顶尖数学家de九条建议Capihom

Ken Ono 是 Axiom Math 的数学家，也在弗吉尼亚大学任教。视频一开始，他讲了两次误判。大约一年前，他受 Epoch AI 邀请，为前沿模型编写数学基准题，看着模型逼近自己的研究问题，他以为专业生涯正在失去立足点。另一件事发生在五十年前。五年级的他参加数学比赛只拿到第三名，回家路上父母一句话也没说，他从此认定自己让父亲失望了。直到父亲今年一月去世，那块奖牌还被留在衣柜里，他才知道自己把沉默读错了。这场谈话就从这里展开：AI 已经碰到人的专业身份，人该拿什么衡量能力，又该怎样把自己的日子过下去。

模型做对了题，他先失去的是笃定

Ono 原以为给 Epoch AI 出题是一份轻松外快，做起来才发现，连一道能难住前沿模型的题都不好写。模型当然还会错，可沿着推理记录往下看，他被它们已经抵达的位置吓到了。有些答案甚至碰到了他自己的研究计划。那一刻，他想到十九世纪末第一次看见内燃机拖拉机的佃农：多年练出的本事，忽然可能不再值钱。

"亲眼看着这些模型解开我研究计划里的问题，老实说，那种打击很大。"

人过去也经历过轮子、发动机、计算器和电脑，但那些机器多半替人减轻体力劳动。电梯省掉爬楼，拖拉机接过农活，冲击再大，人总能把它理解成工具升级。如今，自动化碰到的是思考，而许多人的身份恰好建在“我知道、我会做”上。Ono 很清楚数学毕业生为什么焦虑。他甚至直说，如果能选，自己宁愿醒来回到 2017 年。这份恐惧没有必要粉饰：当机器开始接手思考技能，人的不安会直接落在“我是谁”上。

一夜算完两千万次，研究者还剩什么工作

年轻时，Ono 最骄傲的是知识积累：前几年学会一种技巧，去年又读懂一套方法，最后把它们接起来，证明一个定理。现在回头看，他承认其中有一块很容易被自动化。如果成果只靠记住大量论文，再按合适的顺序调用，那么模型迟早会做得更快。多年训练仍然有用，只是价值不再停留在记住了多少。

"研究从一个你很可能回答不了的问题开始。"

研究的日常更狼狈。先遇到一个答不了的问题，试着证明，失败，改写猜想，再追着新线索提出下一批问题；偶尔证明出一个定理，还要折回去看先前的死路是否已经打开。它和“提问，等答案”相差很远。现在，计算机能在人睡觉时跑完两千万个案例，人手工做同样的事可能要花几年。机器省下来的计算，应该把研究者送回发现过程。发现本身无法被压缩成一次问答。一个人仍要决定下一步往哪里走，哪些异常值得追，失败之后要换哪种问法。

开车的人，不必先学会造发动机

Ono 用汽车解释这种变化。早期造车的人得处理轮子、轮胎、燃料和工程结构，今天的司机甚至不懂燃烧反应，只要会加油，就能一天跑完过去几周的路。那些知识没有消失，它们被封装进一辆可以直接开的车。能力一旦被封装，人不必从头造轮子，活动范围反而扩大了。

"你得决定，要不要把这种力量放在手边，让自己有余力参与发现。"

数学和科学也会出现类似的封装。学生不再需要靠做完每一道作业题来证明自己，研究者也不必亲手完成每层计算，但他们得知道工具把自己带到了哪里。Ono 对眼下的阵痛毫不乐观，不过他认为，教育若只要求人沿用旧方法，学生会被留在原地。教师和家长要帮年轻人练习调整方向，看见新工具出现后，哪些原本够不到的问题已经可以尝试。技术把门槛放低以后，教育要带人越过旧门槛，继续去够以前到不了的问题。

一个问题好不好，先看你为什么想知道

作为老师，Ono 的第一反应总是“没有坏问题”。一个人若真的想知道答案，这份兴趣就该被保护。不过，有些问法太宽，回答根本落不了地。比如“我怎样才能变有钱”，还要继续追问为什么想要钱、准备用它做什么，才可能拆成一条能走的路。问题越接近一个人的处境，后续行动才越清楚。

"如果你不是为自己提问，那你到底在替谁生活？"

科学问题也未必让圈外人兴奋。Ono 每天琢磨的数学题，绝大多数人听完可能毫无感觉，他不介意。他在意的是，提问者是否真的想弄明白。今天的模型越来越擅长回答，如果一个人只想交出符合他人标准的答案，回答越快，自己的方向越容易消失。好问题不靠宏大取胜，它要和提问者的生活发生关系。这也是他拒绝讨论“超级智能”的原因：速度、分数和排名很容易比较，智能究竟是什么，却没有一把公认的尺子。

