数字：从精确交流到抽象系统的自然扩展

数字是人类最古老的数学发明之一，也是实现精确交流的基石。早在文字系统出现之前，刻在骨头上的划痕已用于计数。陶哲轩指出，没有数字就无法实现精确的定量思考，这直接影响了农业贸易、税收乃至文明的形成。虽然并非所有事物（如情感）都适合量化，但在金融和医学等领域，定量衡量收益与成本至关重要。数字的魅力在于其抽象性：一旦建立概念，数学家便可脱离实际应用研究模式。例如，为了解决“3减4”在正整数中无意义的问题，人们发明了负数和零。随后，除法引入了分数（有理数），而根号2等无法表示为比值的无理数被发现，进一步扩展了系统。更令人惊叹的是，为解决方程而发明的复数，最终成为描述电磁学和量子力学的自然语言。这些最初为了解决实际问题而创造的数字，最终成为了描述极端复杂现实的最佳工具。

代数：从具体运算到抽象结构的迁移

代数是比数字更进一步的抽象，它用占位符（如x, y）代替具体数值，并研究运算本身的性质。陶哲轩强调，代数关注的是运算规律（如交换律）而非具体数字。例如，加法满足A+B=B+A，旋转操作也满足此性质；但“穿袜子再穿鞋”与反之则不同。这种对运算性质的研究允许我们将直觉迁移到复杂结构上，如矩阵。陶哲轩特别指出，今天的大语言模型底层正是基于高效操作矩阵的能力。代数在历史上的应用也极具启发性：开普勒通过测量酒桶对角线长度，利用方程发现单凭此数据无法确定体积。但他引入“最大化利润”这一动机，通过微积分雏形计算，完美解释了商人经验中桶的形状规律。这不仅解决了具体问题，更为牛顿和莱布尼茨创立微积分提供了灵感。

几何与概率：测量延伸与不确定性的封装

几何源于“测量大地”，通过相似性等定律将人类的感知延伸到无法直接丈量的范围。古希腊人已利用几何规律估算月球和太阳的距离。通过测量仰角和利用相似三角形比例，人们可以预测远处山体的距离。几何定律允许我们在无法触及目标时，依然能进行精确的空间推断。与此同时，概率是数学家封装现实世界不确定性的标准方式。与学校中精确的应用题不同，现实充满不可预测性。概率论诞生于赌徒优化策略的需求，现已广泛应用于股市、药物研发等复杂系统。普适性定律是概率中的奇妙现象：尽管随机系统各异，但许多一般性随机系统会涌现出共同的分布形态。最著名的例子是高斯分布（钟形曲线），人的身高分布便几乎完美符合这一规律。概率在事件反复发生时效果最佳，能帮助我们摸清赔率与罕见事件的分布特征。

分析、动力学：处理无限误差与时空演化

分析是研究极限和无限的数学，旨在处理测量中的不精确性与误差。在代数中运算规律适用于有限次操作，但在无限操作中会出现悖论。陶哲轩以轮盘赌的“倍投法”为例，指出该策略假设无限资金才能回本，分析能帮你看清尾部风险及如何正确推理无限。他还提到“无限猴子定理”，即猴子在打字机上随机敲键，只要时间足够长（指数级增长），几乎肯定能打出莎士比亚全集。数学允许“先假设无限”再回归有限的策略，因为失败成本极低。另一方面，动力学研究状态随时间的演化及涌现行为。简单的规则（如生物繁殖、车辆行驶）经反复迭代可产生复杂现象，如高速公路上的交通波。动力学还揭示平衡态的稳定性差异：牛顿无法精确求解三体问题，混沌系统即使确定性出发也需概率近似。

数学与科学的生态：不合理的有效性与非欧几何

陶哲轩将STEM视为生态系统，数学作为基础研究由好奇心驱动，通过管道转化为技术应用。尤金·维格纳提出“数学在物理科学中的不合理的有效性”：数学家为好玩引入的概念，常被科学家发现是理解新科学的语言。经典案例是非欧几何的发展。欧几里得第五公设（平行公设）长期困扰数学家，最终人们发现球面几何无平行线，双曲几何有多条平行线。黎曼发展出描述弯曲空间的黎曼几何，这纯粹是抽象研究。然而，爱因斯坦在构建广义相对论时，发现引力即时空弯曲，黎曼几何恰好为爱因斯坦方程提供了简洁的语言。另一个例子是开普勒猜想（球体密堆），六边形密堆效率约76%，虽经长期研究仍未完全证明其最优性，但体现了数学探索的深远影响。

高维密堆：从橙子到无线通信的数学基石

陶哲轩在访谈中回顾了高维球体密堆问题的历史演进。该问题的二维版本早在1900年左右被证明，但三维版本因过于复杂，直到1998年才借助计算机给出第一个证明。这是早期重要的计算机辅助证明案例之一，随后在2014年转化为形式化验证语言，实现了100%的形式化确认。数学家并未止步于此，进一步研究了四维、五维甚至上千维的密堆问题。

