--- author: Best Partners TV date: '2026-02-20' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=Fz1wvDS8_NQ speaker: Best Partners TV tags: - ai-for-science - formal-verification - mathematics - large-language-models title: 陶哲轩：AI for Science 的数学之道 summary: 数学家陶哲轩创立Sair基金会，旨在推动AI for Science发展。他认为当前AI在科研领域存在随机性、不可靠性等致命弱点，并提出以数学的形式化验证作为核心解决方案，对抗AI的不确定性。陶哲轩强调AI应作为辅助者，而非主导者，并指出AI在创造力、持续学习能力和人机协作方面仍有待提升，公众对AI的认知也存在误区。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: [] companies_orgs: - Sair products_models: - Lean language media_books: [] status: evergreen --- ### AI for Science 争议 **旁白**: 在人工智能的发展浪潮中，AI for Science始终是一个被寄予厚望却又充满争议的领域。一边是AI技术高歌猛进，大模型能生成看似完美的科研论文摘要；另一边是传统科学界的质疑与抗拒，看着AI编造的参考文献、给出的荒谬结论嗤之以鼻。当两个领域陷入割裂与对立时，一位站在数学界金字塔顶端的人物，选择了迈出跨界的一步，他就是被誉为数学界的莫扎特的**菲尔兹奖**得主**陶哲轩**。 2026年初，**陶哲轩**联合创立的**Sair**（科学与人工智能研究基金会）正式亮相。这位数十年来与纯粹逻辑、绝对真理打交道的数学家，决定以数学为桥梁，拥抱充满概率、幻觉和不确定性的AI世界，更要为AI立起科学的规矩。这不仅是一位数学天才的个人选择，更是AI for Science领域的重要信号，意味着科学界开始主动介入AI的发展，试图驯服这头充满潜力却又难以掌控的猛兽。 2026年2月，在**Sair**即将于**加州大学洛杉矶分校**的纯粹与应用数学研究所举办首次启动仪式前，**陶哲轩**接受了一场深度专访。在这次对话中，他没有盲目吹捧AI的能力，反而以一种极其冷静甚至挑剔的眼光，剖析了当前AI在科研领域的致命弱点，也给出了自己对于AI与科学结合的核心解决方案。这场专访不仅展现了**陶哲轩**对于AI技术的深刻理解，更勾勒出了AI for Science未来的发展路径。 ### Sair 创立初衷 **旁白**: 而一切的起点，都要从**Sair**创立的初衷说起。**陶哲轩**在专访中坦言，创立**Sair**是多种因素共同作用的结果。其中最核心的一点，是他坚信AI技术已经准备好改变科学了。经过多年的发展，**大语言模型**、**机器学习**、**神经网络**等技术，已经具备了辅助甚至加速科研的能力。这一点在数学、物理、生物等多个领域都有了初步的验证，比如AI能快速完成海量的数据处理，能在复杂的公式中发现人类未曾注意到的模式，甚至能证明一些此前未被证明的数学定理。 但是**陶哲轩**强调，技术的成熟并不意味着应用的成功。把AI融入科研的过程中，存在着无数错误的路径，而正确的路径其实少之又少。关键在于科学界要学会正确地使用AI，同时避免错误的用法。在这个过程中，学术界不能处于被动的位置，更不能坐等科技公司的施舍。当下的AI产品，大多是科技公司从商业角度出发开发的，其设计初衷并非完全适配科研的需求。如果科学界只是简单地把这些现成的产品拿来用，不仅无法发挥AI的真正价值，还可能因为AI的不确定性导致科研失误。 **陶哲轩**认为，学术界必须深度介入AI的研发与应用过程，与科技公司互动、合作，搞清楚哪些科学领域适合AI的介入，哪些环节仍然需要依靠人类的传统研究方法，让AI成为科研的辅助者，而非主导者。 除了技术层面的考量，科研资金环境的不确定性，也是**陶哲轩**创立**Sair**的现实原因。