本期嘉宾：SAIR Foundation联合创始人、菲尔兹奖得主、UCLA数学教授陶哲轩（Terence Tao），与他的长期挚友、计算艺术史学者Tanya Klowden。一位深耕纯数学，一位专攻16世纪西班牙肖像画，却共同完成了论文《AI时代的数学方法与人类思维》。 【时间线】 00:06 嘉宾介绍及研究背景 01:21 论文背景与目的 03:30 AI在数学和科学中的应用 05:12 AI的信任与关系建立 06:20 AI的伦理与社会影响 06:31 论文对读者的影响与期望 07:12 AI在数学研究中的局限性 12:23 合作背景与过程 15:20 合作中的挑战与解决方案 19:03 智能的多样性与合作的重要性 24:29 建立与AI的关系 28:07 关于建议与指导的看法 【核心观点摘录】 “I think we are now having to face basic philosophical questions which we had the luxury of ignoring in the past.” “What does it mean for a proof to be correct, to be interesting? What is the actual purpose of our discipline?” “Humans, when they want to visit a waterfall, they will hike and look at maps, and it's a journey... Now we have tools that can fly us right to the destination. We can get our Instagram shot and go home. We technically accomplished what we wanted to do, but it somehow feels empty.” “We have to have a much richer version of what intelligence is. We closed our paper with what we call a Copernican view of intelligence.” “It's not a one-dimensional linear narrative that AI are either sub-human, human, or superhuman intelligence... We have to think in much wider terms than just what humans alone or what computers alone can do.” “You should get advice from many, many sources. Not just the most successful person in your field, because that's a very biased sample. Also get advice from people who are in a similar situation to you, maybe just a couple years ahead.” “Don't be afraid to ask the stupid questions. Don't be afraid to be wrong.” “There's something that a collaboration can create that no single person in the collaboration could have done separately.” 【适合谁听】 * 对AI时代人类角色感到困惑的知识工作者 * 关心跨学科合作与科研本质的研究者 * 面对AI焦虑想重新定位自己的学生与教师 * 喜欢跨界思考、哲学与科技交汇话题的读者 * 所有想从“人vs机器”对立思维中跳出来的人

本期嘉宾：1998年菲尔兹奖得主、微软研究院Station Q创始人、拓扑量子计算奠基人迈克尔·弗里德曼（Michael Freedman），因破解四维庞加莱猜想荣获菲尔兹奖，现致力于用代数模型探索数学与AI的深层关系。 【时间线】 00:06 数学的本质与压缩 01:28 压缩在数学中的重要性 05:16 数学库的统计分析：以mathlib作为研究模型 07:00 正式数学的爆炸性增长：指数级增长 15:48 宏观与微观的压缩 19:42 PageRank算法在数学中的应用 23:52 核心定义与常见定义的区别 27:34 压缩与智能的关系：压缩是智能在数学中的核心特征 【核心观点摘录】 “We found that the longest unwrapped statement in the Lean library had length ten to the one hundred and four, larger than the number of a googol. And it came from a wrapped statement of six hundred tokens. So six hundred went to googol.” “When you see numbers like googol, the factor of a million — if our machines are a million times faster than us — a million is negligible on the scale of googol. So it isn't a question of what humans versus machines will explore. It's a question of what part of the formal world of deduction can be compressed in a way that we and our agents can understand it. And I'm calling that human mathematics, and I'm including our agents as humans.” “Mathematicians and their agents are actually in the same boat. They have similar limitations to us. They're a factor of a million faster, maybe, but they still can't explore anything like by brute force. They have to have good intuition like we have, and we have to collaborate with them to develop intuitions.” “If you're going to explore mathematics, you should know roughly what it looks like. Are you in the Appalachians or in the Sierras? What are the mountain ranges? What are the valleys? You should try to understand a little bit of the topography before you go in.” “Mathematicians work with local compression. Global compression is uncomputable, it's too much, but there may be stuff in between. So it may be by studying compression carefully, we and our agents can explore new modes of thought, where we step a little bit beyond local compression.” 【适合谁听】 * 对AI时代数学教育感到焦虑的家长与学生 * 关心Polymath协作模式与开放科学的研究者 * 思考学术社区与科技产业关系的从业者 * 相信“热情胜过天赋”的学习者 * 所有对数学本质与智能边界好奇的人

