陶哲轩谈AI：一半是垃圾，20%是意外

01 摘要 菲尔兹奖得主陶哲轩最近跑了一个试点项目：把 2200 万道代数题放出去，交给各种 AI 去做——不是最尖端的，就是那些比较传统的 AI。它们几乎把题全解完了，最后只剩 100 道硬核问题，由人类逐一收尾。这是他用来丈量“AI 到底能不能做数学”的一把尺子：能打下手，还当不了主攻。

陶哲轩是加州大学洛杉矶分校的数学教授，菲尔兹奖得主——这个奖常被称作数学界的诺贝尔奖。他出生在 70 年代的澳大利亚，父母来自中国，因为资优测试直接跳了五级，十六岁上下读完当地大学，之后去普林斯顿拿博士学位，再到 UCLA 一待就是三十多年。他最有名的成果，是 2004 年与本·格林合作的格林-陶定理。 这次对谈的落点不是某一道题，而是数学这门学科本身的运转方式。陶哲轩的判断是，数学的工作流程与 19 世纪相比变化不大，几乎还停在前工业时代，而 AI 恰好给了它一次现代化的机会。代价也要他亲口说出来：认知劳动外包出去之后，人会退化，得像搭配饮食一样，给自己配一份“心智食谱”。 “现在还谈不上按下一个按钮，去喝杯咖啡，过段时间回来，问题就解决了。离那一步还差得远。” 02本文要点 1.2200万题实验：传统 AI 几乎解完了全部 2200 万道代数题，仅剩的 100 道硬核问题全部由人类收尾。 2.格林-陶定理：用“结构-随机性二分法”证明任意长度的等差素数列必然存在，而孪生素数猜想仍悬而未决。 3.最抽象的数学已落地：陶哲轩团队参与开发的算法，让新一代核磁共振扫描速度比过去快 10 倍；质数撑起了互联网加密。 4.数学还停在前工业时代：失败的尝试不进文献，下一个人只能从头再来，重复劳动大量存在。 5.AI 是半吊子助理：传统证明是一条约 100 步的逻辑链，单步出错全链崩塌；与其等 AI 一键解题，不如改流程让它先清掉两成问题。 6.心智食谱：认知劳动外包会削弱人的能力，需像管理饮食一样管理精神锻炼；教育上主张“披露”而非禁止。 03完整访谈整理 Dawn Nakagawa（主持） 大家好，我是《未来学》的主持人 Dawn Nakagawa，这一集我采访了陶哲轩。陶哲轩是世界知名的数学家，菲尔兹奖得主——这个奖常被称作数学界的诺贝尔奖。他在理论数学前沿的工作才是真正擅长的。不过有趣的是，他其实非常欣赏合作，而为推动协作数学所做的努力，并非理所当然。近年来，很多数学系毕业生进入科技公司，从理论到货架产品的过程越来越快。我们也讨论了人工智能究竟能帮上什么忙，以及它会不会带来跨越式发展。在陶哲轩看来，这不会很快发生——AI 在某些方面可能非常擅长，尤其是在“崩溃”方面。 陶哲轩，欢迎来到《未来学》。 陶哲轩（嘉宾） 很高兴来到这里。 Dawn Nakagawa（主持） 我很高兴你今天能来。我们先简单聊聊吧。我想先介绍一下你的背景，因为我们正处于一个奇特的技术社会演化时刻，或者说一个革命性的时刻。请你简单介绍一下自己。 陶哲轩（嘉宾） 我出生在 70 年代的澳大利亚，父母来自中国，但我是在澳大利亚长大的，深受西方文化影响。我从小喜欢数学、喜欢数字，参加过很多数学竞赛。我接受了资优测试，结果直接跳了五级。所以我接受的是非常快速的教育，父母不得不和校长反复协商。我大概十六岁从当地大学毕业，然后去普林斯顿念研究生，拿到博士学位后去了加州大学洛杉矶分校（UCLA），先做博士后，后来被提拔为助理教授，再到正教授。我在 UCLA 待了三十多年，真的很喜欢那里。 传统上我做的是纯数学，研究模式和数字，解各种问题。