解。数值模拟显示，系统虽长期保持周期性，但微小的引力扰动（如木星对火星的影响）会随时间累积，导致轨道偏离甚至行星碰撞或逃逸。这表明即便在完全确定性的系统中，长期预测也会因混沌特性而变得模糊。因此，现代前沿动力学往往采用概率方法逼近确定性系统，承认预测精度的局限性。
只要把动力学彻底搞清楚。你就可以建模和仿真，然后就能做预测。
哪怕你一开始面对的是一个完全确定性、没有任何不可预测成分的系统，我们发现最好的建模方式其实是用概率去逼近它。
STEM生态系统：从好奇心到应用转化的链条
我将 STEM 视为一个完整的生态系统，其底层是基础研究。数学主要由好奇心驱动，旨在探索数字与形状中的规律。虽然这些研究起初并非为了解决眼前问题，但往往能与其他科学领域产生联系（如昆虫集群行为或股市波动）。一旦理解这些规律，就可能转化为有用技术甚至商业成果。这一转化过程依赖于基础研究、应用科学、工程与产业界之间的紧密交流。若链条中缺失任一环节，就无法实现从理论好奇到实际商业价值的贯通。例如全球低成本通信能力的出现，正是数学在物理科学中“不可思议的有效性”的体现。
数学家常出于游戏心态引入抽象概念（如复数、弯曲空间），数十年后，科学家发现这些纯粹数学对象恰好是理解新物理现象的关键。这种现象至今缺乏完美解释，但凸显了基础研究的深远价值。平行公设的历史也印证了这一点：欧几里得在公元前提出五条几何公理，试图从简单假设推导所有几何事实（如三角形内角和为180度）。这种基于公理的演绎体系，奠定了现代数学严谨性的基础。
我们往往看不到。我们看不到那一步，我是说，那已经是流程里非常靠后的环节了。
数学家常常发现像复数或弯曲空间之类的概念。仅仅是因为这似乎是他们已经在研究的数学对象的自然延伸，然后过了十年、二十年、五十年。某些科学家发现，这些纯粹出于好玩或游戏心态被引入的概念，事实上正好就是理解某种新科学所需要的东西。
从平行公设到黎曼几何：好奇心的非欧发现
数学中许多看似纯粹的理论探索，最终往往成为理解新科学的关键钥匙。一个经典的例子是非欧几何的发现。早在公元前三世纪，欧几里得引入了证明的概念，将复杂的几何结果（如三角形内角和为180度）归结于五条公理。其中四条直观且无争议，但第五条平行公设却显得异常丑陋且复杂：过直线外一点有且仅有一条平行线。这条公理的争议性最终促使数学家们意识到，在欧几里得几何之外还存在其他自洽的几何体系。
首先是球面几何，其中“直线”被大圆（如赤道）取代，所有大圆必然相交，因此不存在平行线；其次是双曲几何，直线彼此发散，过一点可画出多条与给定直线平行的线。这些抽象的弯曲空间最初仅出于好奇心而被研究，因为当时的宇宙看起来是完全平坦的。然而，当爱因斯坦试图理解引力时，他意识到时空是弯曲的。他需要一种语言来描述光线如何因时空曲率而偏转，于是询问数学家朋友是否有现成工具。答案正是黎曼几何——这套由伯恩哈德·黎曼发展的描述弯曲空间的理论，恰好完美契合了爱因斯坦场方程的需求。在黎曼几何中，质量和能量造就曲率，使得复杂的物理现象得以用简洁的数学语言表达。
开普勒猜想与高维通信：从炮弹到比特串
数学好奇心通向实际应用的另一个著名案例是球体堆积问题。17世纪，一位英国水手好奇如何最省空间地堆放圆形炮弹，这一问题被开普勒提出并猜想最优解为六方密堆积（效率约76%）。尽管二维情况在1900年前后解决，但三维情况的证明直到1998年才由计算机辅助完成。由于早期计算难以人工核验，该证明长期存在疑虑，直到2014年通过形式化验证（使用专门计算机语言）才获得百分之百的确信。