本期嘉宾：1998年菲尔兹奖得主、剑桥大学教授Tim Gowers，Polymath项目创始人，以组合数学工作和在线协作模式闻名。 【时间线】 02:00 英式圆周日的尴尬：14/3 vs 3/14，建议4月31日可惜不存在 06:30 授爵仪式：从David Cameron来信到女王剑礼，幼子的"打仗"疑问 15:20 数学之路：四位名师接力培养，IMO 1981入选的转折点 28:00 AI时代的不确定性：2-3年内的两种情景研判 35:40 计算器类比：为什么AI时代仍需掌握基础数学 42:10 Polymath与社区：AI作为新协作者，数学界利益与科技巨头的错位 51:30 热情vs天赋：从背π到背2的幂，"cooked talent"的真谛 58:00 授爵背后的家庭故事与数学热情的"症状" 【核心观点摘录】 "We live in a very interesting time... It could be that AI will be a wonderful tool but not much more than that, or it might be that within two or three years AI can do much more mathematics than any human can do." "It's still a very good idea to study maths... If you can do long multiplication, it teaches you abstract concepts, and you're using the calculator much more effectively than if you're using it as a pure black box." "The interests of mathematicians are not always exactly the same as the interests of big tech companies... Their interests are making money or developing AGI, whereas our interests are developing tools that help us do mathematics more efficiently and more pleasurably." "Raw talent is not as important as enthusiasm. Enthusiasm leads to the dedication needed to develop talent — not raw but cooked talent." 【适合谁听】 * 对AI时代数学教育焦虑的家长与学生 * 关注Polymath协作模式的研究者 * 思考学术社区与科技产业关系的从业者 * 相信热情胜过天赋的学习者

本期嘉宾：2017年图灵奖得主、斯坦福前校长、Alphabet董事长John Hennessy。作为RISC架构联合创始人、MIPS与Atheros创始人，Hennessy被誉为"硅谷教父"。 【时间线】 02:00 数学作为基础工具：如何用统计学将计算机架构从艺术变为工程 08:30 《计算机体系结构：量化研究方法》的方法论革命 15:40 AI验证：数学证明算法与"人类在环"的必要性 22:10 AI作为科研基础设施：从电子显微镜到Agentic AI 29:50 AGI瓶颈：为什么缺了世界模型，大语言模型走不远 38:00 给青年学生：统计学是AI时代的数学必修课 44:30 彩蛋：6位圆周率与三个最爱的数学常数 【核心观点摘录】 "Mathematics is the underpinning tool that both computer scientists and engineers use." "We're going to have to continue to have humans in the loop looking at AI results." "AI is the most important scientific research tool to come along since the electron microscope." "To get something that really we feel is AGI, we're gonna have to have a better notion of world models... LMs lack world models that understand the physical world, that have a notion of time." "In the age of AI, statistics has become an incredibly important branch of mathematics." 【适合谁听】 * 关注计算机架构史的工程师 * 思考AI科研应用的科学家 * 对AGI技术路线有困惑的从业者 * 正在选择数学/统计学习路径的学生

本期内容来自2020年图灵奖得主、斯坦福名誉教授Jeff Ullman在国际数学日的特别访谈，由SAIR Foundation呈现。 【时间线】 01:30 技术挑战全景：从芯片到安全防护的完整链条 08:45 AI的本质定义："clever algorithms"而非思维模仿 15:20 给年轻科学家的建议：物理基础不会因AI而过时 22:10 社会适应的工业革命类比：就业变革与终身学习 31:40 对"集体化科学发现"的冷静质疑38:50 AGI展望：以《星际迷航》Data为参照系 46:00 彩蛋：15位圆周率背诵 【核心观点摘录】 "Most tools are not designed to mimic human thought, but to solve problems efficiently." "During the Industrial Revolution, 60-70 hours was normal. We got it down to 40. There is nothing magic about 40. We should be able to envision working 20 hours a week." "You will have to retrain, maybe several times throughout your life." "Don't think you're gonna have high school students using agents to figure out what dark matter really is." 【适合谁听】 * 关注AI技术与社会影响的从业者 * 思考职业转型的技术人 * 对AGI时间线有困惑的观察者 * 喜欢科学家务实调性的听众