我也研究过和物理有关的波动方程，但并不直接做物理应用。不过我偶尔遇到的实际问题最终也产生了影响——比如我在 UCLA 数学研究所做的一个项目，起初只是处理矩阵、解线性方程，后来却非常有用：它加速了核磁共振扫描。最新一代的核磁共振成像仪扫描速度比过去快了 10 倍，用的就是我们参与开发的算法。最近我对把这些新技术——包括人工智能、形式化证明验证，以及已经成功运行的协作平台——融入数学运算很感兴趣。我认为数学可以变得更广泛、更实用。 现在的数学活动比过去活跃得多。过去基本上只有数学博士才能参与，因为光是理解我们研究的问题就需要大量技术背景。但借助新工具，我们可以拓展能真正为数学项目做贡献的人群。我已经启动了几个众包数学项目，都很有趣也很成功。 Dawn Nakagawa（主持） 我很想深入聊聊“合作数学”。在那之前，先问个关于你小时候的问题：你成绩很好，怎么适应社交生活？我有个表弟大概 13 岁就上了大学，我们发现那对他来说非常困难。 陶哲轩（嘉宾） 对我而言行之有效的是，我们达成了一个非常复杂的协议：我会去当地的高中、小学和大学上一些课。正常学年里，我不参加体育课的加速训练，但会选修人文类课程，比如英语、法语，按正常年级修读；物理和数学则加速学习。这意味着我上小学时，我妈妈得开车送我去当地高中上几节课再回来。课程安排和评分都很复杂。 有一点对我有利：这事发生在 80、90 年代，那时针对资优教育的结构化项目不多，大家都在即兴发挥。好处是那时规章制度没那么多，这种即兴方式对我很有效。但它无法大规模推广，所以我仍然需要一些人手。 我常常和同龄人交流。那会儿如果你想和别人玩，直接拉过来或敲门就行，不需要在社交媒体上约。所以我确实有社交生活。不过我比同龄孩子早四五年高中毕业，我确实怀念那种青少年时期的感觉。直到去普林斯顿读研究生，我才真正开始社交——我经常和本科生接触，也参加了电影俱乐部、桥牌俱乐部。所以我的社交体验和大多数人差不多，只是顺序有点乱。 Dawn Nakagawa（主持） 你从小就想做数学吗？想成为数学家吗？ 陶哲轩（嘉宾） 是的，我从小就喜欢和数学相关的东西——解数学题、逻辑谜题、纸牌游戏、电脑游戏、棋盘游戏。我喜欢答案非常明确的是非题。但我小时候很不擅长人文学科，因为问题通常是开放式的。我记得有一年英语课要求写暑假做了什么，或者写自己的家，我不知道怎么回应，就只是列举了家里所有的房间。现在我大概能做得更好了。 数学深深吸引我，是因为我喜欢抽象，喜欢把问题拆开、去掉无关因素，玩那些简化却很有启发性的“玩具模型”。我一直对它有兴趣。我父母担心我会去做更偏物理或工程的事，因为那样更容易找工作。而且小时候没人知道数学家是做什么的——我还隐约觉得存在一个由资深数学家组成的秘密委员会，专门给大家布置超难的题目。后来我才知道，研究数学家是各自选择自己的问题、追随自己的好奇心。这种去中心化的理念让我醍醐灌顶：原来这还能成为一份职业，像一次由自己掌控的探索之旅。 当然，数学也是社区的一部分。如果你只做顺理成章的事，而喜欢的东西别人都不在意，那实际上没人会用心做，也没人邀你演讲，找工作升职都会遇到麻烦。所以它在社区里既是去中心化的，又需要你积极参与会议、了解别人在做什么。传统上，如果某个数学家苦思的问题恰好你懂，就会自然产生合作。 过去几个世纪，数学是很个人化的，人们严密守护自己独特的技巧。但后来我们有了笔记、有了鼓励合作的文化。尽早分享工作成果能带来更大的影响——如果你等太久才发布定稿，反而可能出问题。