陶哲轩有了新身份：AI for Science51CTO技术栈

最近，数学家陶哲轩，迎来了新身份！

就在一周前，陶哲轩亲自下场，联合多位顶尖科学家、世界级奖项得主共同发起创立了一家 AI 科学基金会：SAIR。

陶哲轩在 SAIR 正式成立的当天表示，该机构致力于探索新的科学研究方式。

作为联合创始人，我很高兴能够汇聚数学与各科学领域的顶尖研究者，共同探讨人工智能与新兴技术如何加速科学发现，并开启新的研究工作流程。

这被外界视为“AI for Science”赛道即将迎来新变化的一个关键信号。

那么，新年伊始，这位菲尔兹奖得主，是如何思考 AI 以及 AI for Science 的演进的？

就在昨天，SAIR 的官方视频账号，来了一场全球直播。很多大佬，比如图灵奖得主 Richard Sutton、诺贝尔奖得主 Barry Barish，以及微软、英伟达不少技术专家都发表了精彩的演讲。

同时，SAIR 账号也放出了这次活动正式启动前的一次陶哲轩的专访。

采访中，陶哲轩解释了成立 SAIR 的原因：这是一个多方面因素共同作用的结果。

他判断，AI for Science 赛道，技术已经Ready到可以改变科学了。但把 AI 融入科研有很多错误路径，正确路径其实更少，因此，我们需要慎重、需要准备好如何采用这些技术。

而在这一过程中，学术界不能只是等待。

学术界需要深度参与，而不是等待科技公司推出产品然后直接使用。

我们要互动、要探索真正的需求，弄清楚哪些科学领域适合 AI，哪些仍然适合人类传统方法。

此外，陶哲轩也坦承了另外一个原因，过去一年，资金环境出现了很大的不确定性。比如自己所在的 IPAM 曾一度暂停资助。而正是这段“寻找新的资金来源的混乱时期”，带来了包括 SAIR 在内的新机会。

那段时间迫使我们寻找新的资金来源，与新的投资人和合作伙伴建立联系。

某种程度上，这段混乱时期也带来了新机会，如今 IPAM 有了许多新项目，其中就包括这次合作。

随后，陶哲轩抛出了相当多的“反直觉”的 AI真相。

其中，陶哲轩抛出了人们对于AI最大的一个误解：AI不是一种单一的技术，它实际上是数百种相关技术的集合。

大众更多把 AI 视作可以聊天、生成可爱的图片或视频的 bot，但在科研领域，其实有非常不同的、更有效的 AI 用法。

此外，在上下文记忆方面，陶哲轩指出，AI 却往往在新会话中“忘记”一切。你可以把上下文保留，它会暂时记住，但并不稳定。这里，他提到了大家经常会遇到的一种现象：如果你告诉 AI 不要做某件事，它反而更容易做。

再比如，他认为现在的 AI 还不具备稳定持续学习能力，无法像研究生一样真正从错误中长期成长。

此外，陶哲轩还提到了一个容易被大家忽略的风险。即，人类其实不太擅长精确定义目标。AI 在执行目标上却过于“认真”，有点像一个字面理解愿望的精灵。

而正因如此，AI甚至会甚至通过一些作弊手段，如改定义、补公理、钻漏洞来完成任务；

总之，在陶哲轩看来，目前 AI 更像一个掌握很多方法的通才研究生，而非革命性的天才科学家；

AI 在数学上的优势主要是广度，掌握大量技巧和文献套路，但尚未展现真正脱离既有文献的原创思想；

而在科研方面，AI 应用的进展怎样？

陶哲轩表示，数学方面的确取得了不错的成果：形式化证明助手可以自动完成验证。这种机制在某种程度上“约束”了 AI，使其更难胡说八道。

但问题也很明显。他认为目前AI还谈不上是一个真正的“合著者”。

科研真正需要的往往是推导过程、思路演化和与文献的关联，而非一个“一键生成”的最终答案；人与 AI 的协作缺少那种面对面讨论中的即时反馈、非语言信息与共同建构感，协作体验仍显割裂。