Shownotes： 本期嘉宾 * Manuel Blum：1995年图灵奖得主，计算复杂性理论奠基人，密码学与程序验证先驱，卡内基梅隆大学名誉教授 * Lenore Blum：美国数学学会前副主席，BSS实数计算模型联合创始人，数学意识科学协会（AMCS）主席，卡内基梅隆大学名誉教授 内容索引 00:00 开场：国际数学日与SAIR Foundation 02:15 Lenore Blum的数学启蒙：从9岁辍学到发现数学的"永恒性" 08:40 Manuel Blum的学术起点：被误判的"笨小孩"与父亲的方法论启示 15:20 学术史案例：McCulloch-Pitts形式神经元如何预测神经抑制 22:10 从异地恋到学术合作：投币电话时代的知识传递 42:30 意识的两种形态：取用意识 vs. 现象意识 51:15 CTM与主流认知理论的关系：预测加工、4E认知、生物自然主义 62:00 对AGI架构的启示：无中央执行器的分布式优势 71:40 数学基础理论的方法论价值：从基本原理到复杂现象的预测 78:20 问答：π的记忆与数学的"活态"特征 核心论点 Blum夫妇提出"意识图灵机"（Conscious Turing Machine, CTM），尝试以形式化方法回应意识的"硬问题"（Hard Problem）。该模型的核心构造包括： 1. 并行处理器网络：大量专用模块并行运行，无层级化中央控制 2. 概率竞争机制：各处理器按权重分布竞争全局广播权，胜出者信息同步抵达全网 3. 全局广播公理：定义"取用意识"的充分条件——信息的全局可及性 4. 内部语言演化：系统自发展出多模态表征系统（Brainish），构建世界模型与自我模型，支撑现象意识的涌现 CTM的理论承诺在于：意识是计算结构的属性，而非生物基质的特权。若该形式化成立，则意识AI具有逻辑必然性。 延伸思考 * 形式化方法在经验科学中的边界与效力 * 分布式认知架构对当前大模型范式的潜在修正 * 数学"不依赖人意见"的客观性，是否适用于主观体验研究

数学家、前香港科技大学校长Tony Chan在国际数学日采访中分享了多维度的深刻见解。 他回忆去年在加州理工学院与本科生和教授共庆国际数学日的经历，强调数学普及教育的重要性。 Chan指出AI在复杂科研中面临的技术挑战包括：当前大模型方法是否已达极限、数据边际效益递减、以及神经科学与大脑机制的未知领域；但更大挑战在于非技术层面——辨别真伪、伦理风险与AI失控等"人性面"问题。

Michael Freedman 做客 SAIR Foundation 国际数学日特别节目。 这位国际知名数学家、菲尔兹奖得主分享了他对拓扑、AI 与未来数学发现的独到见解。 弗里德曼是1986年菲尔兹奖得主、前微软量子计算研究部门（Station Q）负责人。 因证明了四维庞加莱猜想而获奖。他后来转向物理学和计算机科学，致力于拓扑量子计算的研究。

兰迪·谢克曼（Randy Schekman），2013年诺贝尔生理学或医学奖得主、加州大学伯克利分校细胞生物学家、SAIR顾问委员会创始成员，为我们讲述了现代科学史上最非凡的旅程之一。 兰迪·谢克曼因他在囊泡运输领域的开创性工作而分享了2013年诺贝尔生理学或医学奖。他揭示了细胞用于运输和分泌蛋白质的分子机制。 这项研究始于一个看似简单的面包酵母实验，最终演变成一份历时30年的蓝图，解释了从大脑如何与自身通讯，到胰腺如何分泌胰岛素的一切机制。 如今，全球三分之一的人用重组胰岛素供应都得益于这项工作。这是一场关于科学人生、发现所带来的责任，以及为何人工智能与生物学的交叉领域可能是当今地球上最令人兴奋的地方的对话。 本次对话内容： 开启诺贝尔奖生涯的童年显微镜 面包酵母如何成为理解人类细胞生物学的蓝图 分泌途径基因的发现及其在胰岛素制造中的意外应用 为何商业出版商对科学传播的诚信构成威胁 AlphaFold和人工智能驱动的蛋白质结构预测的变革性影响 人工智能如何使科学家能够设计自然界中从未存在过的分子 为何开放获取出版是一项道德使命 SAIR在保持科学诚实、开放并专注于人类最大挑战方面可以发挥的作用