在我有生之年，数学逐渐开放：我们从两三人合作，到现在开始真正的大规模合作——50 人、100 人，像希格斯玻色子那篇论文列了约 5000 人。高等数学才刚刚开始，让几百个互不相识的人一起工作。 Dawn Nakagawa（主持） 所以一开始更像孤立的单打独斗，后来转向协作。你欢迎这种改变吗？ 陶哲轩（嘉宾） 是的，而且我以前没意识到这一点。我从小读数学书，总有一种关于数学的民间传说——英雄人物，比如高斯、欧拉，通常是男性，某种饱受折磨的天才，没人知道他们在做什么，然后突然以惊人发现震惊世界。我很着迷于那个“浪漫主义时代”。但数学远不止于此。现在的研究课题更成熟，我们经常在相当成熟的领域工作，发现往往不是个人凭空创造天才之作，而是理解别人做了什么、用新方式组合起来，再和别的科学、人文、工业或公众关心的事联系起来。 我的众包项目大约有 20 到 50 人参与，其实我还没见过其中大多数人。有些是专业数学家，有些是计算机等相关领域的学生，有些是从业者——他们在科技公司工作，但仍想把数学当爱好来贡献。项目里有时还包含可视化组件，所以我们有做 UI、图形设计的人加入。启动一个众包项目，各种各样的人都能参与进来。 Dawn Nakagawa（主持） 我注意到你提到质数方面的突破。能不能用通俗的话简要介绍一下？ 陶哲轩（嘉宾） 我最著名的成果，大概是 2004 年和本·格林合作证明的格林-陶定理。我一向着迷于数字理论和质数。质数就是只能被 1 和自身整除的数——2、3、5、7，是最古老的物体之一，古希腊人就在研究。但我们对质数仍了解有限，因为把它们写出来，似乎并不遵循任何明显规律：有时彼此靠近，有时相隔很远。 有个 300 年没解决的问题叫“孪生素数猜想”——像 11 和 13 这样紧密相邻的质数对，我们相信有无穷多对，找到了数百万对，却永远用不完，也始终无法证明。不过我和格林证明的是：我们可以在素数里找到另一种模式，也就是等差素数列。比如 3、5、7 间隔都是 2，可以找到三个、四个连续的等距质数。在我们之前，世界纪录大概只有 21 或 22 项，而我们找到了任意长度的等差素数列。 我们的方法是一种“结构-随机性二分法”：质数要么具有很强的结构性，要么非常随机，但无论哪种情况，我们都能证明这些等差数列必然存在——无论质数怎么“选”，它都被迫包含这些数列。这个技巧后来被广泛应用。我们一直知道质数更偏向随机而非结构。这项工作开启了此后二十年的后续研究。最近人们还在用计算机寻找巨大的质数，比如 5600 万位的质数。粗略地说，我们把所有质数放进一个大箱子，称一称里面有多少等差数列——如果箱子很重，就说明里面有东西，但我说不清它们具体在哪里。 Dawn Nakagawa（主持） 质数理论曾是最抽象的领域之一。早期 20 世纪的 G.H. 哈代甚至自诩和平主义者，他吹嘘自己研究的数论不可能有任何实际应用，也不能用于任何不良用途。 陶哲轩（嘉宾） 但事实是，质数是我们几乎所有密码算法的关键。如果你想给网上的数据加密——比如信用卡号、做安全交易——所有数据都会利用质数的特性被打乱。过去几十年不断强化的信念是：质数具有很好的随机性，可以用它很好地混合数据、做匿名化。我的成果也印证了这种想法。但如果哪天发现质数遵循某种出人意料的秘密模式，密码学领域一半的人都会开始怀疑：我们以为安全的算法，或许存在后门。不过我们已经努力了一个世纪，结果恰恰相反——质数似乎没有任何这样的规律。所以目前来看，现有加密算法相当安全，至少在量子计算机出现之前是这样。 