185
1今天这期谈话的嘉宾李林峰，是南方科技大学数学系的一位助理教授。他在南加州大学获得博士学位，后来到 UCLA 做博士后，和著名数学家陶哲轩做了一段时间的同事，主要从事偏微分方程方向的研究。
林峰和我是在一个非常偶然的机会下，打网球认识的。见面之后才发现，我们有许多共同点：都是数学专业出身，兴趣爱好也很类似，打网球水平相当，并且都不太会发球，等等等等。后来机缘巧合下，我得知他居然来到了我的母校，成为了一名新晋助理教授，这让我不得不感叹，一切都是那么有缘分。于是，我就借此机会，采访了一下我这位南科大的新校友。
说起林峰的研究方向——偏微分方程，很多人可能不太熟悉这个数学分支，但这个领域最近可着实有着大新闻。今年 9 月 8 日，OpenAI 宣布，他们的内部 AI 系统给出了七大千禧年难题之一、Navier–Stokes（NS）方程问题的一个解答。这是一个被悬赏一百万美元、长时间困扰数学界的问题。这样一个被代代数学家反复钻研的问题，突然被AI攻克了，实在很难让人不感到震惊。而林峰恰好就在研究与NS方程非常相关的话题，所以我非常想知道，他第一次看到这条新闻时是什么感受？在专业研究者眼中，这份成果到底意味着什么？它和我们在新闻标题里读到的，是不是一回事？以及，作为一个普通人，我们应当如何理解AI目前的智力水平，他的能力边界到底在哪？带着这些问题我们畅谈了许久。
另外，因为林峰刚刚成为一名老师，我同时也很好奇，他未来会怎么带自己的学生。如果学生拿来一份 AI 写的事实上无比正确证明，但自己却一知半解，他会怎么处理？现在有了 AI，该如何培养新一代的数学研究者？我们也聊到了他自己的有了AI后的一些变化，会怎样规划接下来的研究和生活。
无论谈论的话题如何，我都很高兴能借着这次录制，和这位球友聊聊网球之外的事情，听听他对数学、对未来，对生活的一些想法。本期内容较长，如有需要请根据时间轴自行跳转到相应的部分。那么，话不多说，让我们正式开始今天这场谈话吧。
时间轴：
03:39 流体力学研究者眼中的 AI 机遇与挑战
06:05 AI 公司发布大成果，验证成本为什么落在数学家身上？
13:06 OpenAI 的 NS 方程消息：为什么业内数学家没有那么震惊？
21:41 有了 Lean 形式化验证，为什么还需要人来读懂证明？
26:05 AI 能跳出人类知识的“凸包”，创造新的数学理论吗？
30:24 AI 可以不断提出问题，但谁来判断哪些问题值得研究？
34:04 跟 AI 合作与跟数学家合作，有什么区别
39:45 提问、证明、验证形成闭环后，还需要多少数学家？
44:27 “你不能拿 AI 来敷衍你的老师”
51:31 有了 AI，更敢挑战一篇一百页的论文
57:18 九成的煎熬，一成的兴奋：数学研究里的快乐为什么值得？
59:27 从牛顿证明开普勒定律聊起：几百年前的数学，今天仍让人起鸡皮疙瘩
01:02:23 效率提高了，却更难进入心流
01:08:08 快问快答
01:17:44 最想留下的提醒：过滤 AI 的输出，尊重另一个人的时间
Special thanks and credits to:
“Gimme that Groove!” by Michael Ramir C., via Mixkit.
“Groovy Jazz” by Francisco Alvear, via Mixkit.
“Nostalgic Night” by Michael Ramir C., via Mixkit.
