从陶哲轩的访谈看：AI 数学研究方法论 & 给其它行业的启示
从陶哲轩的访谈看：AI 数学研究方法论 & 给其它行业的启示
- 从陶哲轩的访谈看：AI 数学研究方法论 & 给其它行业的启示
0x00 争论的核心不是 "AI 会不会做数学"
近来，人工智能在数学研究中的表现不断突破公众预期：它可以检索文献、编写程序、运行大规模数值实验，提出证明方案，甚至在形式化系统中检查复杂推导。围绕 OpenAI 近日公布的纳维-斯托克斯方程研究，数学界开始认真讨论一个更深的问题：当AI越来越会做数学，人类是否也因此更懂数学？
9月12日，据多家媒体报道，邓煜、陶哲轩等25位数学家、菲尔兹奖得主联合发布了一份名为《人工智能在数学中的严重错位（A Severe Misalignment of AI in Mathematics）》的公开声明。
我也找了陶哲轩的访谈，感觉很有启发，遂记录下来。在我看来，真正的问题不是 "AI 是否已经取代数学家"，而是：什么样的 AI 辅助研究能够增加数学理解；速度、算力、形式化和人的洞察之间应当如何分工。
注意：
-
这篇文章早就在草稿箱中，一直没来得及发表。现在匆匆发表，是因为最近发展太快，AI for Math 这个词的内涵已经扩展，从“工具属性”转向“学科范式变革”，甚至成为 AI 能力证明的最佳样例。
-
也许本文的观点在发表时刻，已经被 AI 证伪。 这两天，OpenAI 又放出722篇论文手稿.......
0x01 一个“如果AI早来20年”的思想实验
陶哲轩做了一个假想实验：假如AI早来20年，张益唐可能还在刷盘子。
1.1 真实时间线
陶哲轩先回顾了素数间隔问题的真实时间线。
2005年，Goldston、Pintz和Yıldırım发展出一套方法（GPY方法），在假设Elliott-Halberstam猜想成立的前提下能给出的上界。
2013年，当时在三明治店打工的张益唐重新发现了Motohashi-Pintz的一个观察，巧妙地借用了Bombieri、Friedlander和Iwaniec较早期且已不太流行的工作，证明了素数间隔的有限上界为7000万。
张益唐的论文发表后，多人争先宣布各自的改进，一场竞争性的“抢跑”开始萌芽。
陶哲轩回忆说，这场竞赛已经是AI基准测试文化的一个早期预兆，时间压力驱使作者在论述和验证上偷工减料。
1.2 思想实验
陶哲轩的推演是这样的：如果AI早来20年，它不需要张益唐那种“从7000万出发”的巧妙思路，它直接用算力硬算，更快地找到那个上界。
然后呢？张益唐不会成名。那个“一个普通人突然震惊世界”的故事不会发生。一代年轻数学家，不会因为那个故事而走进数论。
AI更快地给出了答案，但也抹掉了一条通往数学的路。陶哲轩说，答案不重要，探索过程中那些失败的尝试才重要。AI把过程锁死了。
0x02 陶哲轩批评什么？
陶哲轩批评的不是 AI 进入数学，也不是所有计算型数学工作，而是批评以下研究模式：
- 把未解决问题当作基准测试，只追求一个更小的数字；
- 不为了抢先发布而减少论证、验证和论文写作；
- 不与领域专家合作，不努力提炼可供人理解的新思想；
- 不把结果送入同行评审、课堂和教科书；
- 让宣传性进展占据注意力，挤出真正重要的研究。
他的 "AI 早来 20 年" 思想实验说明：如果 AI 在 GPY 方法出现后就用巨量算力刷榜，研究界可能得到许多短期数字，却错过后来 Maynard 筛法这样的可迁移理论。这里的机会成本不是 "少赢了几个百分点"，而是人类没有获得下一代方法。