Dawn Nakagawa（主持） 数学到底是解题的发现过程，还是创造过程？ 陶哲轩（嘉宾） 两者兼有。确实存在一些模式等待我们发现，但找到它们非常人性化——你通常要深入人类文献，看别人怎么研究，尝试各种方法、给它们命名，再有条不紊地构建某种叙事。我们经常需要形式化，比如写出 x 加 y 等于 z 这样的等式。对未经训练的眼光来说那只是符号，但测试之后你会发现，它就是我们要的术语。数学其实只是一种语言，追求精确，试图捕捉我们能对现实世界说的话。 Dawn Nakagawa（主持） 那么，数学家的典型一天是怎样的？ 陶哲轩（嘉宾） 我们有教学、有行政工作、指导学生、参加会议、一起解决问题。有时你坐下来拿笔和纸说：“我试试用这种方法解决它。”你试了，卡住了——“我为什么会卡住？哦，是因为我没考虑到这种现象。”于是你绕过它。这让我想起小时候玩电脑游戏：那时互联网几乎不存在，查信息不容易。你玩某款游戏遇到难题，可能要花几个月反复尝试才找到裂缝，最终找到正确组合时非常满足。数学也一样——你试一种方法不行，再试一种还不行，但失败在这里非常便宜。 如果你是工程师，桥塌了就有大麻烦；如果你是外科医生，切错地方就糟了。但如果你是数学家，解法行不通，你只需重新开始，没有成本。这正是我们要教学生的：在其他课上你总被告知不能失败，但在数学这里是少数例外之一——做蠢事、失败、吸取教训再试，都没问题。这里是个相对安全的玩耍场所。 不过我们发表论文、做演讲时，往往只展示最终奏效的版本，像精心剪辑过的。就像花絮视频里有上百次失败拍摄，正片看不到。所以研究生有时会有冒名顶替综合症：读那些大人物的论文，觉得自己永远写不出那样的东西。但他们没意识到，那些作者也犯过很多错、走过很多弯路。而协作式开源项目的一个意外好处是：我们公开地解决问题，所有小步和反复都留在网上，连没参与的学生也能看到幕后运作的例子，这很有帮助。 解题不是线性的，是累积性的——你会用到以前做过的东西，但有些是死胡同，有些只有部分价值。你必须保留有用的、丢掉没用的，就像头脑风暴。人多的好处是各种想法都来，大多不解决问题，但有时你能感觉到“这个会推动事情发展”。就像你试着拉门把手没用，再试一下，门好像动了一下——有动静了。然后想：这件事我该怎么和其他事结合？ 我儿子在麦吉尔大学学数学，他说最喜欢的是那里有个学习空间，学生们聚在一起各做各的、互相帮忙，他很喜欢那种团队合作。当你和别人交谈，大脑里某个区域会被激活，以一种奇特的方式增强你的数学能力，这种现象被形象地称为“橡皮鸭”。 Dawn Nakagawa（主持） 橡皮鸭？ 陶哲轩（嘉宾） 这是个很好的软件工程术语。有时程序员代码里有错却看不出来，一个非常有效的办法是拿一只橡皮鸭，向它解释问题——仅仅因为你在和别人（或橡皮鸭）交流、换个角度想，往往解释到一半就突然说：“哦，我明白错在哪了。”还有另一种情况：你和另一个人交谈，感觉波长相同，你说什么对方立刻懂，反之亦然，这种默契会产生一种“超级智能”，让两个人单独都写不出来的东西被写出来。在数学中也可以这样——因为数学非常精确，你们可以极其默契。 Dawn Nakagawa（主持） 你目前正在处理哪些不同类型的项目？有没有什么特别着迷、一直在后台做的？ 陶哲轩（嘉宾） 物理学家费曼曾给过建议：你脑子里应该始终列着大约十个想解决的问题，每次学到新思路或技巧，就拿你最喜欢的十道题之一去检验，然后祈祷有一天遇到合适的对手。我很认同这种理念。现在我年纪渐长，很高兴看到年轻一代去做那些花哨的解题，而我对更“元数学”的东西更感兴趣——比如我们怎样才能加速整个数学的进程？