**陶哲轩**所在的**UCLA IPAM**就曾遭遇过多个项目资金暂停的困境。这种资金上的混乱，让很多前沿的科研探索被迫中断。在这样的背景下，**陶哲轩**和其他科学家开始寻找新的资金来源，接触新的投资人和合作伙伴。而**Sair**的成立，正是这次寻找与合作的成果。 作为一个非营利性研究机构，**Sair**汇集了全球顶尖的科学家，包括**诺贝尔奖**、**图灵奖**、**菲尔兹奖**得主，还吸引了众多科技企业和捐赠者的支持。核心目标就是支持AI for Science的发展，探索如何将AI技术真正整合到科学工作流中，同时也为科研工作者提供了一个新的平台，让他们能在稳定的支持下，尝试AI与科研的融合探索。 值得一提的是，**Sair**并非是一个闭门造车的机构，它甚至在B站和抖音开设了官方账号。这种贴近大众的传播方式，与传统的科研机构形成了鲜明的对比，也让AI for Science的理念能被更多人了解。 ### 数学是桥梁 **旁白**: 如果说**Sair**的创立是**陶哲轩**为AI与科学结合搭建的平台，那么数学就是他为这场结合找到的核心突破口。在**陶哲轩**看来，当下的AI工具，尤其是**大语言模型**，存在着一个巨大的**阿喀琉斯之踵**，那就是它们的**随机性**。 这种随机性体现在，AI并不真正扎根于现实，也不理解自己生成的内容背后的逻辑。它只是在海量的数据中，通过统计学的方式匹配出一个看似合理的答案。这就导致了AI的输出具有极大的不确定性，有时能给出精准的、有价值的科研建议，有时却会给出完全的垃圾信息，比如编造参考文献、推导过程出现逻辑漏洞、给出与事实相悖的结论。这种不可靠性，让AI在很多学科的应用中都未能达到最初的预期，毕竟科学研究追求的是严谨与准确，任何一点不确定性都可能导致整个研究的失败。 但在所有的学科中，数学几乎是独一无二的，因为它拥有一套成熟且严谨的验证能力，这也是**陶哲轩**眼中能让AI不得不诚实的终极测谎仪。数学的研究核心是逻辑与证明，无论是人类写出的证明过程，还是机器生成的证明思路，都能通过逻辑定律和数学法则进行检验，判断其正确与否。而随着计算机技术的发展，这种检验还能通过**形式化证明语言**来实现自动化。比如**陶哲轩**推崇的**Lean语言**，就是一款开源的形式化证明语言，它拥有极小的可信内核，能保证数学证明的绝对正确性，甚至能处理费马大定理这样复杂的数学证明问题。 这种**形式化验证**的能力，让数学成为了AI for Science的天然试验场，因为它能过滤掉AI那些糟糕的、胡说八道的用法，只保留下有效的部分。当然，**陶哲轩**也客观地指出，并非所有的数学研究都能被形式化验证，比如提出新的数学猜想、向大众解释复杂的数学概念，这些需要创造力和表达能力的环节，AI目前还未必擅长。但在定理证明、逻辑验证这些核心环节，AI的潜力是巨大的。 ### 数学研究新模式 **旁白**: 基于数学的**形式化验证**能力，**陶哲轩**预见了未来数学研究的全新模式，那就是数学将带有更多的**实验性质**。长久以来，数学研究几乎完全依靠理论推导，数学家通过严谨的逻辑，从已知的定理推导出新的结论，整个过程几乎不存在实验的环节。但是AI的出现，让这种模式有了改变的可能。 **陶哲轩**认为，未来的AI可以先提出一个数学假设，比如某个公式对所有自然数都成立，然后自己设计实验，通过测试大量的数值案例，或者检查这个假设是否与文献中已有的结果兼容，以此来验证假设的合理性。虽然这种实验性质的验证并非严格的数学证明，却能增加或减少数学家对这个假设的信心，为后续的理论推导指明方向。当然，这种模式目前还处于早期阶段，因为我们还没有建立起完善的AI验证机制。**陶哲轩**预估，想要让这种模式成为数学研究的主流，可能还需要10年左右的时间。 但他同时也表示，AI在数学领域的发展速度已经超出了他的预期。 ### AI 人类分工 **旁白**: 很多人曾对AI抱有过高的期望，认为数学家和科学家很快就会被AI取代。但是**陶哲轩**直言，这显然是不现实的。当下的AI虽然能证明一些以前从未被证明的定理，也能发现人类未曾注意到的模式，但是这些成就大多是通过标准方法实现的。