Why Machine Learning Is a Much “Shallower” Field Than Math - Ryan Greenblatt

到 2030 年，机器学习领域的“低垂果实”会被AI摘光，剩下的难题更像数学那样需要深层抽象和直觉。

AI 在数学和机器学习领域的创新能力到底能走多远？这期讨论了为什么AI目前能发现一些有趣的新结果，但还没法像人类那样提出颠覆性的理论；同时，机器学习领域的“深度”远不如数学，未来AI的研究突破会遇到哪些独特的瓶颈？你会看到AI在“直觉”“细节把控”和“基础创新”上的真实短板，以及2030年后研究生态可能的变化。

AI 已经能在数学和机器学习领域找到新思路，但还没法像人类那样开创全新理论。

• AI 在数学上能做“新手级理论”：比如AI能找到有趣的反例、提出不同的解题方法，但还没出现像“拓扑学”“群论”这种开辟新领域的成果。
• 机器学习领域的创新难度低于数学：比如“scaling laws”（扩展规律）这种重要发现，AI能理解和应用，但它本质上比数学里的深层抽象简单得多。
• AI 距离顶级理论还有很远：人类提出群论、拓扑学这种理论，是极少数历史级的突破，AI目前还不具备这种能力。

AI在ML领域的进步很快，但未来会遇到和数学类似的“深水区”。

• 到 2030 年，简单创新会被做完：像“scaling laws”这种基础规律会被AI和人类共同消化，之后的进步需要更深的直觉和抽象。
• ML 领域更适合“爬山式”渐进创新：物理和数学需要深层抽象，机器学习更像不断优化和微调，AI在这方面表现更好。
• 未来突破靠“细节直觉”而非大理论：比如训练AI做推理和“chain of thought”（链式思考）时，真正难的是调参、细节实现和实验直觉，而不是提出全新理论。

“未来AI研究的难点，不是缺少大理论，而是需要像人类一样在实验细节和直觉上做得更好。”

• 现在用AI做研究，别指望它提出全新理论，但可以让它帮你快速验证想法、优化实验细节。
• 未来AI研究员的核心竞争力，是能把AI的“细节直觉”和人类的“抽象创新”结合起来，攻克更难的问题。