如果一个团队只展示数字和社交媒体公告，论文依赖未充分说明，形式化范围有限，或结果未经独立验证，那么它在实践上就会落入陶哲轩所批评的 "只为跑分" 模式。
判断标准不能是 "是否使用 AI"，而应是 "是否增加了可复用的数学理解"。
0x03 陶哲轩的深层方法论：AI 时代的科研范式变迁
3.1 科学研究的五次范式迁移
陶哲轩在 Big Think 访谈中勾勒了一条清晰的线索：
| 时代 | 方法 | 代表 |
|---|---|---|
| 17 世纪 | 理论 + 实验 | 开普勒（理论）+ 第谷（观测） |
| 20 世纪 | 理论 + 实验 + 模拟 | 超级计算机模拟飓风 |
| 21 世纪初 | 大数据驱动 | 兆/拍字节数据中寻找模式 |
| 2020s | AI 辅助 | 自动实验、编程 Agent、自动分析 |
| 未来 | 人机协作生态 | 人类判断 + AI 搜索 + 形式化验证 |
陶哲轩强调：每一次范式迁移都没有消灭前一种方法，而是叠加。AI 不会取代理论推导，正如模拟不会取代实验。真正改变的是每种方法的相对效率和分工边界。
3.2 "直升机 vs 徒步"：过程价值的核心隐喻
陶哲轩最有力的比喻：
做科学研究，有点像徒步。你听说某个地方有一条很漂亮的瀑布，就约上几个朋友，打算去找找看。但你们得一路摸索，把地图画出来。途中可能会迷路，但说不定就在迷路的时候，发现了别的有意思的东西。走向目标的整个过程，本身也很有价值。
但这些 AI 工具就像直升机，直接把你送到瀑布前。你看完，再坐飞机回来，可你完全没学到该怎么走过去。
这个隐喻揭示了一个深刻的悖论：效率的提升可能伴随着能力的退化。 当 AI 代劳了推导、验证、搜索的全过程，人类研究者可能失去了在过程中获得直觉、发现意外联系、积累判断力的机会。
2022年菲尔兹奖得主Hugo Duminil-Copin 也说，虽然他没有攻克渗流猜想，但是，但在漫长的挣扎与攀登中，那些看似荒废的失败草稿，却孕育出了数十个意想不到的灵感火花。他日后斩获菲尔兹奖的诸多工作，竟然全是这道主线任务失败后结出的「副产物」。
3.3 "证明消化不良"：AI 产出 vs 人类吸收速度
陶哲轩指出现实困境：
我们正在生成大量证明，也核验了其中不少。但理解这些证明，再把它们整理成最终能写进教科书的形式，仍然得靠人类。我们现在遇到了一种可以叫作 "证明消化不良" 的情况。
一个证明从诞生到被学科吸收，要经历：提出 → 验证 → 理解 → 论文写作 → 同行评审 → 教科书化 → 教学传承。AI 加速了前两步，但后五步的速度没有同步提高。这不仅是数学的问题，而是所有知识工作的共同困境。
3.4 AI 的真实能力边界
陶哲轩的观察：AI 擅长广度，人类擅长深度。二者高度互补。
- AI 的强项：从一千道题中解出 5%（50 道），发现人类集体遗漏的组合，不受领域偏见影响，独立观察。
- AI 的弱项：面对真正困难的常规方法失效的问题仍然很不擅长；缺乏持久的对话记忆；无法形成人类合作者那样的思维默契；会犯错且一味迎合。
AI 更像是一个知识很丰富、但喝得有点多的人，不停往外抛点子。不过，只要你引导得当，还是能从里面提炼出有用的东西。
但是，人们也发现。在渗流猜想的工作中，AI 不是靠着海量算力瞎猫碰死耗子，用暴力穷举把所有可能性试出来的。绝非如此。如果只是穷举，算到宇宙毁灭也证明不了一个无限维度的连续性猜想。