SAIR联合创始人、加州大学洛杉矶分校教授及菲尔兹奖得主陶哲轩分享了他对人工智能如何开始重塑数学领域的思考——这门学科的结构数个世纪以来未曾改变。 此次对话在加州大学伯克利分校录制，陶哲轩探讨了数学领域的文化保守主义、大规模协作的兴起、形式化验证，以及人工智能如何拓展——而非取代——人类的数学创造力。 从黑板与独立解题，到GitHub代码库、众包证明与机器辅助发现，这段对话深入探讨了在人工智能时代，不确定性、验证方式与协作模式如何演变。人工智能会取代数学家的工作——还是会开启全新的思维方式？

斯坦福大学教授、图灵奖得主、SAIR顾问委员会创始成员杰夫·厄尔曼，凭借数十年的计算机科学积淀，为我们带来了一场关于人工智能的坦诚洞见。 在本次演讲中，厄尔曼深入探讨了人工智能在计算发展长河中的定位，分享了他的兴奋与关切，并剖析了当下的技术突破与以往技术浪潮的异同。 他以清晰的思路和谦逊的学术态度，剖析了这个时代真正的新意所在，以及哪些不过是历史的又一次重演。 本次对话在加州大学伯克利分校录制。

在本期《On the SAIR》节目中，主持人彼得·L（Peter L）与诺贝尔物理学奖得主巴里·巴里什就引力波的发现、精密科学的重要性以及人工智能将如何塑造未来科学研究展开对话。 巴里什回顾了他从粒子物理学转向领导LIGO实验的学术历程，这一实验开启了观测宇宙的新窗口。他阐述了数十年的工程技术积累、实验探索与技术创新如何使引力波探测成为可能，并阐释了为何精密仪器是重大科学突破的核心要素。 对话还探讨了人工智能在科学发现中的作用、学术研究与其产业化发展之间的鸿沟，以及为何需要诸如科学与人工智能研究基金会（SAIR）之类的倡议来引导人工智能在科学领域的未来发展。 本期对话要点： * 引力波发现背后的科学历程 * 精密仪器何以驱动科学突破 * 量子效应如何在宏观尺度实验中显现 * 人工智能在物理学、化学及生物学中的作用 * 大学为何必须参与引导人工智能的未来发展

如果说物理学是科学的基石，那么AI在这块基石上的立足仍显蹒跚。我们正面临一个深层的方法论冲突：物理学依赖统计显著性来建立真理，而AI的神经网络却是无法解释的黑盒。 诺贝尔物理学奖得主Barry Barish以LIGO探测引力波的经历为例，揭示了AI在基础物理中的真实角色——不是颠覆性的发现工具，而是工程优化的加速器。从模板库匹配到卷积神经网络，AI让探测更快，但发现本身仍属于人类。 在本期节目中，你将听到： 为什么AI在物理学中的影响远不如在图像生成领域显著？统计显著性：物理学信任的基石，AI的软肋；LIGO的故事：如何探测到比原子核小一千倍的形变？多信使天文学：AI如何帮助天文学家更快转向目标？下一代挑战：从宇宙微波背景到原初引力波。 【时间轴】 00:00 开场：物理学与AI的"过敏反应" 03:00 统计显著性vs黑盒：方法论的根本冲突 06:30 LIGO简介：测量比质子小一千倍的距离变化 10:00 2015年：首次探测到双黑洞合并的引力波 14:00 模板库匹配：传统方法如何发现信号 17:30 AI的角色：加速计算，而非替代判断 21:00 多信使天文学：引力波、伽马射线与中微子的协奏 25:00 双中子星合并：解决宇宙重元素起源之谜 29:00 下一代探测器：从地面到太空 33:00 终极问题：AI能否帮助我们探测原初引力波？ 【关于《On the SAIR》】 《On the SAIR》是由SAIR Foundation（科学与人工智能研究基金会）推出的全英播客节目。 【关于SAIR】 科学与人工智能研究基金会（SAIR Foundation）成立于2025年，是一家由菲尔兹奖得主陶哲轩教授发起、多位诺贝尔奖得主及全球顶尖科学家共同指导的非营利性研究机构。基金会致力于解决科研体系的结构性瓶颈，通过跨学科的全球协作，以科学、安全的方式加速向通用人工智能（AGI）和超级人工智能（ASI）的演进。 我们的官网：sair.foundation 合作联系：press@sair.foundation 欢迎您同步关注我们的微博、小红书、视频号、B站、公众号同名账号，SAIR与全球科学共同体，共赴未来十年。