数学家并未止步于三维，而是将问题推广至更高维度及离散空间。这一抽象探索在无线通信领域找到了惊人应用：数字信号被编码为比特串，需在极高维度的离散空间中彼此隔离以避免干扰。这本质上等同于在高维空间中进行球体堆积。利用理解经典球体堆积的数学工具，工程师能够设计高效的纠错码并确定特定频谱下的理论传输极限。可以说，整个无线通信行业的理论基础，很大程度上依赖于如何在极高维度里“堆积橙子”的数学洞察。
压缩感知与数学的简洁性：从MRI到通用理论
作者最自豪的应用之一是压缩感知（Compressed Sensing）。起初，一位统计学家朋友在改进MRI扫描时偶然发现，使用全变分最小化而非传统的最小二乘法，仅用极少量数据（如30秒扫描）即可重建出清晰图像。作者最初试图证明这不可能，却在推导中发现相反结论：只要测量矩阵具备特定性质（如受限等距性），从少量数据中恢复信号是可行的。这一发现不仅解释了MRI加速的原理，还揭示了地震学、天文学等领域中类似“从少量数据提取高质量图像”现象背后的统一数学机制。
如今，压缩感知已成为与最小二乘法并列的标准理论。这一现象印证了数学不可思议的有效性。作者认为，人类对科学或数学的初始理解往往繁琐且基于错误预设（如牛顿力学中绝对时间的假设），而真正的解释通常更加优雅、简短且朴素。数学家致力于提炼最简洁的解释，这种对简洁性的追求使得数学语言往往能精准捕捉物理现象的本质。此外，做数学并非依赖灵光一现的天才时刻，而是一个在“负空间”中反复试错、排除错误路径的过程。通过数月甚至数年的探索，摸清各种方法的局限后，唯一可行的解法才会逐渐清晰。
探索负空间与失败的价值
在解决复杂数学问题时，如果直接攻克原问题受阻，我会寻找一个难度类型相同但更简单的子问题进行尝试。一旦解决该子问题，再将其解法映射回原问题。这种反复的过程本质上是在探索问题的“负空间”，即所有行不通的做法。只要对失败路径摸得足够透彻，前方的路往往通过排除法变得清晰，最终只剩一种可行方案。如果所有方法均无效，则需放弃该问题；但通常这种看似失败的过程只是摸清了不同方法的局限。经过数周或数月，答案逐渐清晰时，难点已被吃透，解法显得顺理成章而非神奇。这种体验往往不是“恍然大悟”，而是反思自己为何之前未看出，但正是不断的尝试与失败让人真正准备好接纳正确解法。
数学在结果上对正确性要求极高，错误答案会导致扣分或批评，这使许多学生害怕犯错。然而，得出答案的过程几乎完全相反：必须一错再错，先尝试愚蠢的办法才能体会聪明办法为何行得通。正如物理学家尼尔斯·玻尔所言，专家是在极窄领域里把能犯的错都犯过一遍的人。我们不应发表这些错误，但必须在过程中通过大量试误来寻找正确答案。将过程中的失败常态化至关重要，需明确每个成功解法背后都有数十次错误尝试，这并非解题者笨拙，而是学习过程的必要部分。
专家就是在极窄的领域里把能犯的错都犯过一遍的人。
我的感觉从来不是什么恍然大悟，而总是，哎呀，我之前怎么没看出来呢？我太笨了。
AI 带来的科学范式悖论