AI展现出的，是一种近乎恐怖的高维逻辑收敛与跨领域推理能力。它没有另起炉灶，而是极其敏锐地抓住了Gady Kozma和Shahaf Nitzan在2024年搭建的跳板。大模型在Lean证明助手的严苛约束下，调用了人类已知的大量分析工具与不等式技巧，以一种人类数学家从未设想过的精巧路径，在形式化代码的底层构筑起了一套长达数千行的推理闭环，硬生生把这个不等式给「摁死」了。
这说明，AI 的能力，可能要超出我们的认知。
0x04 数学研究中什么重要，什么能推动数学发展？
重要性至少有四个层次：
- 问题的重要性：问题是否揭示结构、连接不同领域，或代表长期有价值的目标。
- 方法的重要性：是否产生可迁移的证明技术、概念、工具或新的组织方式。
- 理解的重要性：结果是否解释 "为什么成立"，而不只是给出一个通过验证的输出。
- 共同体价值：是否可复核、可交流、可教学，并能成为其他研究的可靠基础。
一个数字改进可以有价值，但通常只有在它暴露了新结构或产生可推广方法时，才会真正推动数学。推动数学发展的工作往往具有以下特征：
- 能把复杂问题转化为更清晰的子问题；
- 能发现隐藏的不变量、对偶性、边界条件或统一框架；
- 能将局部技巧推广到一类问题；
- 能产生可靠、透明、可复用的证明和计算；
- 能吸引后来者继续研究，而不是让问题在榜单上短暂消失。
在这个标准下，AI 最适合放大搜索、计算、实验和检查；人类仍需负责判断问题价值、解释结构、选择研究方向，并把局部成功提升为一般理论。
0x05 数学研究的未来发展
未来更可能出现 "人类–AI–形式化系统–计算基础设施" 的协作生态，而不是单一 AI 独立完成所有数学。
可能的发展方向：
- 证明 Agent：自动提出引理、寻找证明路径并调用定理库。
- 形式化数学基础设施：更多经典定理、猜想和研究论文进入 Lean 等系统。
- 数学实验平台：大规模搜索参数、反例、猜想和结构，再由人类提炼理论。
- 可复现研究：论文同时提供代码、数据、形式化证明和计算环境。
- 新型评价体系：从 "最快得到更小数字" 转向 "是否产生新概念、可复用方法和可靠知识"。
- 人机分工专业化：数学家更重视问题选择和理论解释，工程师更重视搜索与计算系统，AI 承担大量候选生成和验证工作。
风险也会同步增加：研究注意力被算力集中，热门基准挤压冷门但重要的问题，AI 生成的错误或不可复核证明扩散，以及年轻数学家失去训练机会。因此，同行评审、独立复核、透明披露和教育制度会变得更重要。
0x06 给普通人的启示：数学职业的重新定义
6.1 核心判断：AI 改变了数学职业的 "入场方式"，但没有消灭数学职业本身
陶哲轩的判断为普通人吃了一颗定心丸：
数学界接下来得想办法，把这种大范围解决部分问题的新能力利用起来，再看看怎么让它和我们现有的能力配合：由人类慢慢深挖，解决少数几个很有深度的问题。
AI 降低的是执行门槛，提高的是判断门槛。 这意味着：
- 过去需要三年才能掌握的计算技巧，现在可能三个月就能上手（AI 辅助）。
- 但 "知道该算什么" 的判断力，变得比以往更值钱。
- 数学家的核心价值从 "算得快" 转向 "问得准、看得深、说得清"。
6.2 普通人数学职业的六条现实路径
以下是基于当前技术趋势和陶哲轩方法论推导出的具体方向：
路径一：数学翻译者（Math Translator）
做什么：将 AI 生成的数学结果翻译成人类可理解的形式——写科普文章、设计教学内容、为企业决策者解释模型含义。
为什么需要：陶哲轩指出 "证明消化不良" 是当前的核心瓶颈。AI 产出证明的速度远超人类吸收速度。谁能帮助人类 "消化" 这些数学成果，谁就占据关键位置。
需要什么能力：
- 扎实的数学基础（不需要研究前沿，但需要理解本科以上的核心概念）
- 写作和可视化能力