虽然现实中不存在“四维橙子”，但这一数学模型在计算机科学中极具实用价值。当手机信号数字化后，每个信号变为比特串，需要在高维离散空间中尽可能分离这些“球体”以防止干扰。这种密堆数学工具被用于设计高效编码方案，甚至确定了无线频谱的理论通信极限。陶哲轩指出，“整个无线通信产业，从某种意义上说就是建立在往高维空间堆橙子的数学之上的”，这直接影响了频谱资源的经济价值。

压缩感知：从医学成像到通用技术的跨越

陶哲轩分享了压缩感知（Compressed Sensing）的诞生故事。在洛杉矶的一次跨学科项目中，他与统计学家和电气工程师合作改进核磁共振成像（MRI）。当时标准扫描需3分钟，若缩短至半秒并用传统最小二乘法重建，图像将模糊无法诊断。研究人员尝试的全变分最小化方法竟仅用少量测量就恢复了近乎完美的分辨率，如同在只填了10%字母的填字游戏中猜出所有答案。

陶哲轩起初怀疑其可行性，但在尝试证明“不可能”时，反而发现该方法在特定条件下确实有效。这一技术后来被证实具有通用性，地震学家和天文学家也独立发现过类似技巧。如今，压缩感知已成为与最小二乘法并列的标准方法，广泛应用于MRI、无线宽带及传感器网络。这一案例展示了底层数学解释如何将特定领域的技巧转化为通用科学工具。

数学的“不合理有效性”与科研的真实过程

针对尤里卡时刻（灵光一现）的刻板印象，陶哲轩坦言自己从未经历过。真实的数学研究过程是反复试错：“尝试一种方法不成功，换一种有点用但卡在某个点……你不断探索的是问题的负空间”。他比喻道，“真正的突破来自反复试错和对行不通的理解”，最终答案往往通过排除法变得自然。

关于数学为何对物理世界具有“不合理的有效性”，陶哲轩提出理论：简洁优雅的数学描述数量有限，因此最简洁的数学表达往往恰好对应物理现象的本质。他举例称，“爱因斯坦相对论的一个关键前提就是人们之前默认时间是普世的……这个思维定势阻挡了找到正确引力理论的路”。数学家通过忘掉错误假设，将低效语言浓缩为简洁表达，从而捕捉到物理规律。他承认目前仅有一条科学史时间线，“也许未来遇到外星文明时，能看看他们的科学史是否走了相似的路径”。

AI重塑科研范式：效率飞跃与认知陷阱

陶哲轩梳理了科学范式的演变，指出AI正在改变传统理论、实验及模拟模式。他警告“速度并不等于一切”，用徒步旅行比喻科学发现：“AI工具就像一架直升机，直接把你送到瀑布跟前……你达到了目标，但你什么也没学到”。大语言模型本质上是高维空间中的**下一个词预测器”，虽能模仿智能行为，但“并不真正理解现实世界”。

在协作模式上，他认为人类与AI是互补的：“人类专家的优势在深度……而AI的优势在广度”。AI能尝试大量技术组合，偶尔抓住人类遗漏的解甚至颠覆共识。但他引用开普勒放弃圆形轨道的故事警示：“你不能总是即时获得反馈来判断一个科学问题是否解决”，AI可能因过度拟合现有数据而创造复杂但无关真实规律的模型。目前，最好的模型在**10道研究级问题上能解出五到六道”，但仍处于辅助阶段。

科学教育的危机与未来的挑战

陶哲轩表达了深层担忧：AI可能以牺牲培养下一代科学家为代价。研究生原本通过入门级项目获得训练，而这些恰好是AI现在能复制的论文类型。“如果我们用AI替代了这些训练项目，就得不到下一代学者”。同时，“如果不持续消化AI的产出……我们可能在技术上优化了一切当前能力，却不再产生真正原创的新想法”。

他呼吁科学界更开放地讨论基础科学的价值，并向公众普及数学思维对清晰认知世界的重要性。在个人实践中，他主要用AI进行文献检索、代码编写等次要任务，“目前还无法像和人类长期合作者那样心意相通”。他强调需要保留“好奇心驱动的研究”及人类社群缓慢探索的过程，以免科学在高效表象下悄然停滞。

结论

数学六大基石不仅是抽象思维工具，更是理解物理现实与驱动技术变革的底层语言。非欧几何、高维密堆及压缩感知等案例证实，纯粹的好奇心驱动研究常意外成为解决通信、成像等实际问题的关键。然而，AI虽能凭借广度提升效率并辅助解题，却缺乏对现实世界的深层理解与直觉。其核心短板在于无法替代人类在深度探索、排除法试错及原创性思维中的角色。过度依赖AI可能导致科研训练断层与创新停滞，因此必须保留好奇心驱动的基础研究生态，以维持科学范式的持续演进。