科学与数学的范式正经历巨变。传统上，科学依赖理论与实验两大支柱（如开普勒的行星理论或牛顿引力论），而纯数学几乎完全是理论，实验极少（如高斯计算素数分布）。随后出现了模拟与大数据，前者允许在超算中模拟飓风等昂贵实验，后者通过海量数据提炼规律。如今，AI 正在改变所有科学模式。过去需人类科学家亲自执行实验、推导理论或编写代码分析数据，现在自动化实验室、编程 Agent 及自动化工具能规模化执行这些任务。AI 能以远超单个科学家的速度运行模拟和理论分析，但这也带来了悖论：AI 的高效可能削弱人类科学家的深度洞见。
慢速的手工推导、实地实验和调试过程能让科学家获得额外洞察，如发现新现象或关联旧成果。AI 虽能高效达成目标（做实验、写论文），但可能导致人类失去解释“为何发现重要”或“证明如何联系”的能力。这迫使我们重新构想科学的定义：我们是否优化错了目标？ 我用徒步做比喻：人类科学家像徒步者，虽可能迷路但沿途发现有趣事物并记录过程；AI 则像直升机，直接送达瀑布前却未学习路径。尽管 AI 技术高效，但可能丢失了探索过程中的深层价值。
一方面，AI 变得越来越强大……但这可能会带来代价。AI 学会了某种技能，却没有人类科学家在做科学这件事上变得更厉害。
这些 AI 工具……可以像直升机一样直接把你送到瀑布前，你能看到它，然后又飞回来。但关于怎么走到那里，你什么都没学到。
大语言模型的机制与互补性
现代 AI 由机器学习算法驱动，核心是预测数据中的规律。简单如回归分析（输入食物量预测体重），复杂则涉及高维空间拟合。大语言模型（LLM）本质是预测下一个词的游戏。例如补全“玫瑰是红的，紫罗兰是……”时，模型基于训练数据拟合最可能的词。虽然手机自动补全常产生胡言乱语，但 LLM 通过万亿级数据点训练及巨额算力投入，能维持长期连贯性。这暗示自然语言中存在大量人类意识不到的隐藏规律（如潜规则），模型能模仿这些模式，甚至解决简单数学题。通过提示词引导和循环检查，LLM 能减少错误并处理复杂任务。
然而，LLM 的“智能”并非基于对现实世界的深刻理解，而是模式匹配的极致模仿。其表现出的聪明足以蒙蔽人类并执行有用任务，但本质仍是猜测下一个词。这种机制与基于第一性原理的传统智能正交，类似一个“懂很多但微醉”的人乱抛点子。在数学证明中，虽然单次输出可能糟糕，但通过多次循环和检查可获正向成功率。因此，AI 与人类专家是互补的而非替代关系。人类擅长深度（聚焦少数难题以揭示深刻见解），AI 擅长广度（随机尝试大量方法组合）。当面对广泛问题时，AI 能捕捉人类漏掉的解决方案或纠正错误共识（如指出某问题答案为否）。例如，扔给 AI 一千个问题，解决其中百分之五（五十个）已具显著价值。行业需将这种广度能力与人类的深度探索结合，正如开普勒通过理论（柏拉图立体）与实验数据（第谷观测）的互动，最终发现椭圆轨道。
人类专家会专注于深度……而 AI 擅长的是广度，所以如果你把他们对准一千个不同难度的问题……他们有时能抓住其他所有人类都漏掉的解决方案。
这就像有一个懂很多但稍微有点喝醉的人，在到处乱抛点子。但只要有足够的引导，你确实能提取出有用的产出。
科学反馈的滞后性与AI过拟合风险
在开普勒将理论套入地谷数据时，他发现正圆轨道无法吻合观测精度，进而意识到行星轨道必然是某种非圆形形状。经过多年尝试偏置圆心等方案后，他最终提出椭圆轨道模型，使理论与数据完美契合。这一过程揭示了理论修正的必要性：若理论与实验不符，该理论可能并非最优解。