- 将复杂概念分层解释的能力（给不同受众讲不同的版本）
类比：就像科学记者不需要自己做实验，但需要读懂论文并告诉公众它意味着什么。数学翻译者是 AI 产出与人类理解之间的桥梁。
x 上的Adelaide Danilov 就有类似的观点：AI 研究正在出现类似生物学研究的趋势，而机械可解释性领域已经率先展现出这一趋势。研究者开始建立 AI 领域的模型生物，研究 Transformer 内部机制，并尝试通过新的实验方法观察大模型如何产生能力。
路径二：形式化工程师（Formalization Engineer）
做什么：使用 Lean、Coq 等证明助手，将数学论文和 AI 生成的证明形式化，确保逻辑无误。
为什么需要：Axiom 的工作流显示，形式化验证是可靠数学研究的基础设施。更多经典定理和研究论文需要进入形式化系统，这需要大量人力。
需要什么能力：
- Lean 或 Coq 编程
- 阅读数学论文并提取逻辑结构
- 细致、耐心、对逻辑错误敏感
类比：类似于软件行业的 QA 工程师，但验证的是数学证明而非代码。
路径三：数学实验设计师（Math Experiment Designer）
做什么：设计数值实验、参数搜索策略和反例检测方案，用 AI 和计算工具验证数学猜想。
为什么需要：陶哲轩指出 AI 擅长广度（从一千道题中解出 50 道），但人类需要决定 "应该搜哪些一千道题"。实验设计是人类判断力的核心体现。
需要什么能力：
- 概率论、统计学和数值分析基础
- 编程能力（Python、Julia 等）
- 能从失败实验中提炼规律的直觉
类比：类似于药物研发中的临床试验设计师，不亲自做实验，但决定实验怎么设计才有意义。
路径四：跨学科数学建模师（Interdisciplinary Modeler）
做什么：将数学工具应用到生物学、金融、社会学、工程学等领域的问题中。
为什么需要：陶哲轩强调 "AI 擅长广度，人类擅长深度"，而跨学科问题恰好需要在广度中寻找深度——这正是人类和 AI 协作的最佳场景。AI 可以搜索不同领域的方法，人类负责判断哪些组合有意义。
需要什么能力：
- 一个应用领域的背景知识（如生物、金融、工程）
- 建模和抽象能力
- 与领域专家沟通的能力
类比：类似于数据科学家，但更侧重于数学模型的构建而非数据处理。
路径五：数学教育创新者（Math Education Innovator）
做什么：开发新的数学教育方法、课程和工具，帮助学生在 AI 时代学习数学思维。
为什么需要：陶哲轩明确警告：
如果用 AI 取代研究生，AI 当然能不断产出研究生水平的论文，可我们也就培养不出下一代研究者了。
教育不仅是传授知识，更是培养判断力和思维方式。谁能设计出既利用 AI 又不被 AI 替代的教育方案，谁就解决了最紧迫的问题。
需要什么能力：
- 对数学概念的深刻理解
- 教育心理学基础
- 技术工具的整合能力
类比：类似于教育科技产品经理，但核心产品是 "数学思维方式" 而非 "解题技巧"。
路径六：数学品味校准师（Math Taste Curator）
做什么：评估和筛选 AI 产出的数学结果，判断哪些值得深入研究、哪些只是噪声。
为什么需要：陶哲轩反复强调 "品味" 的重要性：
品味很大一部分来自观察哪些问题能持续吸引优秀研究者，以及别人如何判断一个想法值得继续。
当 AI 能批量生成候选结果时，"判断什么值得研究" 成为最稀缺的能力。这不需要自己能解决问题，但需要能判断别人（包括 AI）的解法是否有价值。
需要什么能力：
- 广泛的数学阅读（不一定是深度研究，但需要知道各领域在做什么）
