跳转至

Steven Brunton、Ankur Moitra、Alex（Lex #503 的三位数学家）

本页收口 2026-10-26 Lex Fridman Podcast #503 的三位嘉宾。 ✅ 合并成一页，是因为三人同场、同一事件、且角色互补：他们分别是这批 AI 数学成果里被点名的三个问题（Navier–Stokes、unique games 猜想、Riemann 假设）所在领域的在职研究者。本库对 Intel 五位技术负责人 用过同样的处理。

⚠️ 本页全部内容只有一个信源（那一期节目），且是事发当周录制——三人都在节目里明说自己还没读完。引用时请带上这条时间性。

来源：Lex Fridman #503 / Steven Brunton × Ankur Moitra × Alex（⚠️ 本页全部时间戳均出自这一期，下文不再逐条重复声明）

Steven Brunton（美，华盛顿大学）

  • 背景：数学家，流体力学 / 湍流 / 应用数学；自我定位反复落在"我是个工程师"（[00:07:15]）——"我喜欢解那些让技术对人类更现实的问题，人工心脏和飞机"。
  • 在这一期的角色：Navier–Stokes 一侧。
  • 本库认为他最重要的一条贡献——一条来自领域内部的降温（[01:48:33]–[01:49:34]）：

    ⚠️⚠️ "日常的工程流体、以及流体的应用数学分析，几乎完全没有改变。流体今天和一个月前、两个月前一样难以仿真和预测。" ⚠️⚠️ "我们解掉了那个百万美元的数学问题。还有一个万亿美元的工程问题。"

  • ✅ 理由是区间：那个证明"运行在一个如此非物理的区间"；他同时没否认结果的基础意义（"我们甚至不知道解是否存在，这太基础了"）。
  • 他给的研究方向（主张，非成果）：湍流的问题是"有没有一个坐标系"——气体靠温度/压强/密度三个数就够，而湍流"所有尺度都真的要紧"（[01:51:41]–[01:52:44]）。配套的历史归纳："我们所有伟大的物理学突破，都有一次坐标变换作为前置"；以及本库认为最可执行的一句——"如果你找到一个很聪明的人在七八十年代问过、但他们在计算上撞了墙的问题，那现在就是非常肥沃的土壤。"（[01:53:46]）
  • 他给的部署框架（两轴）：可验证性 × 下注大小；"AI 给出错证明"是完美用例（高可验证、零代价），设计优化也是（风洞可验证）；⚠️ 而对影响人的高风险决策，他要一道制度性防火墙，挂在既有专业机构上（FAA、美国医学会、律师协会）——"如果我们变懒，那是一个非常滑的坡。"（[03:02:42]–[03:03:44]）
  • 另记：⚠️ "超级智能并不意味着超级道德"，而且"超级智能似乎给了你一种超级的合理化能力"（[03:19:15]）；✅ 工程侧对"什么算学术贡献"已在变的一手观察——可复用代码、数据集、API 组件已比"一份 15 页 PDF"更像贡献（[00:48:11]）；昆虫靠翅膀上几十到几百个应变神经元做局部纠正，快于神经信号往返（[02:02:57]）。
  • 相关主题：AI 与科学发现、LLM 安全与治理

