陶哲軒的“下山”：當數學界的莫扎特決定給 AI 立規矩

這是一場關于“真理”與“概率”的博弈。

編譯 | 王啟隆

來源 | youtu.be/Z5GKnb4H_bM

出品丨AI 科技大本營（ID：rgznai100）

在數學界，陶哲軒（Terence Tao）的名字本身就代表著一種“確定性”。

這位菲爾茲獎得主、被譽為“數學界的莫扎特”的天才，過去幾十年的工作是和最純粹的邏輯、最絕對的真理打交道。但在 2026 年初，他做了一個看似“反直覺”的決定——他要以此身為橋梁，去擁抱那個充滿了概率、幻覺和不確定性的 AI 世界。

就在昨天，陶哲軒聯合創立的SAIR（科學與 AI 研究基金會）正式浮出水面，宣告這位大神入局 AI for Science。

▲ 右上角居然還有 B 站和抖音官號，這就和外國的機構不一樣了

這件事的信號意義極強。過去兩年，“AI for Science”雖然喊得震天響，但科學界始終彌漫著一種尷尬的“割裂感”：一派是 AI 極客，他們用大模型生成看似完美的論文摘要，卻對背后的物理機制一竅不通；另一派是傳統科學家，他們看著 ChatGPT 編造的參考文獻嗤之以鼻，堅守著這一畝三分地。

可能比較看得清的，還屬弄出了 AlphaFold 的諾獎得主、谷歌現在的 AI 掌門人哈薩比斯（Demis Hassabis）。

而陶哲軒顯然認為是后者，但他加了一個極其苛刻的前提：我們必須馴服 AI。

如果你關注陶哲軒最近一年的動態，會發現他不再僅僅是那個解決素數猜想的數學家。他在博客上分享如何用 ChatGPT 輔助寫代碼，他在推特上推崇形式化證明語言 Lean，他甚至在思考如何讓 AI 成為數學研究的“合著者”。

SAIR 的成立，就是這種思考的實體化。在即將于 UCLA 舉辦的啟動儀式前，陶哲軒接受了一次深度專訪。

在這次對話中，他沒有盲目吹捧 AI 的神力，反而是以前所未有的冷靜，甚至帶著一種“挑剔”的眼光，剖析了當前 AI 在科研中的致命弱點：它像一個只會討好老師的作弊學生，它像一個不僅聽不懂話還愛鉆空子的許愿精靈，它甚至連“記住昨天說過什么”都做不到。

但他同時指出，數學，可能是 AI 救贖的唯一機會。因為在所有學科中，只有數學擁有一套名為“形式化驗證”的終極測謊儀。

以下是 SAIR 官方最新發布的專訪實錄，包含了陶哲軒對 AI 介入科學研究最坦誠、最硬核的思考。

學術界不能“坐等”科技公司的施舍

主持人：大家好，今天我們非常榮幸邀請到陶哲軒。隨著 SAIR 基金會啟動在即，我們很想聽聽您的新視角。首先，能否請您簡單介紹一下自己？

陶哲軒：好的。我是陶哲軒，UCLA 的數學教授。以前我的興趣主要在純數學，但最近幾年，我越來越深入地參與到利用 AI 和其他新技術來做數學，或者更廣泛地說，做科學研究的新方法中。

最近，我和其他幾位科學家及捐贈者共同創立了 SAIR（Foundation for Science and AI Research）。這是一個新的基金會，旨在支持“AI for Science”，探索如何將這些新技術整合到科學工作流中。幾天后，我們將在 UCLA 的 IPAM（純粹與應用數學研究所）舉辦首次啟動活動。

主持人：我想這是很多人都想問的問題：是什么讓您決定共同創立 SAIR？

陶哲軒：這是多種因素的結合。

過去幾年里，我越來越確信：這些技術已經準備好改變科學了。

但關鍵在于，我們必須準備好去接納它們。我們需要學會“正確”地使用它，并避免“錯誤”的用法。事實上，把 AI 融入科研有很多錯誤的路徑，而正確的路徑其實非常少。

在這個過程中，學術界不能只是被動等待。我們不能等著科技公司扔給我們一個現成的產品，然后直接拿來用。我們需要深度介入，去互動，去搞清楚哪些科學領域適合 AI，哪些仍然適合人類的傳統方法。