- 对 "什么是好问题" 的长期直觉
- 批判性思维和对 hype 的免疫力
类比：类似于风投中的技术尽调人员，不自己创业，但能判断哪个团队的方向值得投资。
6.3 普通人培养数学能力的实操框架
陶哲轩的 "徒步隐喻" 给出了学习方法论的直接指导：不要坐直升机学数学，要走着学。
原则一：先独立思考，再调用 AI
面对问题时先写下自己的猜想、例子、反例和可能路径，再让 AI 提出不同方案。训练的是判断力，而不是答案依赖。
如果你和一个人合作了很长时间，到某个阶段，两个人几乎会形成一种思维上的默契。
与 AI 的 "默契" 需要你自己先有立场，否则 AI 说什么你都会接受。
原则二：把 AI 当陪练和审稿人，不当拐杖
要求 AI 解释定义、寻找反例、检查隐含假设、比较两种证明，而不是直接代写最终答案。对关键结论必须回到教材、原文或形式化系统核验。
陶哲轩的实践：他把 AI 用于辅助任务（文献检索、检查证明、写代码、校对），但在核心解题过程中仍然依赖纸笔和人类合作者。
原则三：保留研究日志——失败比成功更值钱
记录尝试过的思路、失败原因、被推翻的猜想和最终保留的洞见。长期价值往往来自失败模式，而不只是成功答案。
这在所有行业中都适用。 开普勒花了多年才从圆形轨道转向椭圆——如果他只记录最终成功，后人就无法学习 "为什么圆形不行"。
原则四：做可复现的小闭环项目
选择一个公开问题，完成 "阅读背景 → 写程序实验 → 提出猜想 → 证明或证伪 → 写成短文" 的完整循环。项目不必宏大，但必须能让别人复核。
关键：必须走完全程。 陶哲轩的直升机比喻说明，只做其中一步（比如只让 AI 搜索）等于没学。
原则五：从具体例子进入抽象
先计算小规模情形、画图、制作表格或运行模拟，再问哪些现象不依赖具体数字。抽象应当是对结构的压缩，而不是逃避细节。
高斯计算前十万个质数，由此发现质数定理。先有数据，再有直觉，最后才有理论。
原则六：进入共同体——品味来自观察
参加读书会、数学论坛、开源形式化项目或跨学科讨论。品味很大一部分来自观察哪些问题能持续吸引优秀研究者，以及别人如何判断一个想法值得继续。
陶哲轩说他从合作中学到的数学比读论文还多。共同体不是社交，是品味的校准器。
6.4 什么是数学品味——以及它为什么是最抗 AI 替代的能力
数学品味不是神秘天赋，而是对 "什么值得理解、什么只是偶然" 的长期判断。它通常表现为：
- 能区分漂亮的数字改进和真正的新机制；
- 会追问一个技巧能否推广，而不满足于一次成功；
- 重视定义是否自然、证明是否解释结构、问题是否连接多个领域；
- 对于过于复杂、只为通过某个测试而设计的论证保持警惕；
- 愿意选择暂时没有即时回报、但可能产生长期影响的问题；
- 能欣赏简洁、必要性和意外联系，也能接受重要结果有时并不简洁。
品味为什么抗替代？ 因为品味本质上是一种基于长期经验的模糊判断，无法被形式化为 loss function。AI 可以优化给定目标，但 "什么目标值得优化" 本身就是品味问题。
培养品味的有效方式，是反复比较不同解法：为什么教材采用这个定义而不是另一个？为什么某篇论文的引理成为后来工作的基础？一个证明删掉哪些技术细节后仍保留核心？一个 AI 生成的答案究竟增加了理解，还是只增加了篇幅？这些问题比 "答案是否看起来专业" 更重要。
6.5 陶哲轩的警示：不要把种子吃掉
一方面，这些工具让科学成果——或者看起来像科学成果的东西——产出得快了很多。但代价可能是，我们把培养下一代科学家的种子给吃掉了。