作为社区，我们怎样才能拥有更高效的工作流程？ 我们进行数学的方式存在很多冗余和低效，和 19 世纪相比变化不大，几乎还停留在前工业时代。就像工匠行会时代，由个人和学徒组成，存在大量重复。最基本的问题是文献检索：当你尝试解一个数学问题，第一件事往往是找前人关于它的研究。有时有相关成果，很好；有时没有。但如果你最终没写出成功论文，你做的文献综述也不会被记录。于是下一个人不知道你试过什么，会做同样的搜索，甚至徒劳地寻找根本不存在的文献。如果前人披露过“我尝试过、没找到目标”，对后来者极有用，但这种“披露失败、而非报告负面结果”的文化，其实不止数学，其他科学领域也有，造成很多重复的、浪费的精力。通过一些集体努力，我们可以大大提高效率，也让数学对其他科学更有用。 Dawn Nakagawa（主持） 现在有很多工具，不仅是 AI，还有 AI 之前的各种软件，数学运算过程必然受影响吧？ 陶哲轩（嘉宾） 确实有些改善。我读研究生时，秘书会把你的手写稿打出来，你得写得很仔细，打回来还有拼写错误，很痛苦。现在有了为数学设计的排版软件，很好。但问题是，数学家群体太小、资金不多，对大软件公司不是大市场，所以我们用的工具通常不够流畅易用，存在一定的使用门槛，很多数学家仍用笔和纸计算，只因为用那些工具的阻力太大。希望在于 AI——如果使用得当——能让这些工具更容易上手。 很多人把计算看作数学，而这正是今天计算机一切的基础。数学家其实一直都在用计算机：算盘就是早期计算工具，有两千年历史；电子计算机出现前还有机械计算机、人工计算员。过去 50 年变化的是规模——计算机又快又便宜，能大规模海量计算，催生了“实验数学”。所有科学都包含理论和实验两面，大多数领域大约五五开，但数学直到近几十年还基本是 99% 理论、1% 实验，因为计算太繁琐昂贵。现在借助极快的计算机和 AI 计算，我们不光能暴力枚举，还能建包含上千个问题的表格，让 AI 跑这些程序。 我最近负责一个项目，发布了 2200 万道代数题，交给各种各样的 AI——其实不是最尖端的，而是比较传统的 AI——它们几乎解完了所有题，最后只剩下 100 个核心问题，最终全由人类解决。那真是个很棒的合作。我们一直都在用计算，只是规模完全不同了，它开辟了新的数学方法。 Dawn Nakagawa（主持） 那个大规模实验，目的只是验证可行性，还是另有用意？ 陶哲轩（嘉宾） 那只是个试点项目，有一定的数学价值，但设计初衷是尽可能简化协作——它基础却不简单到能直接丢给电脑，确实需要人为协助。很有启发。我希望将来能复制这类事，让大型数学项目像其他学科的大型科学项目一样。我其实只会一点编程，不是专业程序员，但我已经在用 AI 画简单函数图像、解简单方程，直接用自然语言问就行，已经发展到这种程度。它还算可靠，我得来回检查一下。但我现在能做很多过去根本懒得做的事，感觉就像有个半吊子助手——能帮你做很多琐碎事的私人助理，但有时仍会出错，所以你还不能完全把认知劳动都交给它。 我们正学习如何把这种“不可靠但强大”的工具融入工作流。它很擅长编程，在这方面似乎特别强。但做真正高深的数学，它不能自主完成。所以遇到复杂难题，如果有专家把它拆成小块，让 AI 做其中一块，你找个地方检查输出，再问下一个问题，它才开始有点用。总时间能减少——以前手工三小时、用电脑来回改的事，现在也许一小时。发展确实在加速，但还没到翻天覆地：不是按个按钮、喝杯咖啡、回来问题就解决了。 我认为需要稍微调整工作流程。