形式化，把一句话变成可以检查的代码

Ono 把人们口中的 AI 分成几种。聊天机器人只是其中一种；机器学习还可以做远超人力规模的搜索，AlphaFold 解决蛋白质折叠就用了这种能力；第三种是形式化，把自然语言转成精确的计算机代码，再让系统检查漏洞。今天大量代码由模型生成，vibe coding 也越来越常见，可代码写出来不等于它可靠。

他的团队正和哈佛经济学家 Scott Kominers 合作，把经济学理论形式化。他们重新检查诺贝尔奖得主 Robert Aumann 的“同意彼此不同意”定理。两个人听完对方，日常对话里常用“那就保留分歧”收场；这条定理在双方共享相同先验信息的前提下，并不允许这样的结果。麻烦出在“相同先验”到底指什么。写成可验证代码后，过去被一句话带过的假设全得摊开，世界各地的经济学家也开始加入。

"2026 年不该再比赛谁有更多算力，而该比赛谁更接近真相。"

这种工作也在进入机器学习、网络安全、金融系统和机器人医疗。它需要计算机科学家，也需要伦理学者和律师一起重画边界。算力只负责把模型跑得更快，形式化追问的是结果能不能信。当模型开始生成更多代码、接手更多决定，验证不是收尾工作，而会成为系统的一部分。

验证结束后，判断才刚刚开始

科学家说一个事实已经被形式化验证，回答的是一道是非题：在给定前提下，结论成立。如果结果错了，往往是问题一开始就没有框对。可是验证通过之后，人还得决定拿这条信息做什么。Ono 把大模型比作读过所有书的图书管理员，知识再多，也没人因此请图书管理员做脑外科手术。

"高风险场景需要品味、人的判断，还要有人理解决定会怎样落到别人身上。"

无人机在洛杉矶上空测空气质量时，人的介入没那么紧迫；当它要判断某栋建筑里藏着危险人物，还是里面其实是一所学校或医院，决定的代价会直接落到人身上。社会对无人驾驶的接受度会变化，高风险的边界也会移动，但责任不会因为模型做了决定就消失。形式验证可以告诉你推理是否成立，承担后果的人必须决定这条推理该不该被使用。

算法只会勾选，老师会记住那条弯路

今天找工作，求职者把简历上传到网站，猜算法想看哪些词，再一口气投出五百份申请。学校招生也有一排勾选项：成绩、学校、活动、推荐信。Ono 坦白，自己的孩子申请大学时，他也帮他们研究过这些规则。可一旦把规则当成全部，人的性格、来路和与别人相处的方式就被压成几个数字。

"如果治愈癌症只需要填完一排勾选框，我们早就把它治好了。"

他最难忘的学生 Robert Schneider 原本是独立摇滚音乐人，做过 Neutral Milk Hotel 的制作人，也是 The Apples in Stereo 的主唱。巡演时，老麦克风和音箱总坏，维修费太高，他买书自学电子学。第一次看到欧姆定律，他开始追问音乐、电路和大脑怎样连在一起。后来他重返大学，拿到数学学位，走进 Ono 的办公室。三小时后，Ono 决定收他做学生。

Ono 带过 35 名博士生。学生完成论文时，常会出现一个双方都懂的瞬间：老师说，“你现在像一位教授了。”这句话说的是学生已经能独立判断问题、承担研究，学位和任务清单已经退到次要位置。一套筛选系统很容易把绕路的人记成异常值，老师却可能从那条弯路里看见好奇心。

屏幕会替你回答，不能替你生活

Ono 每天研究模型，妻子常说他和这些模型已经“有了关系”。他理解那种满足：模型逐渐熟悉你的思路，回复也越来越像一个懂你的伙伴。但他担心，人会把这种熟悉感当成生活本身。去罗马旅行，如果连晚餐配什么酒都只问 ChatGPT，一段本来会发生在餐桌、街巷和陌生人之间的经历，就被缩回了屏幕。

从仁川机场去首尔酒店的路上，他堵在江南街头，顺手数了数路人，大约七成的人边走边看手机。一个人可能错过风景，也可能错过一位未来的朋友。AI 可以调用人类积累的知识，却给不了一次意外相遇。如果聊天机器人已经像真人一样占据你的生活，Ono 的建议很简单：把设备放下，出去走一段路。

"如果你必须活成别人设定的标准，那你就不是在为自己生活。"

排行榜也会把生活缩小。拿自己和勒布朗、纳达尔或诺贝尔奖得主相比，永远能找到一个更强的人。Ono 五年级只拿到第三名，父母回家路上的沉默，被他解释成失望，这个判断跟了他五十年。父亲去世后，家人在已经很少的遗物里找到了那块奖牌。它一直被父亲留着。Ono 无法再问原因，但他终于明白，自己可能从一开始就读错了。人若总按别人的排名过日子，很容易用一个并不存在的失败惩罚自己半辈子。

把可自动化的计算交给工具，保留自己真想问的问题；结果验证过后，判断仍要自己做。至于排行榜，别让它替你决定怎样生活。父亲保存了五十年的那块奖牌提醒 Ono：有些所谓失败，可能从一开始就读错了。