Grant Sanderson 談 AI 與數學的未來
Grant Sanderson 談 AI 與數學的未來
作為全球指標的數學領域 AI 進展
AI 在數學領域的進展速度比幾乎任何其他領域都快，這使得該領域成為一個具體的預覽，展示了 AI 進展將如何在經濟的其他部門中體現。這種加速是由兩個主要因素驅動的：可驗證性（能夠客觀地證明結果是正確的）和可磨練性（能夠在容器化環境中運行數千個並行的、確定性的展開，以解決信用分配問題）。
雖然 AI 在國際數學奧林匹克（IMO）問題上已經達到了一種可以表現得非常出色的水平——特別是在幾何學方面——但它仍然面臨著一個「尖銳」的前沿。例如，它在組合數學方面更加掙扎，因為這通常需要一種更具遊戲感、像謎題一樣的創造力。這表明 AI 的能力並非以均勻的波浪式前進，而是以特定領域中一系列鋸齒狀的突破。
定理證明 vs. 概念性的「築山」
解決已知問題（定理證明）與創造使這些問題變得可解的概念框架（築山）之間存在著根本的區別。
解決難題的三條路徑
Grant Sanderson 指出，AI 可能解決重大挑戰（如黎曼猜想）的三種潛在方式：
- 閃電戰： 連接兩個現有的、深厚的專業領域（例如，解析數論和隨機矩陣理論）。鑑於 LLM 的超人知識廣度，這是 LLM 最有可能的路徑。
- 築山： 創造一個全新的理論或一種全新的思考方式，使一個主題結晶化。這需要一種智力水平，如果實現了，可能會滲透到所有的白領工作。
- 粗暴的努力： 一個邏輯上正確但缺乏概念優雅性且人類難以消化的千頁證明。
Galois 例證與驗證迴圈
概念性的突破往往具有極其漫長的驗證迴圈。以 Évariste Galois 和群論的誕生為例，Sanderson 指出 Galois 的見解的效用並非立即顯而易見。大約花了一個世紀，數學界才認識到群論的價值，最終導致了物理學的突破（例如對夸克的預測）。這突顯了當前 RLVR（Reinforcement Learning from Verifiable Reward）環境的一個關鍵限制：它們獎勵的是即時的正確性，而不是新概念框架的長期生產力。
數學家的未來角色
隨著 AI 自動化「定理經濟」——即在建立定義之後證明定理的過程——數學家的角色正在發生轉變。
從證明者轉變為策展人
Sanderson 建議，數學家可能會演變成類似於藝術博物館策展人的角色。雖然 AI 可以生成證明或甚至清晰地解釋它，但人類仍然需要來導航幾乎無限的想法空間並決定哪些想法值得追求。這種策展是一種基於信任和共同人類興趣的社會現象。
教育的穩定性
教學和指導被視為在後 AGI 時代最穩定的角色之一，因為它們具有深厚的關係性。一位優秀的教育者不僅僅是提供解釋（這點 AI 可以做），而是對學生的特定誤解進行「柔術式」處理，即時重新框架化他們的心理模型——這種程度的「心智理論」是當前 AI 所缺乏的。
技術限制與「心智理論」差距
自回歸與不可預測性
LLM 的自回歸性質（預測下一個 token）可能會阻礙高層次的創造力。真正的洞察力往往需要一個深思熟慮的、不可預測的舉動，這與最可能的下一個 token 形成矛盾。雖然並行化具有不同偏好的代理人（agents）或「刷新」其上下文可以減輕這種情況，但 token 預測的內在性質仍然是一個限制。
寫作問題
AI 在高品質寫作方面的掙扎並非因為它無法解釋概念，而是因為它缺乏精細的心智理論。有效的寫作需要作者不斷地投射讀者的心理狀態——預測他們知道什麼以及他們會如何對特定的措辭作出反應。這要求作者能夠預測讀者的心智模型。Sanderson 將這比作「Botox 效果」，即那些無法在物理上模仿面部表情的人很難讀取他人的情緒；同樣，AI 也無法「模仿」人類的認知經驗，這使得在寫作中展現深層的共情力很難。
給學生的實踐建議
對於在 AI 時代追求數學或編碼的學生，Sanderson 提供了幾點建議：
專注於價值創造： 理解資金來源於何處以及你為生態系統增加了什麼特定的價值（例如，品牌價值、教學、或基礎科學）。
利用人類策展： 使用 LLM 來修剪知識的分支，但依賴人類創作的產物（書籍、講座、講義、論文）來提供最初的動機與概念組織。
擁抱關係性： 投入於該領域的教學與指導工作，因為這些是最不可能被自動化的部分。