AI 与数学的堡垒

大家好，今天大飞将和大家探讨一个可能颠覆我们对智能认知的议题。在人工智能（Artificial Intelligence: 模拟人类智能过程的计算系统）飞速发展的今天，大语言模型（Large Language Models: 能够理解和生成人类语言的AI模型）、AGI（Artificial General Intelligence: 具有广泛认知能力，能理解、学习和应用知识于任何任务的AI）、AI辅助科研（AI-assisted Scientific Research: 利用AI工具加速科学发现和研究过程）等概念层出不穷，不断刷新着我们对技术的认知边界。然而，在所有AI的应用场景中，数学领域始终是人类智慧的顶端，也是AI最难突破的堡垒。我们通常认为数学是绝对严谨、绝对理性、绝对冰冷的逻辑体系，由公理（Axioms: 数学体系的基础假设，不需证明）、定理（Theorems: 可被证明为真的数学陈述）、证明（Proofs: 逻辑推理过程，用于证实定理的正确性）构建而成。在这种观念下，人类是数学的发现者和学习者，而AI则被视为依靠算力（Computational Power: 计算机处理信息的能力）进行暴力计算的工具。

然而，今天的分享将彻底颠覆这种认知。内容源自菲尔兹奖（Fields Medal: 颁发给对数学做出杰出贡献的40岁以下数学家的奖项）得主迈克尔·弗里德曼（Michael Freedman）的一场深度访谈。弗里德曼因破解拓扑学（Topology: 研究空间在连续变形下不变性质的数学分支）中最著名的难题之一——四维庞加莱猜想（4D Poincaré Conjecture: 一个关于四维球面同胚于四维超球面的猜想）而名垂青史。但他并未止步于纯数学研究，而是创立了微软Station Q，开辟了拓扑量子计算（Topological Quantum Computing: 利用拓扑性质实现量子计算的新方法）这一全新领域。如今，他将毕生的数学直觉（Mathematical Intuition: 基于经验、模式识别和非形式化推理对数学问题的深刻理解）投入到人工智能研究中，联合维塔利·阿克肖诺夫（Vitaly Aksyonov）、叶夫根尼·博德尼亚（Yev Bodnya）、迈克尔·穆利根（Michael Mulligan）三位研究者，发表了一篇颠覆性的论文——《Compression Is All You Need》（意为“压缩即是全部”）。这篇论文利用一个优雅的代数模型（Algebraic Model: 使用代数结构来表示和分析问题的数学模型），试图回答人类思考了上千年的终极问题：人类究竟是如何构建数学知识的？人类所做的数学与形式化的纯逻辑数学，其本质区别是什么？未来的人类数学家该如何与AI协同工作？弗里德曼给出的答案，核心只有一个概念：压缩。

数学核心：压缩的力量

那么，弗里德曼口中的“压缩”究竟指的是什么呢？很多人听到“压缩”，第一反应是电脑里的文件压缩、视频压缩，即把大文件变小以节省存储空间。但在数学领域，“压缩”并非简单的信息缩小，而是指贯穿人类数学存在三千年的核心逻辑。可以说，数学本身就是一场持续了三千年的压缩（Compression: 在数学中，指将大量信息或复杂概念简化为更紧凑、易于理解的形式）实践。弗里德曼在播客中分享了一个有趣的“玩笑”，也是一个无可辩驳的事实：数学中的压缩早在3000年前就被人类发明出来了。人类第一个伟大的数学压缩成果便是位值制计数法（Positional Notation System: 一种计数系统，其中数字的数值取决于其位置，如十进制）。我们现在习以为常的阿拉伯数字（Arabic Numerals: 现代通用的数字系统，如0, 1, 2...）计数，例如数字“10”，只需将“1”放在特定位置即可表示“十”的概念；数字“100”，只需将“1”放在另一个位置即可表示“一百”。这种位值制本质上是为整数构建了一组宏（macros: 数学中的压缩工具，如10的幂次，用于表示大数）。这组宏的增长速率是对数级的，而我们用这组宏能在线性时间内表示出指数级数量的整数，这是一种极致的压缩，甚至能与现代物理学中自旋链的量子态概念产生关联。这可以说是人类第一次用抽象的方式，将海量信息压缩成极简的符号，也是数学压缩的起源。