传统证明是从假设出发、经过约 100 步逻辑、得出结论的标准方法。如果任何一步出错，整条逻辑链就崩了。如果你让 AI 做其中几步，即使它可靠性高达 99%，那 1% 出错也可能让整个证明崩溃。所以也许该换种更能接受失败的方式：与其只盯一个问题，不如列出 100 个想解决的问题，让 AI 尽力去解——它可能只解决 20%，但那 20 个被清掉了，剩下的硬骨头上报给人类。 Dawn Nakagawa（主持） 你认为 AI 在哪些情况下能成为合作伙伴？ 陶哲轩（嘉宾） 这已经发生了。研究开放获取的数学家已经在和 AI 对话，让 AI 提想法。目前的状况是：它们提的想法超过一半是垃圾——要么是早就想到的，要么知道行不通，要么无关紧要。但在大约 20% 的情况下，它们会提出专家没想到的全新观点，专家一看：“好，我们进一步阐述这个想法。”所以你必须好好琢磨它，因为它会产生很多废话；但如果你不是专家，可能会先被带偏再接近目标。现在已有零星例子，专家观察到 AI 在找到好想法组合前，先经历了各种糟糕想法，反而推动了进展。 另一方面，已经有 10 万篇论文发表在那里，庞大到连人类专家都难以跟上。这长期都会有用——或许某天 AI 会给我们带来文献里没有的、创造性的东西。但目前的 AI 模型不是这样设计的：它们通过数据训练，设计上就必须生产相似的东西——现有数据集的碎片。这也是为什么网络搜索这类变革性工具让互联网突然极其有用：光把所有数据堆一起不够，还得有高效提取最有用的东西的方法。哪怕不创造新信息，只是整理已有信息，也是研究中极重要的一步。 Dawn Nakagawa（主持） 另一方面，关于 AI 的实际应用，也有一连串令人担忧的问题——减少使用或改变使用方式，可能对人类认知产生负面影响。 陶哲轩（嘉宾） 确实有研究观察人们短暂使用该技术后的结果，发现认知负荷被降低到这种程度，实际上可能对人脑造成相当大的不利影响。你对此担忧吗？尤其在数学领域？ 是的，确实存在危害，但我们必须仔细区分“负责任地使用 AI”和更大范围的“不负责任的使用”。我打个比方：营养。20 世纪的绿色革命让粮食产量飙升、变得便宜充足，饥荒成了过去式，但许多人因此发展出饮食失调、肥胖等问题——人类第一次必须“有意识地注意饮食、进行锻炼”，而以前在农场干活自然就运动了。绿色革命是好事，我们不想回到粮荒时代，但解决一个问题的同时，你也产生了新的责任。 类似地，AI 能解决认知资源匮乏的问题，让原本对非专业人士困难的任务价格极低——你只需让 AI 替你做。但就像营养一样，缺点是你会患上“认知障碍”，必须注意你的精神饮食、保持精神锻炼。以前你不需要，因为通常得自己解决问题。AI 会加剧这种趋势。将来有些人可能只在 AI 引导下才能解决技术问题，一旦断电就会遇到大麻烦。但作为一个物种，我们不会失去这些技能——它们会变得更像运动或爱好。就像有人把玩魔方当娱乐，而机器人解魔方已经比 1.3 秒还快。我们个人可能失去某些技能，但整体上看，这些技能会以爱好形式保留。拥有智力技能正在变成一种爱好，而不是劳动的必要部分。 Dawn Nakagawa（主持） 你现在担心学生用这些可能有安全隐患的工具，得到效率更低、未来作为数学家受损的结果吗？ 陶哲轩（嘉宾） 和学生的对话变得非常重要：你可以使用这些工具，但有好有坏。有些老师说：可以用，但你必须披露——告诉我你在用、展示你的提示词，别只给我答案，因为提示词本身也很有启发性，我们想看到你的思考过程和遇到的困难。