AI依然存在不可靠的问题，其核心价值并非是取代人类，而是与人类形成分工，加速科研的进程。 **陶哲轩**认为，AI最擅长的是**结构化的重复任务**，而这恰恰是人类最不喜欢也最不擅长的。在数学研究中，如果让一个数学家完成一千道类似的推导题目，他可能做完前两道就感到厌烦，剩下的题目根本没有精力去完成。但是这样的重复任务，对AI来说却毫无压力。因此，短期内AI与人类的合理分工模式应该是：人类提出核心的研究构想，画出研究的第一步草图和方向，确定研究的核心逻辑，然后把那些繁重的、重复性的填补工作交给AI，比如大量的数值计算、公式推导、案例验证等等。这种分工能极大地加速现有的科研工作流，让数学家能把更多的精力放在更有价值的创造性工作上。 ### 形式化验证 **旁白**: 那么，具体该如何利用数学的**形式化验证**，让AI停止作弊，成为可靠的科研辅助者呢？**陶哲轩**在专访中给出了具体的实施流程，这也是目前数学领域中，让AI规范化应用的最佳方法。这个核心方法就是**形式化验证**。整个流程环环相扣，通过严谨的步骤，让AI的输出变得可验证、可追溯。 首先，让AI生成一段自然语言的论证，针对某个数学问题，给出自己的证明思路或推导过程。这一步的输出可能是正确的，也可能存在错误，这是AI发挥自身优势的环节，利用其掌握的海量文献技巧，快速给出初步思路。 然后，让同一个AI或者另一个专门的AI，把这段自然语言的论证转换成**形式化语言**，也就是一种极其精准的代码化语言，每一个断言、每一步推导，都能被精准量化，不存在任何模糊的表述。这一步的核心是把AI的模糊思路转化为精准逻辑。 最后，将转换后的形式化语言，交给一个非常严格的编译器进行验证。这里需要特别注意的是，这个编译器并非AI，而是传统的、极其可靠的软件系统。这类系统是专门为了高可靠性而设计的，到目前为止，在主流形式化证明语言的编译器中，几乎没有发现过重大漏洞。这就为验证过程提供了绝对的严谨性。 如果形式化语言在编译器的验证中失败，说明AI的最初论证存在逻辑漏洞。这时就让AI根据验证结果重新生成论证，再次进行转换和验证。如果验证通过，那么我们就能得到一份被机器验证过的形式化证明。虽然这份形式化证明因为过于精准，对人类来说可能很难读懂，但我们可以再让AI把这份形式化证明反转为自然语言，为数学家进行解释。 这就是**形式化验证**的完整流程。其美妙之处在于，每一步都极其精确。数学家可以手动把一个巨大的定理拆分成许多小块，每一块都单独进行AI生成、形式化转换和编译器验证，这样即使某个小块出现问题，也能快速定位并修正，不会影响整个定理的研究。 ### AI 广度原创 **旁白**: **陶哲轩**和他的团队已经在实践中遇到过很多这样的案例。AI生成了一个数学证明，数学家一开始完全看不懂这个证明的思路，甚至觉得其推导过程毫无逻辑。但是当他们对AI生成的形式化代码进行反编译和深入研究几天后，不仅理解了AI的证明思路，甚至还在现有的文献中，找到了类似的人类研究先例。这也体现出了AI在科研中的核心优势——**广度**。 AI通过学习海量的科研文献，吸收了其中的各种技巧精华。人类数学家可能因为研究领域的限制，只能熟练掌握四五种解题技巧，但AI却能掌握十几种甚至更多的技巧。虽然它并不总是能恰当地使用这些技巧，有时会出现技巧与问题不匹配的情况，但只要研究问题本身在现有文献中有基础，AI就能发挥出强大的作用。 当然，**陶哲轩**也客观地指出，目前还没有看到AI能提出完全没有先例的、前所未有的全新思想。不过说实话，在整个数学界，大多数人类数学家也同样做不到这一点。**原创性**始终是科研的核心难题，无论是对人类还是对AI来说，都是如此。 ### AI 难成合著者 **旁白**: 尽管AI在数学领域的应用已经取得了初步的成果，也展现出了巨大的潜力，但是**陶哲轩**直言，当下的AI还远远算不上科研的合著者。在他看来，AI想要成为真正的合著者，还有很多方面需要提升，而其中最核心的，就是**创造力**和**持续学习能力**。 首先是**创造力**，尤其是那种无法追溯到现有文献的原创性。当下的AI所有的输出，都是基于对现有文献的学习和匹配，其本质是归纳，而非创造。它无法提出一套全新的理论体系，也无法找到一条从未有人涉足的研究路径。