245
0📝 本期播客简介
本期我们克隆了：知名播客《Dwarkesh Podcast》在 Jul 1, 2026 的一期深度对谈 Grant Sanderson (@3Blue1Brown) – AI and the future of math
Grant Sanderson 是广受欢迎的数学科普频道 3Blue1Brown 的创始人，他正在制作一个记录人工智能在数学领域进展的新项目。这期节目主要探讨了人工智能在数学前沿的突破速度，以及这些进展对我们理解创造力、科学发现和未来工作意味着什么。
节目从 AI 在国际数学奥林匹克竞赛（IMO）上的表现切入，深入讨论了 AI 解决千禧年大奖难题的可能性，以及这背后更深层的问题：当 AI 能证明定理时，人类的角色是什么？Grant 通过伽罗瓦和群论的历史案例，精彩地阐述了数学中“提出好问题”和“创造新定义”的价值，这些往往比证明定理本身更重要，却难以被量化为基准测试。
对话还延伸到 AI 在写作、编程、学习等领域的局限性，以及数学家在 AI 时代可能转向“策展人”角色的未来图景。如果你对 AI 的能力边界、科学发现的本质、以及未来人类与 AI 的协作方式感兴趣，这期节目会提供极具深度的思考。
👨⚕️ 本期嘉宾
Grant Sanderson，全球知名数学科普频道 3Blue1Brown 的创始人。他以精美的可视化动画和清晰的讲解风格，将复杂的数学概念变得直观易懂，影响了无数数学学习者和爱好者。他正在制作一个记录 AI 在数学领域进展的新项目，深度关注人工智能如何改变数学研究的方式。
⏱️ 时间戳
开场与AI在数学上的突破
嘉宾介绍与AI在数学领域的进展速度
三年前的预言：IMO金牌不等于AGI
为什么IMO题目其实是可以训练的
AI进展的“尖峰”特性：数学正好在尖峰上
AI在几何题上秒杀，组合题上挣扎
千禧年难题与AI的能力边界
解决千禧年难题是否意味着能胜任白领工作？
跨领域知识连接的可能性
蒙哥马利与戴森的故事：偶然的跨领域连接
费马大定理的解法：需要构建理论的大山
如果AI能构建理论大山，智能水平就太高了
下一个基准：提出猜想与创造定义
移动球门：IMO金牌没有带来变革性影响
下一个基准：提出有趣的问题和新的概念化方式
好的数学家证明定理，伟大的数学家提出猜想
如何量化“提出好猜想”？这很难做成基准
数学家们对AI的语气在过去一年发生了变化
伽罗瓦、群论与可验证奖励的困境
提出新思考方式的价值：爱因斯坦与广义相对论
伽罗瓦与群论：验证循环长达100年
为什么伽罗瓦理论是完美的例子
五次方程求根公式的历史背景
拉格朗日：找到正确的提问方式
伽罗瓦的悲剧人生：在监狱里写下革命性想法
当时的学术界拒绝了伽罗瓦的论文
伽罗瓦去世后，想法花了40年才被认可
历史可能走向另一种可能：伽罗瓦被遗忘
群论的应用：盖尔曼预言夸克的存在
压缩即智能：如何衡量“优雅”
不以解决问题为标准，如何衡量进步？
“压缩即智能”：表达越简洁越智能
黎曼猜想解法的第三种可能：纯粹靠硬算
用柯尔莫哥洛夫复杂度量化“优雅”
人类一直在做这件事，AI迟早也会做到
AI会否让数学变得不可理解？
担心AI证明黎曼猜想但人类不理解
单位距离猜想反例：AI的推理是可理解的
解黎曼猜想的三种方式：连接、理论构建、蛮力
ABC猜想尝试性证明：异类的数学大山
David Bessis：《定理经济的衰落》
知道解是对的，会帮助人类理解
证明与解释的区别
Timothy Chow：“未解决的阐述性问题”
证明和解释之间有区别
概念化与想法本身真的有区别吗？
提出新颖洞见的人往往也是优秀的阐释者
AI可能也会擅长解释和提炼
数学家的未来：策展人角色
Grant会一直做现在做的事直到死
数学家最终会变得更像美术馆策展人
Grant的角色可能转向策展方向
人类音乐家永远有一席之地，数学也一样
AI作为超级连接器
AI刚跨过连接想法的门槛，下一步是什么？
广义相对论就是把黎曼几何和狭义相对论连接起来
朗兰兹纲领：一种研究精神
AI成为超级连接器的可能性
为什么自回归模型难以建立跨领域连接？
从数据角度思考：设计环境激励连接能力
并行化与数字心智的优势
AI的关键优势：并行化和可扩展性
数字心智天生具备的优势
设计Agent之间的“偶然对话”
故意给不同Agent不同的上下文
IMO钓鱼题：需要跳出上下文才能解
系统性刷新思维：数字心智的优势
熵坍缩与系统性增加熵
人们对AI的担忧：熵坍缩
AI的关键优势：系统性尝试否定和证明
爱因斯坦的偏见：在prompt层面增加熵
科学不存在唯一正确的启发式方法
可反复尝试性比形式化更重要
为什么AI在计算机使用方面进展慢？
可反复尝试性是关键，不只是可验证性