这种压缩思想贯穿了整个数学发展史，远远超出了整数计数的范畴。弗里德曼分享了自己读研究生时的亲身经历，完美诠释了数学压缩的本质。当年他刚进入研究生院，完全没有准备好。第一堂课是D.C.斯宾塞（D.C. Spencer）教授讲授的微分方程。斯宾塞教授在黑板上写下一个大写的希腊字母Ω，然后对全班说：“令Ω为向量丛截面的芽层（Let Ω be the sheaf of germs of sections of a vector bundle）。”对于当时的弗里德曼来说，这句话里的每一个术语都完全陌生，他甚至不知道什么是向量丛（vector bundle: 在流形上定义向量空间的数学结构）。但当他一步步学懂之后才发现，这短短一句话压缩了至少十层抽象概念：首先要理解向量丛，然后是向量丛的截面，再到截面的芽，芽的层，层之间的映射，微分算子作为层之间的映射，再到微分算子的符号，最后通过符号把方程分为双曲型、抛物型、椭圆型。这还只是表层的抽象，底层的逻辑基础更是层层嵌套：从皮亚诺算术公理（Peano Axioms: 定义自然数及其基本性质的一组公理）出发，定义自然数（Natural Numbers: 计数数，如0, 1, 2, ...），添加逆元得到整数（Integers: 包括正数、负数和零的数集），取商得到有理数（Rational Numbers: 可表示为两个整数之比的数），完备化得到实数（Real Numbers: 包含有理数和无理数的数集），做直积构建向量空间（Vector Space: 具有加法和标量乘法运算的数学结构），局部粘合向量空间得到流形（Manifold: 在局部上与欧几里得空间相似的空间）。而向量丛只是流形的一种特例。一个成熟的数学家可以毫不费力地在基础公理之上的十余层抽象中直接工作。这不是因为数学家天生聪明，而是因为数学将所有底层的基础信息全部压缩成了高层的抽象概念。如果我们用形式化语言（Formal Language: 具有严格定义的语法和语义的语言，常用于计算机科学和逻辑学），比如Lean定理证明器（Lean Theorem Prover: 用于形式化数学证明的交互式定理证明器），去描述微分方程，就必须将所有这些压缩的底层信息全部展开，一步都不能省略。因此，弗里德曼给出了一个核心结论：直觉层面的压缩，正是数学的核心，这一点三千年从未改变。

量化压缩：形式化 vs. 人类数学

为了将“模糊直觉”转化为严谨的科学结论，弗里德曼团队进行了一项前所未有的尝试：对人类数学进行了量化研究。研究团队选择了一个极具代表性的研究样本——MathLib。这是一个基于Lean形式化语言构建的数学库，包含约50万行代码，是目前人类形式化数学的核心载体，也被团队视作人类数学的化身。团队对MathLib进行了全面的统计分析，研究了定理如何调用引理、定义如何层层嵌套，以及整个数学库的层级结构与压缩结构。最终，他们发现了形式化数学和人类数学的本质差异。

我们先来看形式化数学的逻辑。无论是采用布尔巴基学派（Bourbaki School: 一个旨在统一数学的法国数学家团体，强调集合论基础）的集合论（Set Theory: 研究集合及其性质的数学分支），还是Lean的λ演算（Lambda Calculus: 用于研究函数、计算和逻辑的形式系统），从基础公理出发进行逻辑推导，整个结构都会呈现双指数级爆炸增长（Double Exponential Growth: 指数增长的指数增长，增长速度极快）。弗里德曼用最简单的例子解释了这一过程：假设我们有n个基础术语（Base Terms: 构建更复杂数学概念的最基本单位），我们可以将任意两个术语组合成新的语句，比如A和B组合成“A且B”，A和C组合成“A且C”。第一层我们有n个术语，第二层就是n的平方（n²），第三层是n的四次方（n⁴），第四层是n的八次方（n⁸），指数本身也在指数级增长，最终的数量会大到荒谬。团队在研究中发现，MathLib中一个经过压缩的、仅600个tokens的数学命题（Mathematical Proposition: 一个可以被判断为真或假的数学陈述），完全展开成基础的Lean语句后，长度竟然达到了10¹⁰⁴。这个数字远远超过了“Google”这个词代表的10¹⁰⁰，是一个人类和机器都无法直接处理的天文数字。