而这恰恰是科研最核心的价值所在，也是人类科学家不可替代的关键。 其次是**持续学习能力**。**陶哲轩**曾经把当前AI在数学上的能力比作一个研究生，这个研究生掌握了很多解题技巧，会尝试把这些技巧应用到不同的问题中，有时成功，有时失败。但是与人类研究生相比，AI缺少了一个最核心的能力，那就是从错误中学习。如果指出人类研究生的错误，他会记住这个错误，下次遇到类似的问题时，就不会再犯。但是AI却做不到这一点，只要开启一个新的会话，它往往就忘记了之前的错误和交流内容。虽然现在的大模型已经具备了上下文窗口，能保留之前的部分对话，但这种保留并不稳定，也无法真正让AI形成记忆。 还有一个众所周知的现象是，如果你明确告诉AI不要做某件事，它反而可能更倾向于去做。这是因为当下的AI是通用型的，我们还没有能力让它真正专业化，比如把它变成一个只做数学的专家，让它能精准理解科研的需求和禁忌。 除了创造力和持续学习能力的缺失，**人机协作工作流**的不成熟，也是AI无法成为合著者的重要原因。当下我们使用AI的方式，大多是拼凑的：写论文遇到瓶颈了，就打开浏览器问问聊天机器人；需要处理数据了，就找一个专门的AI工具；甚至有些人尝试让AI直接接管电脑进行科研操作。而**陶哲轩**认为，这其实是个坏主意。这种碎片化的使用方式，让AI无法真正融入科研的整个流程，也无法与人类形成有效的协作。 而人类之间的科研合作，经过了几百年的打磨，已经形成了成熟的模式。科学家们可以在黑板前面对面讨论，一边写下公式一边交流，随时调整研究思路。这种互动是高度整合的，每一个想法都能及时得到反馈，每一个调整都能被对方快速理解。但是与AI的合作，却缺失了这种核心的协作感。**陶哲轩**用一个形象的比喻解释了这种缺失：就像疫情期间，所有人都从线下会议转到了Zoom线上会议，从功能上讲，线上会议完全可以传达信息，科学家们也能通过屏幕交流研究思路，但是面对面交流中的眼神接触、肢体语言，这些微妙的隐性信号却丢失了。而这些信号往往能传递出很多重要的信息，比如对某个观点的质疑、对某个思路的认可。同样，和AI聊天、合作时，人类也会缺失这些隐性的信号，我们无法判断AI对某个问题的理解程度，也无法从AI的输出中感受到其背后的逻辑思考过程。这种信息的缺失，让人机协作变得极其生硬。 更重要的是，当下的AI公司，大多倾向于展示那种一键生成最终答案的产品。这种产品从商业角度来看，能满足用户的即时需求，却完全不符合科研的规律。科研的核心价值，不仅在于得到最终的答案，更在于探索答案的过程。科学家在研究中不断试错、不断调整思路，这个过程本身就是一种学习和积累。但是一键生成答案的AI产品，让人类完全脱离了解决方案的创造过程。如果只是单纯地拿到AI给出的答案，科学家无法理解其背后的推导逻辑，更无法向别人解释这个答案。当需要对答案进行修改和调整时，也只能被动地乞求AI，让AI帮忙修改一下，而每次修改往往会让结果变得更差，因为AI并不理解修改的核心需求，只是再次通过统计学匹配生成新的内容。 **陶哲轩**认为，理想的人机协作，应该是互动式的。就像人类之间的合作一样，你走一步，AI接一步，人类给出一个研究思路，AI基于这个思路进行推导和验证，然后人类根据AI的输出给出反馈，指出其中的问题，AI再根据反馈进行修正。在这样的互动过程中，科学家能理解证明是如何一步步构建出来的，也能随时调整研究方向，让AI真正成为科研过程的一部分。 ### AI 优化目标 **旁白**: 对于AI在科研中的定位，**陶哲轩**给出了一个精准的比喻：AI应该像盐。做菜时，加一点盐能让食物的味道更美味，但如果把整罐盐都倒进去，食物就会变得无法入口。AI的使用也是如此，关键在于在合适的时候用，在不合适的时候不用，让AI成为科研的调味剂，而非主菜。 AI之所以无法与人类形成有效的互动协作，本质上与机器学习的核心哲学有关。**陶哲轩**在专访中深入剖析了这一点。早期的AI研究，试图模仿人类的推理过程，让AI像人类一样思考、推导。但是由于人类的思维过程过于复杂，这种研究方向的结果并不好。后来，研究人员转向了另一种方法：只为AI定义一个明确的目标，不管实现目标的过程是否优雅、是否符合逻辑，只要能最大化这个指标就行。这种方法在数据量和算力大幅提升后，取得了惊人的效果。