Grant Sanderson on AI and the Future of Mathematics

AI Progress in Mathematics as a Global Proxy

AI 正在数学领域的进展速度快于几乎所有其他领域，这使得该领域成为 AI 进步在经济其他部门中如何体现的具体预览。这种加速由两个主要因素驱动：可验证性（能够客观地证明结果正确）和可磨性（能够在容器化环境中并行运行成千上万的确定性 rollout，以解决信用分配问题）。

虽然 AI 已经达到能够在国际数学奥林匹克（IMO）题目——尤其是几何题——上表现异常出色的水平，但它仍面临一个“峰峦起伏”的前沿。例如，它在组合学上表现更差，组合学往往需要更具玩味性、类似谜题的创造力。这表明 AI 能力并非以均匀的波浪式前进，而是以特定领域的锯齿形突破出现。

Theorem Proving vs. Conceptual "Mountain Building"

解决已知问题（定理证明）与创建使这些问题可解的概念框架（筑山）之间存在根本区别。

The Three Paths to Solving Hard Problems

Grant Sanderson 识别出 AI 可能解决像黎曼猜想这样重大挑战的三条潜在路径：

1. 闪电式突破： 将两个已有的、深度的专业领域连接起来（例如解析数论与随机矩阵理论）。鉴于大语言模型拥有超人的知识广度，这是一条最可能的路径。
2. 筑山： 创造全新的理论或全新的思考方式，使某一学科结晶化。这需要一种若实现将渗透所有白领工作的智能水平。
3. 原始冲刺： 通过千页的暴力证明，逻辑上正确但缺乏概念优雅，且难以被人类消化。

The Galois Example and the Verification Loop

概念性突破往往伴随极长的验证循环。以埃瓦里斯特·伽罗瓦及群论的诞生为例，Sanderson 指出伽罗瓦洞见的实用价值并非立刻显现。数学界花了近一个世纪才认识到群论的价值，最终促成了物理学的突破（如夸克的预测）。这凸显了当前 RLVR（可验证奖励强化学习）环境的关键局限：它们奖励的是即时正确性，而非新概念框架的长期生产力。

The Future Role of the Mathematician

随着 AI 自动化“定理经济”（即在定义确定后进行定理证明的过程），人类在数学中的角色正在转变。

From Prover to Curator

Sanderson 认为数学家可能会演变成类似艺术博物馆策展人的角色。虽然 AI 能生成证明甚至清晰解释，但人类仍需在几乎无限的想法空间中导航，决定哪些值得追求。这种策展是一种基于信任和共同人类兴趣的社会现象。

The Stability of Education

教学和指导被视为 AGI 之后最稳定的岗位之一，因为它们深植于人际关系。优秀的教育者不仅提供解释（AI 能做到），更会“柔道”学生的具体误解，实时重塑其思维模型——这是一种当前 AI 所缺乏的心智理论水平。

Technical Constraints and the "Theory of Mind" Gap

Autoregression and Unpredictability

大语言模型的自回归特性（预测下一个 token）可能阻碍高层次创造力。真正的洞见常常需要一次刻意且不可预测的跳跃，违背最可能的下一个 token。虽然可以通过让具有不同偏好的代理并行运行或“刷新”其上下文来缓解，但 token 预测的本质仍是限制因素。

The Writing Problem

AI 在高质量写作上表现不佳并非因为它不能解释概念，而是缺乏精细的心智理论。有效写作要求作者不断投射读者的心理状态——预测他们已知什么以及会如何对特定措辞作出反应。Sanderson 将其比作“肉毒杆菌效应”：无法身体模仿面部表情的人难以读取他人情绪；同理，AI 也无法“模仿”人类的认知体验，使得写作中的深度共情变得困难。

Practical Takeaways for Students

在 AI 时代从事数学或编程的学生，Sanderson 提出了几条建议：

• 专注于价值创造： 了解资金来源以及你为生态系统带来的具体价值（例如品牌价值、教学或基础科学）。
• 利用人类策展： 使用 LLM 修剪知识分支，但依赖人类创作的成果（书籍、讲座、论文）提供最初的动机和概念组织。
• 拥抱关系性： 投入到辅导和指导方面，因为这些最不可能被自动化。