这组数据直接证明了：人类数学的核心，就是用压缩将天文数字级形式化信息，简化成我们能理解、能使用的极简表述。而形式化数学只是一个无限庞大、无限混乱的逻辑空间，人类数学只是从中筛选出的、可被压缩的、有价值的子集。这里有一个极易被忽视的关键问题：很多人觉得，只要AI的算力比人类强百万倍，就能暴力破解所有数学问题。但是，弗里德曼直接否定了这一观点。在10¹⁰⁴这样的数量级面前，哪怕机器比人类快一百万倍，这个优势也可以忽略不计。所以，数学研究从来不是人类vs机器的算力竞赛，而是人类+机器共同探索在形式化逻辑空间中“可被压缩、可被理解”的部分。弗里德曼将这部分可压缩的数学定义为“人类数学”（Human Math），而AI则是人类数学的延伸，是和人类站在同一条船上的合作者。

构建数学模型

为了精准描述数学的压缩规律，弗里德曼团队借鉴了数学物理的研究方法。在物理学中，研究者经常构建一个“玩具模型”，不追求完全还原现实，而是提取现实的核心特征，用极简模型做完整分析，从而指导复杂问题的直觉研究。例如，电磁学中的电磁势、量子力学中的希尔伯特空间，这些都是无法直接观测，但能精准描述物理规律的玩具模型。团队将这种思想迁移到数学研究中，最终选择了幺半群（Monoids: 具有结合律运算和单位元（幺元）的代数结构）作为建模人类数学的核心代数结构。幺半群是一种基础的代数结构，和群（Groups: 具有结合律、单位元、逆元和封闭性的代数结构）类似，但是不需要元素存在逆元。最简单的幺半群就是自然数集。

团队在幺半群模型中引入了“宏”（macros）的概念，而宏就是数学中的压缩工具，比如10的幂次就是计数的宏，能让我们用极简符号表示大数。通过这个模型，团队研究了宏的数量与压缩效果的平衡关系：宏越多，压缩效果越强；宏越少，压缩效果越弱。同时，团队还发现了数学压缩的核心定理：多项式增长的幺半群极易实现压缩，而指数增长的幺半群几乎无法压缩。这个结论完美解释了人类数学的特征——通过对MathLib的量化分析，人类数学呈现出极高的压缩性，这意味着人类数学的结构本质上是多项式增长的，而不是形式化数学的指数增长。团队还进一步拓展了模型，从幺半群到原群（Magmas: 仅具有二元运算（封闭性）的代数结构），再到球状原群（Spherical Magmas: 一种特殊的原群，具有额外的结构属性），因为数学推导不是简单的线性拼接，而是多维度的组合。球状原群能更精准地模拟数学知识的构建方式。整个建模过程的核心目的，就是将数学推导视为一组可以按规则拼接的乐高积木（Lego Bricks: 用于类比数学知识构建的组件），找到最贴合人类数学统计规律的拼接规则。

在构建了压缩模型之后，团队又解决了另一个关键问题：在庞大的数学知识网络中，哪些定义、哪些定理是最核心、最基础的？这些核心节点是整个数学大厦的支柱，识别它们是AI辅助数学研究的关键。团队提出了两种核心方法：第一种是借鉴PageRank算法（PageRank Algorithm: 谷歌用于评估网页重要性的算法，基于链接分析）的思想，用马尔可夫链（Markov Chain: 一种随机过程，其未来状态仅取决于当前状态）的平衡态来定位高核心度节点。简单来说，就是看一个数学概念被其他概念调用的频率与权重，交互迭代后，权重最高的就是核心节点。第二种是用压缩比率（Compression Ratio: 衡量压缩效果的指标，表示压缩后大小与原始大小的比例）来量化数学概念的价值，分为归约压缩（Reductive Compression: 指数学概念展开后的长度与压缩后长度的比值，衡量抽象层级）和演绎压缩（Deductive Compression: 指证明长度与命题表述长度的比值，衡量命题的深度和价值）两个核心指标。归约压缩，是数学概念展开后的长度（也就是未封装长度）与压缩后的长度（也就是封装长度）的比值。这个比值越大，说明这个概念压缩的底层信息越多，抽象层级越高。例如，之前提到的“向量丛截面的芽层”这句话，展开后的长度远超表述长度，归约压缩比极高。但弗里德曼也强调，不能只依赖这个指标，因为不是所有数学研究都需要无限拔高抽象层级。而演绎压缩，则是命题的证明长度与命题表述长度的比值。最典型的例子就是费马大定理（Fermat's Last Theorem: 声明对于n>2，x^n + y^n = z^n 没有正整数解的定理），表述只需要一行文字，但是证明需要500页纸质文献，完全展开成形式化语言更是接近5000页。这个极高的比值，说明这个命题压缩了海量的数学知识，是数学中极具价值的核心结论。这两个压缩指标，是AI在AI辅助数学证明（AI-assisted Mathematical Proof: 利用AI工具辅助数学家进行证明的过程）中导航的关键。AI可以在探索证明路径时，实时追踪这两个比率，判断自己是否在走向有价值的数学方向，而不是在形式化逻辑的迷宫中盲目乱撞。同时，团队也指出了当前MathLib的核心缺陷：这个数学库是有向无环图（Directed Acyclic Graph - DAG: 一种图结构，边有方向且无环）结构，每个命题只有唯一的证明。这完全不符合数学的真实规律。在人类数学中，一个定理往往有多种证明方法，不同的证明方法对应不同的推广方向。忽略多证明特性，会让AI失去探索数学的关键视角。因此，未来的形式化数学库必须收录同一命题的多种证明，并用相似度指标关联相似命题，才能真正还原人类数学的结构。