Ankur Moitra（美，MIT / 本年访问 IAS）

  • 背景：数学家兼理论计算机科学家；复杂性理论、近似难度、以及机器学习理论（他自述工作主线是"在算法思维与那些通常不被算法视角研究的问题之间搭桥"，[02:22:31]）。
  • 在这一期的角色：unique games 猜想与深度学习数学一侧。⚠️ 他自陈此前站在 UGC 的怀疑一方（"听起来好得不像真的"）。
  • 本库认为他最重要的四条：
  • ⚠️⚠️ "门童谬误（doorman fallacy）"——把复杂工作归约到最可见的任务（[00:19:24]–[00:21:26]）。落点是一句可迁移的结论："当一件事变便宜了，它就让所有与之正交的其它事变得更有价值。" 他对数学家的替代定义是"深入思考的人，而证定理是深入思考的副产品"。
  • ⚠️⚠️ "10% 的成功率，而只有成功的被放出来"（[01:28:01]）——所以外界看不到那条锯齿边界。⚠️ 他用的是"显然（apparently）"，非厂商口径。 配套的反直觉推论：最安全的问题可能恰恰是"一看就显然需要一个有创造性的新想法"的那些。
  • ⚠️⚠️ 反对过度拟人化，并把它直接用在这批证明上（[00:29:41]–[00:32:46]）：引 Alex Madry 的 Adversarial Examples Are Features, Not Bugs（全错标签训出的网络在自然数据上仍然不错 → 网络会找"人类用不上的统计关系构成的活板门"），然后——"当我翻看那些 OpenAI 的解法时，它们就是不像一个人解出来的。" ✅ 他同时拒绝把这当可靠边界："不要把界画得很锐利，因为你会错。"
  • ⚠️⚠️ "自然界厌恶计算上困难的问题"（[02:51:23]）——他自造的提法，用来解释深度学习为什么能跑（拟合深度 4 的网络在最坏情况下是密码学困难的）。机制是数据经演化筛选成易解的（90 年代的蛋白质折叠实验：只让"被启发式折得好"的序列活下去）；推到语言上是"我们的语言已经演化成让这些问题更容易的样子"。
  • subliminal learning 的机械解释（[02:55:29]–[02:58:36]）：从他自己的 low-rank language models 工作出发——概念被线性嵌成高维但不巨大的空间里的向量，概念数远大于维数，迫使向量不正交；于是单方向微调会产生小的外部性，而这些外部性可以被协调起来加总。比喻是通灵板："当敲击不是真的随机、而是以恰当方式被协调，你可以让它拼出你想要的任何东西。"⚠️ 他的落点是部署风险：微调"实际上在教它数据里并非直接显然存在的其它行为"。
  • 他主张的学科方向：beyond worst-case analysis。最有力的论证是分页/缓存——"上下界都卡紧了，麻烦在于那些最好的算法就是不怎么好，跟你的笔记本实际做到的根本不能比"；所以真正的问题是反问题：现实请求序列里的什么性质让它们不是最坏情况（[02:43:09]–[02:48:13]）。
  • 带学生的方法（[02:22:31]–[02:24:35]）：⚠️ 给完全在自己领域内的问题是错的（"我或对或错，但不管怎样没人玩得开心"）；改成给"离自己领域 10 到 20 度"的问题，由学生来教他、负责蒸馏与抽象。
  • 职业建议："假装你已经拿到终身教职"（引 Sanjeev Arora）；以及只做 future-proof 的问题——"如果你很赶，因为你认为下一代模型肯定会解掉它，那也许就直接去度个假。"（[03:25:30]、[03:28:33]）
  • 他点名的人类侧功劳：Dor Minzer（MIT）与 Irit Dinur（IAS）的 Two-to-One Games 定理——"在理论计算机科学里是一声全世界都听见的枪响"。
  • 相关主题：AI 与科学发现、LLM 心理学与认知短板、评估与 Benchmark、AI 与就业