这直接指向普通人的职业策略：选择那些 "越做越值钱" 的路径，而不是 "越做越被替代" 的路径。
| 越做越值钱 | 越做越被替代 |
|---|---|
| 积累判断力和品味 | 积累执行速度 |
| 建立领域知识网络 | 掌握单一工具的使用 |
| 培养提问能力 | 培养回答能力 |
| 深度理解一个领域 | 浅层覆盖多个领域 |
| 建立人类合作信任 | 独立完成任务 |
0x07 对其他行业的深度启示：从数学职业看所有职业
7.1 陶哲轩方法论的跨行业映射
陶哲轩在数学领域观察到的现象，在每个行业都有对应物：
| 数学领域的现象 | 其他行业的对应 |
|---|---|
| 证明消化不良 | 代码/报告/方案产出速度远超消化速度 |
| 直升机式研究 | 跳过基础训练直接用 AI 出成果 |
| 品味校准 | 产品判断力、市场洞察、技术选型 |
| 形式化验证 | 代码审查、合规审计、质量保证 |
| 数学品味 | 技术品味、设计品味、商业直觉 |
| 过程价值 vs 结果价值 | 学习曲线 vs 交付速度 |
7.2 七条跨行业原则
原则一：不要把代理指标当成最终目标（Goodhart 定律）
低素数间隔数字类似点击量、准确率、下载量或季度收入。指标可以促进优化，但一旦成为唯一目标，就可能诱发 Goodhart 定律所说的偏离：指标变好了，真正目标却没有改善。
实操：每个季度问自己一次——"我优化的指标，和我真正想实现的目标，还是一回事吗？"
原则二：警惕直升机式学习——效率可能是能力退化的伪装
陶哲轩的直升机隐喻适用于所有行业：AI 让你更快地产出代码、方案、设计，但如果你跳过了 "走着学" 的过程，你就失去了在过程中获得的直觉、判断力和意外发现。
实操：即使 AI 能代劳，也定期手写核心代码、手写关键分析报告、手做核心设计。不是因为 AI 做不好，而是因为你的手脑连接需要维护。
原则三：培养 "问得准" 的能力，而不是 "答得快" 的能力
陶哲轩反复强调：AI 擅广度，人类擅深度。在任何行业中，"知道该问什么问题" 都比 "能快速给出答案" 更值钱。
- 程序员的价值从 "写代码快" 转向 "能定义正确的问题和架构"
- 设计师的价值从 "画图快" 转向 "能判断什么值得设计"
- 分析师的价值从 "跑数据快" 转向 "能提出正确的问题框架"
- 教师的价值从 "讲得清楚" 转向 "能判断学生需要学什么"
实操：每天留出 15 分钟 "无 AI 时间"，只用纸笔思考核心问题。
原则四：可验证性是 AI 时代的核心竞争力
未来代码、模型、报告和决策都可能由 AI 生成。能否追溯来源、复现实验、解释假设并接受独立检查，将比 "生成得快" 更重要。
Axiom 的 Lean 形式化就是这种可验证性的体现。在其他行业中：
- 软件：可复现的构建、完整的测试覆盖、清晰的架构文档
- 金融：可追溯的决策链、透明的风险模型
- 医疗：可验证的诊断依据、可复现的治疗方案
- 教育：可评估的学习效果、可追溯的能力成长
实操：在你的核心产出中加入 "验证层"——不只是完成任务，还要能解释为什么这样做是对的。
原则五：保护长期研究——不要让短期成果吞噬基础能力
如果所有资源都奖励短期可见成绩，组织会失去那些需要多年积累、但能形成基础能力的工作。
陶哲轩关于研究生训练被 AI 替代的担忧，对应到企业中就是：如果只奖励 AI 辅助的快速产出，团队会失去深度思考和创新的能力。
实操：
- 个人：每年做一个 "无短期回报" 的深度学习项目
- 团队：保留 20% 时间做基础研究和能力储备
- 组织：同时评价产品结果、基础设施、方法复用、知识沉淀和人才培养