AI 协作与智能本质

讲到这里，我们已经能清晰地看到弗里德曼团队的核心思想：压缩是人类数学的本质，也是AI与数学家协作的核心密码。很多人会问，为什么弗里德曼会选择“压缩”这个方向，而不是当下热门的大模型微调（Fine-tuning）、神经网络优化（Neural Network Optimization）呢？在视频的最后，弗里德曼教授给出了自己的答案：我们正处在人类历史的奇点时刻，从文艺复兴、启蒙运动、工业革命到AI革命，技术正在彻底改变人类的存在方式。他不想做一个旁观者，而是想做一个参与者。而他从毕生的数学研究中发现，人类智能的核心，不是算力，不是记忆，而是找到可压缩的规律（Compressible Patterns: 能够被简化和提炼的潜在模式）。

这里需要区分一个关键概念：弗里德曼研究的局部压缩（Local Compression: 指将一组符号压缩成新的符号，逐层堆叠以构建知识体系）和柯尔莫哥洛夫（Kolmogorov）研究的全局算法压缩（Global Compression: 指对整个数据或过程进行压缩，柯尔莫哥洛夫复杂度是其代表）完全不同。柯尔莫哥洛夫复杂度是全局压缩，本质上是不可计算（Incomputable: 无法通过算法解决的问题），超出了人类和机器的能力范围。而人类数学使用的是局部压缩，即将一组符号压缩成新符号，层层堆叠，构建出整个数学大厦。而弗里德曼团队的研究，就是希望通过对局部压缩的深入研究，让人类和AI找到介于局部与全局之间的新思维模式，就像登山前先拿到地形图，先理解数学的整体结构，再去探索具体的难题。

最后，弗里德曼教授也透露了团队的后续研究：一篇名为《人工智能与数学结构》（Artificial Intelligence and the Structure of Mathematics）的论文即将在arXiv预印本平台发表，进一步深化了人工智能与数学结构的关联研究。

回顾整个视频，弗里德曼主要讲了三个重要的结论： 第一，数学不是冰冷的形式化逻辑，而是人类用三千年时间构建的压缩体系；抽象（Abstraction: 忽略细节，关注本质特征）、定义（Definitions: 概念的精确说明）、定理（Theorems: 可证明的数学陈述），本质上都是压缩工具。 第二，AI无法靠算力暴力征服数学，因为形式化数学的双指数增长（Double Exponential Growth）让算力优势毫无意义；AI必须和人类一样，依靠压缩直觉（Compression Intuition: 通过发现模式和简化来解决问题的能力）寻找有价值的数学路径。 第三，未来的数学研究，是人类与AI共同探索可压缩数学空间（Compressible Mathematical Space: 指数学知识中可以被有效压缩和简化的部分）的协作；人类提供直觉，AI提供算力，压缩是连接两者的桥梁。

在AI飞速发展的今天，我们总在追求更大的模型、更强的算力、更快的速度。但是弗里德曼的研究告诉我们，真正的智能，从来不是处理更多的信息，而是压缩信息、提炼规律、找到本质。这不仅是数学的真理，也是人工智能的终极方向，更是人类智能之所以独特的核心。如果大家对数学、AI、拓扑量子计算感兴趣，建议去查阅这篇论文的原文，相信会有更深的感悟。感谢收看本期视频，我们下期再见。