Alex（美，罗格斯大学）

  • ⚠️⚠️ 姓氏不写定：转录稿里只报了名、没有姓。节目里可指认的特征是：罗格斯大学数论学家、十年前（AI 之前）就开始用 Lean、2026 年夏天的国际数学家大会 proceedings 写的是数学与 AI（提前十个月交稿）、两天前刚在普林斯顿数学系讲过 Lean/Mathlib 的 colloquium。✅ 本库按 Periodic Labs 那期 的先例处理，不替他补全。
  • 在这一期的角色：Riemann 假设与形式化验证一侧。
  • 本库认为他最重要的三条：
  • ⚠️⚠️ 一条可核对的专家预测失败记录（[01:11:41]–[01:14:46]）：他在普林斯顿 colloquium 上论证 AI 只能在 Mathlib 之上搭一两层、Fermat 大定理的形式化还远——"我那场 colloquium 里说的每一句都错了。我的 colloquium 大概是周三。到周五，1,300 万行代码放了出来。" 他对自己此前经验的概括是："我每一分经验都告诉我它们能做 X，但做不到 10 倍的 X。而这是一百万倍。"（[01:15:47]）
  • ⚠️⚠️ "Mathlib 光环（Mathlib halo）"与 canonization（[01:12:43]、[01:14:46]、[01:17:49]）：整本教科书都可形式化，只要离 Mathlib 已做过的东西隔一两步；三四步远时，同一对象的两个定义会打架、缝不回去。 他的结论是分开的——"自动形式化基本上解决了"，⚠️ 但"要把那个证明做成 Mathlib 质量的证明，还有一大堆工作"，而那件事（canonization：重构、找到规范陈述）AI 还不擅长。
  • ⚠️⚠️ "凸包还是半群"（[00:33:47]–[00:36:53]）：他拒绝用"凸包"这个轻蔑说法，转述 Tim Gowers 的"由已知东西生成的半群"——凸包像气球内部（紧致封闭、没被推出去），半群像铺瓷砖（"你能用已有想法铺到多远"可能远超人类已探索的范围）。✅ 而他对 quasi-RH 给了往低判的判决："我不会说它是一个全新的想法。它是一大堆非常知名的东西的一个漂亮组合。"（支撑：两年前关于 cubic theta functions 与 cubic Gauss sums 的突破正是 AI 走的那条路）
  • 他提出的 "solved axiom"（[00:11:20]）："任何可以由人与 AI 交互解决的数学问题，也本来可以由 AI 单独解决。" ⚠️ 三人都不信这条；而他提出它是为了论证即使它成立，纯数学也不会死——"我不认为定理的解存在于数据中心里的 0 和 1 中，对人类是有价值的。纯数学的价值在于它活在人的头脑里。"（[00:13:21]）✅ 他自己不信的理由很具体："我可以证明一个定理，但我不理解那个证明为什么成立。"
  • quasi-RH 的技术内容（[01:23:59]–[01:26:00]）：无零点区域从"越往上越细"变成一条从 7/8 到 1 的无限竖带（另有一个约 11/12 的第二证明）；⚠️ 那个厚度"七十年没动过"；⚠️⚠️ 而他明确说这个方法"根本上到不了 1/2"——完整的 RH 还需要一个新想法。 方法的描述是"嵌入 Möbius 函数、用 sextic characters 扭它"。
  • 他对 Lean 给的置信度形式（[00:59:24]、[01:23:59]）：⚠️ "你不能信任它们的自然语言证明。这些是随机过程。" ✅ 而 quasi-RH 的 Lean 陈述此前已在 Mathlib 库中，"所以他们有一个 sorry-free 的证明，这给了我 100% 的信心这个证明是对的"——✅ 本库认为这个细节消掉了形式化验证里最易被忽略的语义对齐那一环。
  • 他主张的发表形态变化：Mathlib 的 PR 模式（不是论文而是 pull request，"你能确切看到是谁贡献了哪个想法"）；更深的理由是规格内建于对象——"如果未来全部数学都形式化地做，你就知道你没在错误地使用它，因为 Lean 不让你"（[00:55:20]–[00:56:22]）。✅ 而论文本身他认为会变成"讲故事 + 一份伴随的 Lean 形式化"（他拿自己教实分析的做法做了类比：跳过前两周构造实数，直接算到撞上 Bolzano–Weierstrass 才回头问"实数是什么"）。
  • 教育侧的一手观察（[03:18:12]–[03:19:15]）：⚠️⚠️ 本科成绩"过去基本是高斯分布，现在是非常双峰的分布"——用 AI 检查理解的那头分数高得多，要答案的那头出现"作业成绩与考试成绩去相关"。处方："做分布的头部，不要做尾部。" ⚠️ 无样本量、无口径。 配套的是计算器先例："只因为计算器能做，并不意味着你不想拥有自己做它的能力。"（[03:16:07]）
  • 另记：⚠️ 菲尔兹奖——今年夏天费城颁奖时"是不是最后一次"已被明确讨论；他的分析落在奖项功能上（庆祝活动、宣示什么重要），⚠️ 而"解决重大问题"已"不会稀缺、因此远不如过去有价值"（[03:09:57]–[03:10:57]）。"数学已经被杀死过好几次"：19 世纪 Cauchy 与 Fourier 的冲突定理迫使"无穷被专业化"，而"我们第一年博士课程的绝大部分，都是 19 世纪那些危机的产物"（[02:38:02]）。对"数学是发明还是发现"："我们在发现我们发明出来的那些问题的答案。"（[02:32:55]）
  • 相关主题：AI 与科学发现、AI 与教育、评估与 Benchmark

三人的一致与分歧

问题 Alex Ankur Steve
这是"危机"吗 ❌ "我不会叫它危机"，倾向"数学知识的黄金时代"（蜡烛 → 手电筒） 被拉向两个方向：学习能力被放大，但"导师制那部分"的剧本作废，"比以前更智识上孤独" ✅ "我大部分感受是相当有希望的"
solved axiom 提出者，但不信（"我证出定理却不理解它为什么成立"） 不信，"也许有一半是真的，而搞清楚哪一半很有意思" 未直接表态；主张"人类仍在提问题"
AI 是否产生了新想法 ⚠️ quasi-RH 不是新想法，是已知东西的漂亮组合 ⚠️ 不看新不新，看领域被重组成什么样（3SUM 的例子） ⚠️ 即使只是插值也不该被轻蔑——"掀开迷雾、给数学家一台雷达"；"我们其实不知道那个凸包有多大"
最难的下一关 完整的 Riemann 假设（"很难想出一个比它更标志性的问题"） P vs NP（理由：对 SAT 我们根本不知道任何超线性下界） 湍流的预测与反向设计（"万亿美元的工程问题"）

⚠️ 本页标注：三人在"数学不只是定理的涨潮"这一点上完全一致（Ankur 的原话："有一种我不相信的数学观，说数学就是定理的涨潮"；Alex 的版本："数学不是那个事实，是那个为什么"）。✅ 而他们的分歧全部落在"AI 当前位置在哪"，不落在"数学的价值在哪"。