有时老师会说：“这是 ChatGPT 对这题的回答，它是错的，请指出错在哪。”当然也有人用别的 AI 工具来评估。我认为我们必须承认这些工具的存在。短期内我们可以恢复面对面考试——新冠时很多考试挪到了线上，而有了 AI，一些过时的做法比如期中考试又被请回来了。这应该只是短期措施，在我们找到更好审视学生的方法之前。这一代人将在这些工具陪伴下成长，但我们要区分正确用法和错误用法，鼓励好的、阻止坏的。 Dawn Nakagawa（主持） 大学处于这场变革最前沿，你觉得它们做对了吗？ 陶哲轩（嘉宾） 他们正在努力，如果资金状况等方面能改善就更好了——如果有一个更稳定、更可预期的气候来做这些工作。大学必须迎头赶上，重塑 21 世纪的教育。人们正在尝试一些非常英勇的努力和实验。 Dawn Nakagawa（主持） 科技行业吸引了这么多数学人才，会带来什么影响？ 陶哲轩（嘉宾） 积极的一面是，现在正是数学真正发挥作用、解决许多紧迫问题的时候。AI 尤其存在“不可靠”的问题——它能制造出表面上令人信服、答案却常常错误的东西。而数学是几千年来一直在改进“如何检验一件事是否真的完全正确”的学科，特别擅长验证各种陈述。这是非常好的组合，也是很多 AI 公司真正对数学家感兴趣、想招人的原因之一。 鉴于学术界资金结构的不确定性，为初级研究者提供多元职业选择是件好事。我和同事、学生已经开始和一些科技公司合作，研究人员与传统学术界人士通过这类项目汇聚。我们必须革新那种“象牙塔模式”——学者只为学者服务。老派观念认为成功的学生要么留在学界、要么失败去教书或去华尔街，这种态度太老旧了。拥有多元职业和生活经历的人都能以不同方式贡献，我希望看到很多健康的合作。当然也有文化差异：学界想公开所有数据，公司有时想把部分内容留作专有。但肯定有很多积极合作的空间。 Dawn Nakagawa（主持） 所以回到最根本的问题：我们今天究竟错在哪里？你认为我们哪些根本性的信念是错的？AI 时代教会我们的一件事，是我们对“智能”的理解并不完全准确。 陶哲轩（嘉宾） AI 的发展史，就是它不断尝试完成只有人类才能做的事——读自然语言、赢国际象棋、解数学难题——然后人们发现 AI 算法也能做到。我们现在能识别图像、理解语音。但看它实现的方式，感觉并不像智能，更像某种把戏：你把神经网络拼在一起、跑些算法。而我们一直在寻找某种难以捉摸的、智能的思考方式，却在真正解决问题的工具里看不到它。但也许正是因为：智能并非我们想的那样。 比如大语言模型非常成功，它们做的很多事只是“预测下一个词”。这听起来不像深思熟虑的表达——如果你让没经验的人即兴演讲，他毫无准备，每时每刻只是脱口而出想到的下一个词，你觉得这法子行不通，但它确实有效。对于大语言模型来说，或许人类很多行为也是如此：我此刻说的话都是即兴发挥，之前并没想得那么透，但只要专注于当下并做出反应，就能走得很远。当然，有些事需要仔细深思，但很多看似动脑筋的任务，几乎是出于本能或“自动驾驶”模式完成的。 AI 正在告诉我们的一件事或许是：我们并没有自己以为的那么聪明。智能或许就是那么公式化、那么符号化。我们很难退后一步看清智力到底是什么，因为它和我们的身份认同在情感上绑得太紧，你会觉得自己像个局外人。现在有了另一种智能模型，我们可以更客观地研究它，同时也更了解自己。这可能会让人一时迷失方向，但最终是更好的。改变的不仅是智能的概念，还有我们对自身身份的定义——而这未必是坏事。 Dawn Nakagawa（主持） 好的，谢谢。非常感谢你，特伦斯，这真是太好了。