然而，科学验证比简单的数据拟合更为复杂。在开普勒之前，哥白尼的日心说模型精度甚至低于当时经过大量修正的地心说模型。如果仅以“与数据吻合度”为唯一标准，早期的日心说会被直接淘汰。直到开普勒引入椭圆修正后，日心说才在准确性上超越地心说。这说明科学发现往往无法立即获得明确反馈。若当时有AI，那些预测精度不如地心说的早期日心说模型可能会被直接丢弃。真正消化理论、使其与引力等知识体系契合需要时间。
当前AI介入科学面临的主要危险是过拟合。AI可能生成极其复杂但与物理规律无关的模型，仅在特定数据集上表现优异，却无法外推。虽然AI能加速实验、编码和写作等单一环节，但整体科学进程不会因局部提速而线性加速。更严峻的风险在于我们可能优化了错误指标：在纸面上获得亮眼成绩，但科学并未真正向前推进。尽管目前我们仍在摸索最高效的使用方式，且拥有工具总比没有好，但如何平衡速度与深度仍是核心挑战。
证明的“消化不良”与筛选机制
在数学领域，AI正在改变证明的生命周期。过去生成和验证证明均十分繁琐且困难，如今这两项任务日益自动化，导致候选解法数量激增。然而，AI生成的证明往往存在结构性缺陷：它们分不清“难”与“深”，常将大量篇幅用于微不足道的细节，而对核心精彩部分轻描淡写。这是因为AI靠蛮力计算时对所有步骤耗时相同，而人类会在关键难点上投入精力以确认可读性与逻辑流畅性。
一个有效的证明不仅需技术正确，还需经过同行评审的“兴奋度”检验——即让读者认可其价值并感到启发。最终，证明需经过彻底打磨以适配教科书逻辑，这一过程类似电影剪辑，需要人类花费大量时间进行组织与编辑。目前出现了一种“证明消化不良”现象：AI加速了前期生成，但后期理解、整理及教材化的节奏仍由人类掌控。我们被海量解法淹没，不得不进行分诊与筛选。
这种局面是前所未有的。过去重大突破罕见且宝贵，专家会全力消化；如今解法泛滥，甚至资深研究者如陶哲轩本人也无法跟进所有进展。尽管这是“甜蜜的烦恼”（食物过剩优于匮乏），但我们需要建立更高效的筛选与过滤机制。AI在数学上的能力呈稳步提升：从初中题到高中奥数，再到研究生资格考及少量未解问题。近期AI甚至解决了部分人类长期尝试未果的问题（如单位距离周边问题），其巧妙性已产生实际影响。尽管目前尚不清楚这些成果的可复现性与成本效益（算力消耗与成功率未知），但基准测试显示最新模型已能解决部分研究级题目。
人机协作的局限与科学生态危机
在编程领域，AI工具虽使效率提升5至10倍甚至更高，但资深程序员反映其手写代码能力正在退化，且难以审查AI生成的复杂逻辑。速度并非唯一指标，人机协作的质量至关重要。
陶哲轩指出，他更珍视与人类合作者的深度互动。长期合作的数学家能达到思维同频的状态，甚至能预判对方未说完的话并顺势推进。相比之下，当前AI对话缺乏人情味与流畅性：它们会迎合奉承、犯错且无法像人类那样在长期互动中自然续接话题。尽管AI具备上下文记忆能力，但尚未达到与亲密合作者“心意相通”的境界。因此，在真正的解题过程中，陶哲轩主要将AI用于次要任务（如查文献、校对严谨性），而非核心创意生成。
从科学资助与生态角度看，当前处于危险节点。AI能快速生产看似科学的产出，但这可能以牺牲下一代科学家的培养为代价。若用AI取代研究生进行基础训练，我们将失去未来的人才储备；若不消化这些产出以构建知识根基，科学社会可能陷入停滞——即优化到极致却无原创新想法。我们需要更开诚布公地讨论基础科学的价值，强调好奇心驱动的研究与人类探索的重要性。此外，应向公众传播科学的软性价值：基础科学理解能让世界变得清晰、减少焦虑。尽管我们强调硬性技术产出，但思维清晰度与科学素养同样是宝贵财富，需要得到持续支持。