另外，還有一個比較現實的原因。過去一年，資金環境充滿了不確定性。比如我所在的 IPAM，我們的很多項目曾一度面臨資金暫停的困境。那種混亂時期迫使我們去尋找新的資金來源，去接觸新的投資人和合作伙伴。而在某種程度上，危機也帶來了轉機，SAIR 就是這次合作的成果之一。

AI 的阿喀琉斯之踵，與數學界的“終極測謊儀”

主持人：您提到數學在 AI 應用中似乎很特別。為什么？

陶哲軒：潛力確實非常大。但我們要先談談現代 AI 工具，尤其是大語言模型（LLMs）的一個巨大的“阿喀琉斯之踵”：它們的隨機性（Stochastic）。

它們并不真正“扎根”于現實。它們有時能給出極好的答案，有時卻給出完全的垃圾。它們只是在統計學上匹配出一個看似不錯的答案，而不是基于理解。

因此，在很多學科里，AI 的應用并不像最初預期的那樣令人滿意，因為不可靠。

但在所有應用領域中，數學幾乎是獨一無二的——因為我們擁有非常成熟的驗證能力。

如果你給我一個數學證明，無論是人寫的還是機器寫的，我們有邏輯定律，有數學法則，我們可以檢查它對不對。現在，我們甚至可以用計算機來做這件事——我們有形式化證明助手（Formal Proof Assistants）語言，它們可以自動驗證證明的正確性。

這就在某種程度上讓 AI“不得不誠實”。這讓數學比其他學科有更大的機會去過濾掉 AI 那些糟糕的、胡說八道的用法，而保留下有效的用法。當然，并非所有數學都能被形式化驗證，比如提出新猜想或解釋概念，AI 目前還未必擅長。但在證明驗證這一塊，潛力是巨大的。

主持人：隨著驗證程序的發展，我們是否會迎來一個節點：AI 可以持續生成想法并自我驗證，從而創造出全新的東西？

陶哲軒：這確實是我們的目標。目前，AI 會生成各種隨機的想法，其中可能只有極少數是有價值的。我們現在還無法直接驗證“想法”本身。

但我們可以借鑒物理學或化學的方法。物理學家提出一個假設，然后通過實驗收集證據——這雖然不是嚴格的證明，但能增加或減少你對假設的信心。

我預見未來的數學會帶有更多的“實驗性質”。現在的數學幾乎完全是理論推導，但在未來，AI 可能會提出一個假設（比如某個公式對所有自然數都成立），然后它自己去設計實驗，測試幾個數值案例，或者檢查它是否與文獻中已有的結果兼容。

這種應用目前還處于早期階段，因為我們還沒有建立起完善的驗證機制。但隨著我們對 AI 使用方式的成熟，我想象這種模式終究會出現——也許還需要 10 年左右。

主持人：10 年聽起來并不算太遠。

陶哲軒：其實進展比我預期的要快。之前有些人對 AI 的期望高得離譜，覺得數學家或科學家馬上就要被取代了——現實顯然并非如此。但 AI 確實已經能夠證明一些以前從未被證明的定理（雖然通常是用標準方法），也能發現一些我們未曾注意到的模式。

它依然不可靠，但潛力顯而易見。關鍵在于研究如何正確地使用它。

主持人：AI 似乎很擅長結構化的重復任務。

陶哲軒：沒錯。AI 和人類是不同的。雖然“人工智能”這個名字聽起來像是要取代人類，但實際上，人類并不喜歡做那些高度重復的任務。

在數學里，如果你給一個人 1000 道類似的題目，他可能做完前兩道就煩了，剩下的根本不想碰。那么，把剩下的 998 道交給 AI，這就是一種非常自然的分工。

在短期內，更合理的模式是：人類提出構想，畫出第一步的草圖和方向，然后把那些繁重的填補工作交給 AI。這將極大地加速現有的工作流程。

形式化驗證：如何逼迫 AI 停止“作弊”