如果说当前的AI是一座宏伟的图书馆，那么未来的AI将是一位永远在探索的旅行者。我们正从"训练于人类数据"的时代，迈向"学习于经验"的时代——这不是关于拥有多少知识，而是关于如何在与世界的互动中不断进化。 强化学习之父Rich Sutton提出了一个激进的观点：真正的智能不在于模仿人类，而在于通过试错学习实现目标的能力。从AlphaGo的创造性落子到婴儿与玩具的互动，他揭示了智能的本质——预测与控制经验的能力。 在本期节目中，你将听到： 为什么当前AI的"快速进步"可能被高估了？"人类数据时代"的局限性与瓶颈在哪里？经验学习如何让AI超越人类能力？强化学习为何是通向通用智能的必由之路？AI政治：为什么我们应该抵制集中控制、拥抱去中心化合作？ 【时间轴】 00:00 开场：AI真的在快速进步吗？ 03:30 重新定义智能：从图灵测试到目标达成能力 07:45 当前AI的本质：强大的模式识别器，而非真正的智能 12:00 从"人类数据时代"到"经验学习时代" 16:30 婴儿与玩具：经验学习的最原始形态 20:00 AlphaGo的启示：创造性来自试错，而非模仿 24:00 预测与控制：智能的两个核心能力 28:00 AI的政治学：集中控制vs去中心化合作 32:00 宇宙的四个时代：从粒子到设计 36:00 人类角色：智能时代的催化剂与助产士 【关于《On the SAIR》】 《On the SAIR》是由SAIR Foundation（科学与人工智能研究基金会）推出的全英播客节目。 【关于SAIR】 SAIR（科学与人工智能研究基金会）于2025年成立，是由菲尔兹奖得主陶哲轩教授创立，多位诺贝尔奖、图灵奖得主等全球顶尖科学家共同指导的非营利性研究机构。基金会旨在解决当前科研体系的结构性问题，通过融合人工智能与科学研究，创建实用性工具，加速突破性发现，重建高效、开放的科研生态系统。 我们的官网：sair.foundation 合作联系：press@sair.foundation 欢迎您同步关注我们的微博、小红书、视频号、B站、公众号同名账号，SAIR与全球科学共同体，共赴未来十年。

如果说数学是一门孤独的学问，那么AI正在将它变成一场协作的运动。我们正站在数学研究范式变革的临界点：从黑板前的两三人对话，到全球数百人参与的众包项目；从对单个问题的精雕细琢，到对千个问题的大规模"人口普查"。 陶哲轩教授以埃尔德什问题集为例，展示了AI如何成为数学家的"望远镜"——不是替代人类的直觉，而是让我们能够触及以前无法想象的广度。形式化验证则是那道"滤网"，让海量贡献中的真金得以留存。 在本期节目中，你将听到： 为什么数学家直到最近才开始大规模协作？AI如何将数学从"个案研究"转变为"人口研究"？埃尔德什千题计划如何成为AI数学能力的试金石？形式化验证为何是信任AI贡献的关键？人机协作解决数学问题的真实案例。 【时间轴】 00:00 开场：数学是最后的"黑板学科" 02:30 数学为何在协作方面落后于其他科学？ 05:45 从个案研究到人口研究：AI带来的范式转变 09:20 埃尔德什千题计划：AI数学能力的基准测试 14:00 形式化验证：让AI"诚实守信"的技术 18:30 真实案例：人类与AI如何协作解决开放问题 24:00 众包数学：高中生也能证明重要定理 28:00 未来展望：AI是工具，而非替代 【关于《On the SAIR》】 《On the SAIR》是由SAIR Foundation（科学与人工智能研究基金会）推出的全英播客节目。 【关于SAIR】 科学与人工智能研究基金会（SAIR Foundation）成立于2025年，是一家由菲尔兹奖得主陶哲轩教授发起、多位诺贝尔奖得主及全球顶尖科学家共同指导的非营利性研究机构。基金会致力于解决科研体系的结构性瓶颈，通过跨学科的全球协作，以科学、安全的方式加速向通用人工智能（AGI）和超级人工智能（ASI）的演进。 我们的官网：sair.foundation 合作联系：press@sair.foundation 欢迎您同步关注我们的微博、小红书、视频号、B站、公众号同名账号，SAIR与全球科学共同体，共赴未来十年。