对于未来AI的下一个突破口在哪里？陶哲轩给了两个方面：创造力和持续学习能力。但他判断这个突破的过程会不太久，也许只要十年。

“关键在于研究如何正确使用它。”

以下是小编梳理的精彩观点，希望能从数学家的视角，给各位大佬一些新的启发。

跟顶级科学家发起 SAIR 背后：

AI 融入科研有很多错误路径

大家好。今天我们再次邀请到陶哲轩，非常荣幸能再次采访他。我们将讨论 AI 在科学中的应用，尤其是几天后即将启动的 SAIR。我们很期待带来一些新的视角，看看 AI 可以如何用于科学，以及未来我们可以做些什么。如果方便的话，能否请您简单介绍一下自己？

好的。我是陶哲轩，加州大学洛杉矶分校的数学教授。过去我主要从事纯数学研究，但近年来，我越来越多地参与探索利用 AI 以及其他新技术来进行数学研究，乃至更广义的科学研究。

最近我和几位科学家以及资助人一起参与创立了 SAIR，这是一个新的基金会，旨在支持“AI for Science”，探索如何将这些新技术整合进科学研究流程。几天后，我们将在加州大学洛杉矶分校数学科学研究所（IPAM）举办首次启动活动。

很多人可能都会问，是什么促使您决定共同创办 SAIR？

这是多方面因素共同作用的结果。过去几年里，我越来越确信这些技术已经准备好改变科学，我们必须做好准备去采用它们。同时，我们要学会如何正确使用，也要避免错误的使用方式。把 AI 融入科研有很多错误路径，正确路径其实更少，因此必须慎重。

学术界需要深度参与，而不是等待科技公司推出产品然后直接使用。我们要互动、要探索真正的需求，弄清楚哪些科学领域适合 AI，哪些仍然适合人类传统方法。尤其是在过去一年，资金环境出现了很大的不确定性。

比如我所在的 IPAM 曾一度暂停资助，许多计划中的项目都面临不确定性。那段时间迫使我们寻找新的资金来源，与新的投资人和合作伙伴建立联系。某种程度上，这段混乱时期也带来了新机会，如今 IPAM 有了许多新项目，其中就包括这次合作。

AI 的可靠性是一个大问题，但数学是一个例外

对于数学而言，AI 是否显得格外强大？

潜力确实非常突出。现代 AI，尤其是大语言模型，有一个明显弱点：它们并不真正扎根于现实。有时能给出极好的答案，有时却完全错误。它们本质上是在进行统计匹配，而非真正理解。

因此，在许多领域，AI 的应用效果不如最初预期，可靠性是一个问题。但数学几乎是个例外，因为我们有非常成熟的验证机制。

给我一个数学证明，我们可以依据逻辑法则和数学定律检查其是否正确，现在甚至可以借助计算机完成。形式化证明助手可以自动完成验证。这种机制在某种程度上“约束”了 AI，使其更难胡说八道。

数学有更大的机会过滤掉糟糕用法，保留有效用法。当然也并非所有数学内容都能形式化验证。提出新猜想或解释概念时，AI 还未必擅长，但至少在部分领域，潜力巨大。

AI还不擅长提出新猜想，有真正价值的部分很少

随着验证程序的发展，未来是否可能出现这样一种系统：AI 不断生成想法，同时由程序验证，从而创造新的成果，而不局限于既定计划？

这确实是目标。目前 AI 会生成各种想法，其中只有少部分真正有价值，我们暂时还无法直接验证“想法”本身。不过可以借鉴物理或化学的方法。物理学家提出假设后，会通过实验收集证据，虽然不是严格证明，但可以提高或降低对假设的信心。我预见数学未来会增加更多实验性成分。

现在的数学几乎完全是理论性的，但 AI 可以提出假设，也可能设计实验来测试它们。例如提出某个公式对所有自然数成立，可以测试若干数值案例，检查与文献中已有结果是否兼容。这类应用仍处于早期阶段，因为我们还缺乏完善的验证机制。随着对 AI 的理解不断成熟，我能想象这种模式会出现，不过也许需要十年左右。

AI与人的分工