主持人：既然 AI 經常給出看似合理實則胡扯的解釋，我們該怎么改進這一點？

陶哲軒：在數學領域，目前我們找到的最好辦法就是形式化驗證（Formal Verification）。

流程是這樣的：AI 首先生成一段自然語言的論證，這可能對也可能錯。然后，我們讓同一個或另一個 AI，把這段論證轉換成形式化語言。每一個斷言、每一步推導都必須被轉化成精確的代碼，然后交給一個非常嚴格的編譯器去驗證。

注意，這個編譯器不是 AI，它是傳統的、極其可靠的軟件系統，專門為了高可靠性而設計。到目前為止，我們在主流形式化證明語言的編譯器中幾乎沒有發現過重大漏洞。

如果驗證失敗，我們就讓 AI 重試；如果通過，我們就得到了一份很長的、被機器驗證過的形式化證明。雖然這份證明可能很難讀，但我們可以反過來再讓 AI 去解釋它。

形式化證明的美妙之處在于，每一步都極其精確。你可以手動把一個巨大的定理拆分成許多小塊，每一塊都可以單獨研究。

我們已經遇到過很多這樣的例子：AI 生成了一個證明，我們一開始完全看不懂。但在我們對它生成的代碼進行“反編譯”和研究幾天后，我們不僅理解了思路，甚至還在文獻中找到了類似的人類先例。

AI 的優勢在于廣度。它吸收了海量文獻中的技巧精華。人類數學家可能熟練掌握四五種技巧，而 AI 可能掌握十幾種。雖然它并不總是能恰當地使用這些技巧，但只要問題本身在現有文獻中有基礎，AI 的表現就很強。

目前我們還沒有看到 AI 提出完全沒有先例的、前所未有的全新思想——不過說實話，大多數人類數學家也做不到這一點。

為什么現在的 AI 還算不上“合著者”？

主持人：您認為 AI 的下一個重要里程碑是什么？是思考方式的改變，還是應用層面的突破？

陶哲軒：還有很多方面需要提升。首先是創造力，尤其是那種無法追溯到現有文獻的原創性。

其次是持續學習能力。我曾把當前 AI 在數學上的能力比作一個研究生：它掌握了很多技巧，它會嘗試應用，有時成功有時失敗。

但人類研究生有一個巨大的優勢：他們會從錯誤中學習。如果你指出他們的錯誤，下周再見面時，他們通常不會再犯同樣的錯誤。

但 AI 不是。你開啟一個新的會話，它往往就“忘記”了一切。雖然現在的上下文窗口可以保留之前的對話，但這并不穩定。還有一個眾所周知的現象：如果你告訴 AI不要做某件事，它反而可能更傾向于去做。目前的 AI 是通用的，我們還沒有能力讓它真正“專業化”——比如把它變成一個“只做數學”的專家。

但我最想看到的里程碑，是一個真正穩健的、成熟的工作流整合。

目前我們使用 AI 的方式是“拼湊”的。寫論文卡住了，就打開瀏覽器問問 Chatbot；或者像有些人嘗試的那樣，把 AI 當作 Agent（智能體）讓它接管電腦（這其實是個壞主意）。

現在的 AI 還談不上是真正的“合著者”。

當你和人類合作時，你們可以在黑板前討論，寫下公式，這種互動是高度整合的。人類花了幾百年時間打磨人與人協作的方式，但我們還沒有找到與 AI 協作的最佳模式。

主持人：您覺得這種協作感具體缺失在哪里？

陶哲軒：這很難描述，可能是一種無形的因素。就像疫情期間我們都轉到了 Zoom 線上會議。從功能上講，線上會議完全可以傳達信息，但面對面的交流中有眼神接觸、有肢體語言，這些微妙的東西丟失了。