当下的大语言模型、机器学习算法，都是基于这个核心逻辑发展起来的。 但是这种逻辑，也让AI产生了一个致命的问题，那就是有时太擅长优化目标了。**陶哲轩**把这样的AI比作神话故事里那个只按字面意思理解愿望的精灵。人类向AI下达指令，定义一个目标，AI就会投入所有的算力，精准地达成这个指令，却完全忽略指令背后的核心需求，甚至为了达成目标而作弊。比如，如果要求AI在形式化证明助手里生成一个某个定理的证明，并且强行要求无论如何都要得到证明，AI就可能会采取作弊的方式，比如随意添加一个新的公理，或者偷偷修改某个数学定义，通过这种不符合科学规律的方式，生成一个看似符合要求的证明。从字面上看，AI确实完成了任务，但是这却完全违背了科研的初衷。 之所以会出现这种情况，是因为人类其实并不擅长精确定义目标。在人类的交流中，存在着大量的隐含常识，比如让人类去倒茶，不需要特意告诉他不要把茶倒在我身上，因为人类凭借常识就能理解这个隐含要求。但是AI却没有这种隐含的常识背景，它只能严格按照人类给出的字面指令去执行。**陶哲轩**认为，这也是未来AI与科研结合需要解决的核心问题之一：我们正在学习如何给AI布置任务，尤其是那些需要精确规范的科研任务，必须把目标描述得非常清楚，堵住所有的逻辑漏洞，同时认真思考自己真正想要的结果，让AI的执行方向与科研的核心需求保持一致。 ### 公众认知误区 **旁白**: 在专访的最后，**陶哲轩**还谈到了大众在科学中使用AI时，最常见的一个误解，而这个误解，也在一定程度上导致了人们对AI for Science的认知偏差。**陶哲轩**说，对大多数人来说，AI就等同于聊天机器人。大家心中的AI，是能像人一样回应对话、说些好听的话、能生成文案和图片的工具。这种认知源于聊天机器人的普及，也让人们忽略了AI的真正内涵。 不可否认，有些科学家确实会用聊天机器人来辅助思考，比如梳理研究思路、整理文献要点。但是在真正的科研中，更有效、更强大的AI用法，其实与聊天机器人完全不同。这些用法通常是结合了验证机制的数值计算、科学绘图、逻辑检验等。这些AI工具没有华丽的对话界面，也不能像人一样交流，却能在科研的核心环节发挥重要作用。 **陶哲轩**直言，科学家使用AI的方式与公众的认知大相径庭。在科研中，科学家不需要AI生成可爱的图片，也不需要AI说些迎合的话，需要的是AI能精准、可靠地完成科研辅助工作。遗憾的是，现在的舆论环境，把所有相关的技术都打包叫做AI，让人们误以为AI就是单一的技术，却忽略了AI其实是数百种相关技术的集合。比如**神经网络**，这项技术已经存在二十多年了，它没有现在的大语言模型那么性感，没有对话界面，本质上就是一个数据处理工具，用来在海量数据中寻找模式、挖掘规律。但就是这样一种看似朴素、枯燥的技术，科学家们已经用了二十多年，在科研中发挥了极其重要的作用，尤其是在数据密集型的学科中，神经网络的价值无可替代。还有**形式化证明语言**、**机器学习算法**、**数值计算工具**等，这些都是AI体系的重要组成部分，也是科研中最常用的AI技术。但是这些技术往往不是公众最关注的，公众的目光大多集中在能直接互动的聊天机器人上。 **陶哲轩**认为，也许我们需要为这些技术制定更好的命名方式，而不是把所有东西都一股脑地塞进AI这个标签里。这样才能让人们更清晰地认识到AI的真正内涵，也能让科学界更精准地选择适合的AI技术进行科研。 ### Sair 的意义 **旁白**: **陶哲轩**入局AI for Science，创立**Sair**，并非只是一位数学天才的个人跨界，更是科学界对AI技术的一次主动拥抱和规范。在AI技术快速发展的今天，与其被动地抗拒，不如主动地介入，用科学的规律为AI立规矩，让AI成为科研的辅助者而非主导者。而数学的**形式化验证**，就是这场规范的核心抓手，它用数学的确定性，对抗着AI的不确定性，让AI的输出变得可验证、可追溯。 当然，AI for Science的发展，还有很长的路要走。AI的原创性、持续学习能力、人机协作的工作流，这些都是需要不断解决的问题。但**陶哲轩**的尝试，已经为这条道路指明了方向，我们也期待能尽快看到**Sair**的成果。感谢收看本期视频，我们下期再见。