Grant Sanderson (3Blue1Brown) – AI and the future of math

AI在数学领域的进步，尤其是其“连接不同领域知识”的能力，正在颠覆我们对“智能”和“创造力”的认知，但真正衡量其价值的，或许不是它解决了多少难题，而是它能否像人类数学家一样，提出新的概念和定义。

这期内容适合所有关注AI能力边界、对“智能”本质感到好奇的人，尤其是AI从业者、科研人员和数学爱好者。它值得花时间看，因为它没有停留在“AI能解数学题”的表面，而是深入探讨了一个更根本的问题：当AI能够连接不同领域的知识，做出人类数学家都难以做到的发现时，我们该如何定义“创造力”？最值得注意的冲突在于，视频揭示了AI进步的一个悖论：它最擅长的是“连接已知”，而人类数学最伟大的贡献往往是“创造未知”——提出新的概念和定义。这种冲突直接关系到AI能否真正推动科学前沿，以及人类在其中的角色将如何演变。

这期节目是Dwarkesh Patel与3Blue1Brown的创作者Grant Sanderson的深度对谈。他们从三年前的一个预言（AI在IMO拿金牌不等于AGI）出发，探讨了AI在数学领域的最新进展。核心议题是：AI已经能够连接不同领域的知识，做出新的数学发现（如解决Erdős问题），这算不算真正的创造力？他们深入分析了数学研究的两种模式——“解决问题”与“创造概念”，并讨论了AI未来可能扮演的角色：是成为“定理证明机”，还是“概念创造者”？最后，他们探讨了人类数学家，尤其是像Grant这样的内容创作者，在AI时代可能的价值转向。

1. AI的“连接”能力是当前最大的突破，但也是其局限所在。 AI在数学上的进步，最显著的特征是它能像“超级专家”一样，将不同领域的知识（如数论、概率论）连接起来，从而解决难题。这比单纯的计算能力更接近“智能”。然而，这种能力本质上是在已知的知识图谱中寻找“闪电般的连接”，而不是从零开始构建全新的理论“山脉”。

1. 数学的伟大在于“定义”而非“证明”。 视频引用了一个精辟的划分：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。AI目前擅长的是前者（证明定理）和部分后者（提出猜想），但创造定义——如伽罗瓦发明群论——才是推动数学范式革命的关键。这种创造需要一种难以量化的、对“简洁”和“优雅”的直觉。

1. “验证”是AI创造新概念的致命瓶颈。 伽罗瓦理论的例子完美说明了这一点：一个伟大的新概念从诞生到被认可，可能需要数十年甚至上百年，期间甚至会被同时代的权威否定。当前的AI训练范式（如RLVR，基于可验证奖励的强化学习）无法处理这种“长周期、主观性强”的验证问题。如何为“提出一个好问题”或“创造一个优雅的定义”设计奖励函数，是AI迈向更高阶智能的核心挑战。

1. AI的“解释”能力可能比“证明”能力更值得关注。 Grant的观点发生了转变：他原本认为人类数学家未来的角色是“解释AI的证明”，但现在他怀疑AI本身也会成为出色的解释者。因为创造新概念和清晰解释概念，可能源于同一种认知能力。这意味着，人类在“理解”和“传播”知识上的优势可能比预想中消失得更快。

1. 人类数学家的未来是“策展人”而非“矿工”。 当AI能高效地挖掘出无数数学“宝藏”（定理和证明）时，人类的价值将转向“策展”——决定哪些问题值得探索，哪些连接值得深究，哪些理论值得向公众介绍。这是一种基于信任、品味和社交关系的价值，类似于人类音乐家在AI音乐生成时代的角色。

“证明定理只是数学的寄生虫，真正的主人是创造定义。” 这句话点出了AI与人类智能最核心的差异：AI擅长在既定框架内解决问题，而人类最伟大的贡献是创造新的框架。

这期内容对AI从业者，尤其是做基础模型和AI for Science的团队，有非常具体的启发：

1. 重新思考“奖励模型”的设计。 别再只盯着“解决已知难题”这个指标。如果你的目标是让AI做出真正的科学发现，你需要设计更复杂的奖励函数，去鼓励“提出好问题”、“创造简洁概念”或“建立意想不到的连接”。这或许可以借鉴“信息论”或“柯尔莫哥洛夫复杂度”的思想，奖励那些用更少的概念解释更多现象的“优雅”解决方案。这很难，但可能是通往AGI的关键一步。

1. “连接”能力是产品化的金矿，但不要神化它。 当前AI最实用的能力就是“跨领域连接”。做AI产品时，可以优先考虑如何利用这个能力。例如，一个帮助科研人员发现不同领域论文之间潜在联系的“科研策展”工具，会比一个试图直接解决黎曼猜想的“全能数学家”更早落地、更有价值。不要追求一步到位的“创造”，而是先做好“连接”的放大器。

1. 警惕“解释者”的陷阱。 很多AI产品（如代码解释器、数据分析助手）的卖点是“解释”。但视频暗示，AI的解释能力可能很快会超越大多数人类。这意味着，单纯做“AI解释器”的商业模式护城河很浅。真正的价值在于建立“信任”和“品味”——比如，一个你信赖的AI，它不仅能解释，还能基于对你的了解，推荐你“应该”关注什么。这需要产品设计从“功能”转向“关系”。

1. 对“AI for Science”的启示：关注“范式”而非“问题”。 与其训练AI去攻克一个又一个具体的科学难题（如蛋白质折叠），不如思考如何训练AI去识别和创造新的“研究范式”。这可能需要让AI学习科学史，理解像“群论”这样的概念是如何从解决一个具体问题（五次方程）中诞生，并最终改变整个学科的。这比单纯地堆算力要难得多，但回报也大得多。