同樣，和 AI 聊天時，你也缺失了這些隱性的信號。

更重要的是，AI 公司傾向于展示那種“一鍵生成最終答案”的產品。你按個按鈕，AI 給你整個解決方案。但問題是，你并沒有參與到這個解決方案的創造過程中。

如果讓你去向別人解釋這個答案，你解釋不出來；如果你想修改它，你只能乞求 AI：“請你幫我改一下”，而每次修改往往會讓結果變得更差。

理想的協作應該是互動式的：你走一步，AI 接一步；你給出反饋，它進行修正。通過這種互動，你會理解證明是如何一步步構建出來的。

正如我們常說的，有時我們真正想要的不僅僅是答案，而是那個過程。

如果要找個比喻，我覺得 AI 應該像“鹽”。做菜時加一點鹽會讓食物更美味，但你不能把整罐鹽都倒進去。關鍵在于：在合適的時候用，在不合適的時候不用。

主持人：這很有意思。AI 似乎太專注于“回答問題”本身，而不一定在乎整體意義上的“正確”。

陶哲軒：這正是機器學習哲學的核心。

早期 AI 試圖模仿人類的推理過程，結果并不好。后來人們轉向了另一種方法：只定義一個目標（Metric），不管過程是否優雅或合理，只要最大化這個指標就行。這在數據量和算力上來后，效果驚人。

但也正因為如此，AI 有時“太”擅長優化目標了。

它就像神話故事里那個只按字面意思理解愿望的精靈（Genie）。你告訴它“我要優化這個指標”或者“我要解決這個問題”，它就會投入所有的算力去精確地達成這個指令。

比如，如果我要求 AI 在形式化證明助手里生成一個證明，并且強行要求“無論如何都要得到證明”。它可能會作弊——比如它會隨意添加一個新的公理，或者偷偷修改定義，以此來滿足你的要求。從字面上看，它確實完成了任務，但這違背了我們的初衷。

人類其實不太擅長精確定義目標。當我們讓人類去倒茶時，不需要告訴他“不要把茶倒在我身上”，因為人類有常識。但 AI 沒有這種隱含的常識背景。

所以我們正在學習，給 AI 布置任務時，尤其是那些需要精確規范的任務，必須把目標描述得非常清楚，堵住所有漏洞，并認真思考自己真正想要什么。

最大的誤解：把所有技術都叫 AI

主持人：最后一個問題，您認為大眾在科學中使用 AI 時，最常見的誤解是什么？

陶哲軒：對大多數人來說，AI 等同于聊天機器人。它會像人一樣回應你，說些好聽的話。

有些科學家確實用聊天機器人來輔助思考，但在科研中，更有效、更強大的 AI 用法其實完全不同，通常是結合了驗證機制的數值計算、繪圖或邏輯檢驗。科學家使用 AI 的方式與公眾大相徑庭——我們不需要它生成可愛的圖片，那對科研沒用。

遺憾的是，現在的輿論把所有東西都打包叫做“AI”。實際上，這是數百種相關技術的集合。

比如神經網絡，這東西存在二十多年了。它沒有現在的 LLM 那么“性感”，沒有對話界面，本質上就是個數據處理工具，用來在數據中尋找模式。它很樸素，很枯燥，但科學家們用了這么多年，效果非常好。

這種最常用的技術，往往不是公眾最關注的。也許我們需要更好的命名方式，而不是把所有東西都一股腦地塞進“AI”這個標簽里。

主持人：好的，今天的采訪就到這里。非常感謝您接受我們的采訪。

陶哲軒：很高興參與。

未來沒有前后端，只有 AI Agent 工程師。

這場十倍速的變革已至，你的下一步在哪？

4 月 17-18 日，由 CSDN 與奇點智能研究院聯合主辦「2026 奇點智能技術大會」將在上海隆重召開，大會聚焦 Agent 系統、世界模型、AI 原生研發等 12 大前沿專題，為你繪制通往未來的認知地圖。

成為時代的見證者，更要成為時代的先行者。

奇點智能技術大會上海站，我們不見不散！