原则六：人与机器应形成互补，而非替代
陶哲轩的观察：AI 和人类的智能是两条不同的路径，不是同一条路上的快慢之分。
大模型的智能本质上是 "猜出来的"——它们把语言里的模式吸收得太好了，能够模仿那些说话很有智慧的人。它们表现得像是有智能，而且能维持足够长的时间，长到让我们信以为真。
实操：在团队中明确分工——
- AI 负责：候选生成、大规模搜索、一致性检查、格式化
- 人类负责：目标设定、价值判断、异常处理、关系建立
- 共同负责：最终决策（AI 提供选项，人类做选择）
原则七：科学让思考更清晰——这是所有行业都需要的底层能力
陶哲轩在访谈最后强调：
我觉得，今天的公众看得到科学那些显而易见的成果：手机、互联网、GPS，等等。但很多人看不到背后的整个过程，也不知道，对数学和科学有一点基本的理解，其实能让周围的世界没那么可怕，让很多事情变得清楚得多。
数学训练的本质不是培养数学家，而是培养清晰思考的能力。 这在任何行业都是最底层的竞争力：
- 能把模糊问题拆成可验证的子问题
- 能区分相关性和因果性
- 能识别隐含假设
- 能用简洁语言解释复杂结构
- 能容忍不确定性而不焦虑
7.3 每个行业的 "开普勒时刻"
陶哲轩用开普勒的故事说明：理论和实验之间需要时间磨合，AI 时代也一样。
如果开普勒和哥白尼当时有 AI，让它们提出一个宇宙模型，那么那些给出正确日心说模型的 AI，反而可能被淘汰，因为它们一开始的预测还不如地心说模型。
这意味着：
- 不要因为 AI 的短期表现而放弃长期正确的方向。 AI 说你的方案不如现有方案，可能只是因为你的方案解决的是更深层的问题。
- 给新方法时间。 陶哲轩说 "我们还在学习怎样最有效地使用它们"。对 AI 工具的使用也一样——今天的最佳实践可能明天就过时。
- 过程中的失败是信号，不是噪声。 开普勒的正多面体理论 "失败" 了，但正是这个失败引导他发现了椭圆轨道。
7.4 普通人的职业策略总结
基于陶哲轩的方法论，普通人在 AI 时代的职业策略可以总结为：
- 选择深度，而非广度。 AI 擅广度，你擅深度。在深度上建立壁垒。
- 培养品味，而非速度。 速度会被 AI 超越，品味不会。
- 做桥梁，而非终端。 连接 AI 产出与人类理解的人，比任何一端都更不可替代。
- 保留过程，而非只留结果。 研究日志、学习记录、决策链——这些是你的 "徒步地图"，直升机乘客没有。
- 建立信任网络，而非只建立技能栈。 陶哲轩说人类合作者之间的默契无法被 AI 复制。这种默契建立在长期合作和相互信任之上。
- 投资 "越做越值钱" 的能力： 判断力、品味、提问能力、领域深度、人际信任。
- 定期手写、手算、手做核心工作。 不是因为效率更高，而是因为手脑连接需要维护。
0x08 结语
对普通人而言，陶哲轩的访谈传递了一个清晰的信号：AI 时代最稀缺的不是 "能做数学" 的人，而是 "知道什么数学值得做" 的人。 这种判断力——品味——需要长期培养，无法速成，且在任何行业都同样稀缺。
因此，未来真正值得追求的不是 "AI 是否赢过数学家"，而是：AI 能否帮助人类提出更好的问题、发现更深的结构，并把这些结构转化为后来者能够学习和继续发展的知识。 而普通人在这条路上的位置，恰恰在于成为那个 "消化者"——把 AI 的产出转化为人类的理解，把速度转化为深度，把数字转化为知识。
0xFF 参考
OpenAI的“超级突破”遭数学家公开质疑了，陶哲轩此前警告：AI越来越会做数学，人类却未必更懂科学
浙公网安备 33010602011771号