跳转至

Grant Sanderson – AI disproved a famous math conjecture. Now what?（Dwarkesh Podcast，2026-06-30）

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： SPEAKER_02 = Grant Sanderson（嘉宾，67.0%）、SPEAKER_01 = Dwarkesh Patel（主持，32.5%）。 依据：SPEAKER_01 念开场"……Sanderson, who runs 3Blue1Brown"（[00:00:00]，100%）并在 [01:15:25] 块内"All right, Grant, I'll do the plug…"； SPEAKER_02 以第一人称谈自己的频道（[01:18:27] 块内"Here's one from 3Blue1Brown. I'm like…"，100%）。SPEAKER_00（28 秒）为碎片。

概要

以"AI 已经能连接不同领域做出新数学发现"为起点，讨论下一个里程碑是什么（出猜想、造定义）、 如何给"Galois 式洞察"设计奖励信号、数学家的职业将变成什么，以及为什么 AI 数学进展快而写作/电脑操作进展慢。

核心观点

AI 数学的现状与下一个门槛

  • IMO 金牌已是旧闻（2024 年若非组合题多一道就拿金了）；AI 前沿是分形式的尖刺——数学是尖刺，尖刺内部又有尖刺（几何 19 秒暴力解出，组合题仍难）（[00:01:03]–[00:02:05]）。
  • 解黎曼猜想的三种可能形态决定其意义：①闪电式连接（Montgomery-Dyson 式跨领域链接——这正是 LLM 该擅长的，因为它同时是所有领域的专家，不需要两个人恰好共进午餐）；②造山（像 Fermat 大定理需要先建椭圆曲线和模形式两座山——这种"提出正确新概念"的能力若出现，很难不外溢到整个经济）；③纯苦力（千页长推理——才会有 Tao 说的"消化不良"问题）（[00:03:06]–[00:07:15]、[00:26:50]–[00:28:54]）。
  • 下一个里程碑："好数学家证定理，伟大数学家出猜想，最伟大的数学家下定义"。但猜想/定义质量无法做成 benchmark——"benchmark 和训练环境本质上没有区别"，能测的才能训；这类进展只会表现为数学家谈论 AI 时的"语气变化"（他采访数学家一年间已观察到 2025→2026 的明显语气转变）（[00:08:15]–[00:11:19]）。

Galois 案例：百年验证回路

  • Galois 的群论洞察是 RLVR 的反例：当时的"验证器"（学院）连续拒稿五次；他没解决新问题（Abel 已证五次方程无解）；死后 20 年 Liouville 才看懂、再 20 年 Jordan 才整理成型、100 多年后 Gell-Mann 才用群论预言夸克。"奖励 Galois 式直觉"需要度量的不是解题而是概念的压缩力——或许可以往 Kolmogorov 复杂度方向想（[00:12:25]–[00:24:49]）。
  • Bessis 的《定理经济的崩塌》：证明定理拿走了所有荣誉，但它寄生于"提出定义"；AI 自动化证明后，学界激励要转向"整合证明为更高层的洞见"（[00:29:55]–[00:31:58]）。
  • 数学有"未解决的阐释问题"（Timothy Chow 论 forcing）："证明了但不理解为什么真"——proof ≠ explanation（[00:31:58]–[00:33:04]）。

对 AI 认知特性的判断

  • 自回归是很怪的生成方式："想象你被锁在盒子里，每次只预测下一个词然后擦除记忆"——你是上下文的奴隶，而有价值的跨领域连接恰恰是低概率的下一个 token。解法可能不在架构而在数据/环境：构造需要跨域连接才能解出的题（[00:41:22]–[00:45:32]）。
  • 数字心智的被低估优势：可任意并行复制（"不是一个决斗身亡的天才，而是把能力水位线普遍地应用于所有可及问题"）；更重要的是可以系统性地清空/操纵上下文——派一个 agent 证明、一个反证、各带不同启发式偏见（Einstein 的"相对性偏见"成就了 GR 也阻碍了量子力学——"别让所有 LLM 都是 Einstein"）。unit distance conjecture 拖了那么久正因为人类都在试图证明它为真（[00:45:32]–[00:52:44]）。
  • 数学进展快的两个被忽视原因：可验证性之外还有 grindability（可反复刷）——代码/数学可以容器化、确定性重放、解决 credit assignment；电脑操作同样可验证但会被网站反爬拦截、无法千次并行 rollout。现实世界（做生意、交易）无法"重放模拟器"（[00:53:44]–[00:56:46]）。
  • Lean 被高估又不可或缺：当前突破（unit distance、IMO 2025）都用自然语言而非 Lean；但 Lean 使"无人值守的无限探索"成为可能（AlphaZero 式地扩展 Mathlib、穷举公理系统找"富岛"），且形式化验证的绿勾能拯救数学家免于审查海量 AI 论文的"不可忍受"（[00:56:46]–[01:06:04]）。
  • 写作为什么进展慢：①判别器失灵——分得清 B 文和 A 文，却偏爱"击中所有形式要点的烂文"（B*）；②写作不模块化——代码是产出功能的手段可以脏，而文字本身就是最终产品；③好写作需要在正确的时刻做不可预测的落子 + 对读者心智的建模（theory of mind），LLM 连写好间隔重复卡片都难（Andy Matuschak 的实验）（[01:07:07]–[01:14:24]）。

用 LLM 学习的方法论

  • Grant："问 who 不问 what"——LLM 解释像 Wikipedia（局部正确的最小值，缺乏刻意设计的动机线索），最好用法是当超级 Google 找到对的人类作者/资源；好的阐释允许"途中暂时的不精确"，这在众包环境里会被编辑掉（[01:16:26]–[01:19:29]）。
  • Dwarkesh：最佳组合 = 人类策展的主线（教材/讲座定概念顺序和动机）+ LLM 做旁枝修剪；LLM 的短板是不会"jujitsu"——好老师能识别学生提问背后的错误心智结构并借力改造，LLM 太顺从（"多么有洞察力的问题"）（[01:19:29]–[01:22:39]）。

数学家的未来

  • 职业建议核心："搞清钱从哪来、你为谁创造价值"——学生想当数学家往往只是想继续跳过下一个圈环（[01:22:39]–[01:24:40]）。
  • 他一度以为数学家会转型为解释者（他自己的工作），现在认为 AI 连解释也会更强；剩下的是策展人角色（美术馆长式：在无限的想法空间里帮人选择值得投入的方向）——注意力与动机是社会性现象，"就像人类音乐家永远有角色"。教学是"后 AGI 时代最稳定的职业之一"，因为它本质是关系性的（[00:35:08]–[00:38:15]、[01:25:45]–[01:27:46]）。
  • 若 AI 数学 10 倍加速却没有任何经济外溢（PDE→工程仿真那类），可能反过来暴露"纯数学已经与物理应用脱钩"的尴尬（[01:28:48]–[01:32:57]）。

相关主题