Lean对于AI目前的进步水平没那么重要
可反复尝试性比形式化更重要
Lean的未充分探索的好处：无限探索
数学独有的特性：按下启动键，十年后回来看
自然语言验证与过程监督
Karpathy的AutoResearch想法
人类数学研究就是一个不断扩展的图书馆
穷举搜索所有可能的代数系统
DeepSeek数学模型：自然语言验证的可行性
数学比其他领域更可能信任自然语言验证器
Lean的另一个意义：消除错误率
写作为什么比数学和编程更难
写作进展慢的原因：不擅长评判
写作不像代码和数学那样模块化
为什么代码能从“能用”进步到“干净”，写作不行？
写作的关键在于洞察力
不可预测性是写作的核心
心智理论与AI的局限性
AI在构建人的心智模型方面特别差
教LLM写间隔重复提示卡的实验
写一张好卡片需要投射人的心智状态
肉毒杆菌实验：理解表情需要模仿
模型没有面部肌肉，像外星人在尝试共情
如何用LLM学习
用LLM学习的建议
“跟谁学”比“学什么”更重要
LLM的解释像维基百科，缺乏刻意构建的动机
把LLM当超级加强版Google用
最有收获的学习经历：先有人搭好枝干
LLM不擅长重新框定你的问题
给学生的建议
对想成为数学家的学生的建议
搞清楚钱从哪来、你创造什么价值
数学家的社会角色变化不大
教学是后AGI时代最稳定的工作之一
在疯狂的世界里，数学是AI走得最远的领域
数学加速的实际应用
AI做出来的数学到底有没有用？
数学进展不均衡：代数数论vs偏微分方程
波音的例子：数学洞见省了几十亿美元
数学巨大突破不太可能立刻转化为经济突破
数学已经变得完全没用了吗？
🌟 精彩内容
💡 “好的数学家证明定理，伟大的数学家提出猜想，最伟大的数学家创造定义”
Grant引用了这句名言来阐述数学创造力的层次。在AI时代，提出好问题和创造新概念的能力可能比证明定理更重要，但这些恰恰是最难被量化为基准测试的能力。
“好的数学家证明定理，伟大的数学家提出猜想，而最伟大的数学家创造定义。”
💡 伽罗瓦理论：验证循环长达100年
Grant通过伽罗瓦和群论的历史，精彩地说明了数学中最有价值的洞见往往需要极长时间才能被认可。伽罗瓦在监狱里写下的革命性想法，当时被学术界拒绝，花了40年才被理解，而群论在物理学中的应用更是等到20世纪才出现。这对AI的“可验证奖励”训练范式提出了深刻挑战。
“你确实有这整整100年的时间，一个想法流经许多不同人的头脑，最后才沉淀成数学界公认的好东西。”
💡 数学独有的特性：按下启动键，十年后回来看
Grant指出，有了Lean这样的形式化工具，AI可以在数学领域实现完全自动化的无限探索，不需要人类检查，只管砸算力。这是其他领域都不具备的特性。
“这是数学独有的、其他领域都没有的特性。你可以按下启动键，然后只管往里砸算力，十年后再回来看，问它‘你有什么成果？’”
💡 数字心智的优势：系统性刷新思维
Grant和Dwarkesh讨论了AI可以通过给不同Agent不同的上下文和偏见，系统性地增加“熵”，避免陷入单一思维模式。这与人类需要“跳出上下文”才能解决某些问题的特性形成对比。
“有时候，你在其他领域做人类研究时，也会想要同样的东西，有时候就是需要能够说，刷新你的思维，用一个完全不同的方式来切入。”
💡 写作的关键在于不可预测的洞察力
Grant深入分析了为什么AI在写作上表现不佳。写作不只是对已有想法的蒸馏，关键在于在正确的节点做出不可预测的举动，那才是更有洞察力的地方。这与自回归模型的生成方式存在根本矛盾。
“要写出好东西，就必须包含某种不可预测的元素……在哪个正确的节点做出一个不可预测的举动，那才是更有洞察力的地方。”
💡 教学是后AGI时代最稳定的工作之一
Grant认为，即使AI成为完美的讲解者，教学仍然是最稳定的职业之一，因为它太依赖人与人的关系。老师所做的是一种非常社会化的、教练式的、导师式的事情。
“即使LLM是很好的讲解者，老师所做的是一种非常社会化的、教练式的、导师式的事情，这可能是未来50年里最稳定的职业之一。”
💡 数学家最终会变得更像美术馆策展人
面对AI能产生海量数学成果的未来，Grant提出数学家的角色可能转向“策展人”——在近乎无限的想法空间中导航，判断哪些想法值得投入和展示。这种策展能力依赖于人与人之间的信任关系。
“你仍然需要有人帮你在这个近乎无限的空间里导航，告诉你哪些想法值得投入……我们永远会更喜欢一个和我们有关系的人，因为我们被激发兴趣的方式是一种社会现象。”
```
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺；
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
