Terence Tao: Hardest Problems in Mathematics, Physics & the Future of AI (2025-06-15, gemini-2.5-pro)
1. 背景与价值
在人工智能日益渗透高阶智力劳动的今天，聆听陶哲轩（Terence Tao）的这场访谈，无异于在风暴来临前，向最顶尖的航海家请教如何看待天象、洋流与未来的航程。作为公认的在世最伟大数学家之一，陶哲轩不仅以其惊人的解题能力著称，更以其横跨多个数学领域的广博视野闻名——他是“狐狸”型思想家的典范，擅长在不同知识孤岛间建立联系。这场对话的价值，恰恰在于他将这种“建立联系”的思维，应用于当前科技领域最核心的议题：人类智慧与人工智能将如何共存、协作，乃至共同进化。讨论发生在 AI 能力呈指数级增长的时刻，其结论直接影响着开发者、创业者和投资人对于“人机协作”终局的判断，以及对下一代知识工作基础设施的想象。
这场对话的核心论点是，数学，乃至所有前沿科学的本质，并非天才的灵光一现，而是一套可拆解、可规模化的“战略性欺骗”与“协作验证”的工艺流程。陶哲轩的世界观是反“浪漫主义”的：他将解决最艰深问题的方法，解构为一系列战术——如通过构建“反例”来排除错误路径、通过“作弊”（简化问题）来隔离困难、以及在“结构”与“随机”的二元对立中寻找突破口。这个世界观的张力在于，它几乎是在“祛魅”数学本身。如果说佩雷尔曼（Grigori Perelman）或安德鲁·怀尔斯（Andrew Wiles）那种长达七年的孤独探索代表了人类智力巅峰的英雄主义叙事，那么陶哲轩则提供了一个截然不同的范式：一个由无数微小、可验证、可协作的步骤构成的“工业化”发现体系。这一体系的终极形态，将由他正在积极拥抱的形式化证明工具（如 Lean）和 AI 共同塑造。其争议性在于：这套“工业流程”能否真的孕育出足以颠覆整个知识体系的根本性突破，抑或它只是在加速“已知”疆域内的探索，而无法触及那些需要彻底重构世界观的“未知”大陆？
2. 核心观点
1. 系统的可预测性取决于“超临界性”，这是理解复杂度的关键。 陶哲轩断言，许多领域的重大难题（从流体力学到天气预报）之所以棘手，根源在于其“超临界”（supercritical）特性。这意味着在微小尺度上，非线性、不可预测的效应会压倒线性的、起稳定作用的效应。以纳维-斯托克斯方程为例，在三维空间中，能量在小尺度上的传输（非线性项）远比黏性耗散（线性项）更强，这为“爆破”（singularity）创造了理论可能。这与二维情况形成鲜明对比，后者是“临界”（critical）的，两种效应强度相当，因此更容易证明其稳定性（如 Ladyzhenskaya 在 60 年代的证明）。这个物理概念被陶哲轩提升为一个普适的判断准则：一个系统是可预测的（如行星轨道）还是混沌的（如两周后的天气），关键在于其在微观尺度上是否由非线性主导。
2. 面对无解难题，最优策略是构建“障碍物”而非直接攻击。 在处理纳维-斯托克斯方程正则性这类世纪难题时，陶哲轩并未试图直接证明其永远平滑。相反，他通过“战略性作弊”——修改并简化方程，构建了一个他称之为“平均化的纳维-斯托克斯方程”的模型。他刻意设计这个模型，使其可以在有限时间内“爆破”。这一成果的价值不在于解决了原问题，而在于它构成了一个“障碍物”（obstruction）。它清晰地证明了：任何想要证明原方程不会爆破的理论，都必须依赖于那些被他在简化模型中剔除掉的、真实物理世界的特定属性。这是一种高效的“证伪”策略，它排除了无数种看似可行但注定失败的证明路径，极大地收窄了未来研究的探索空间。
3. 极端复杂的系统行为可被视为一种“计算”，为构造性证明提供了蓝图。 陶哲轩提出的用“液体计算机”来解决纳维-斯托克斯爆破问题的构想，看似天马行空，实则揭示了他一种深刻的解题哲学。他从康威的“生命游戏”（Conway’s Game of Life）中获得启发：一个拥有简单局部规则的系统，可以通过精心设计的初始条件，涌现出“滑翔机”、“滑翔机枪”乃至能自我复制的“冯·诺依曼机”等复杂结构。他推断，如果流体力学方程足够丰富，原则上也可以在流体中“编程”，构建出一个能自我复制并不断将能量集中到更小尺度的“流体机器人”。这个类比的核心在于，它将一个分析性问题（方程是否会爆破）转化为一个构造性问题（我们能否设计出一个会导致爆破的初始状态），为证明提供了一条具体的、尽管极其艰难的路径。
4. 数学进展的核心驱动力之一，是在“结构”与“随机”的二元对立中找到确定性。 在数论等领域，陶哲轩认为许多深刻的定理（如 Green-Tao 定理）之所以能够被证明，是利用了一种强大的二分法：一个数学对象（如素数集合）要么表现出高度的“结构性”（如包含等差数列），要么表现出类似“随机”的特性。无论它属于哪一类，都有相应的数学工具可以应用。例如，等差数列这种模式就像“蟑螂”，即便你随机剔除 99% 的素数，它依然会存在。相比之下，孪生素数猜想这类问题之所以困难，是因为孪生素数对这种模式非常“脆弱”，只要精心剔除极少数素数就可以完全破坏它。这种“结构 vs 随机”的框架，让数学家可以在看似无序的混沌中，强制性地找到某种秩序，从而打开证明的缺口。
5. 形式化证明工具将触发数学研究的“相变”，从个体手工业转向大规模协作。 陶哲轩断言，以 Lean 语言为代表的形式化证明助手，其意义远超查错工具。它正在为数学研究奠定一种全新的“工业”基础设施。通过将复杂的证明拆解为原子化的、可被计算机 100% 验证的“蓝图”，它创造了一个“去信任”的协作环境。这使得像他的“等式理论项目”那样，由 50 位贡献者共同解决 2200 万个子问题的大规模协作成为可能。他预测，当使用 Lean 等工具来形式化一个证明所需的时间和精力，低于传统手写所需的时间时，数学界将迎来一次类似当年从手稿全面转向 LaTeX 的“相变”（phase shift），彻底改变知识生产的模式。
这五个观点构成了一条清晰的逻辑链：从 定义问题难度（超临界性），到 发展解题策略（构建障碍物、计算类比），再到 提炼通用哲学（结构 vs 随机），最后 展望未来生产方式（形式化与协作），完整展现了陶哲轩对数学研究过去、现在与未来的系统性思考。
3. 批判与质疑
尽管陶哲轩的论述体系极具启发性，但从外部审视，仍有几个关键假设和潜在局限值得探讨：
- 对“类比”的过度依赖：陶哲轩的许多突破性想法，如“液体计算机”，源于跨领域的类比。这是一个天才“狐狸”的标志。但这也引出一个问题：如果一个问题在现有知识体系中找不到恰当的类比物，这种方法是否会失效？这种思维模式的有效性，可能依赖于一个未经验证的前提——宇宙中最深刻的问题总能找到更简单、已知的模型作为参照。
- “工业化”模式对颠覆式创新的潜在抑制：陶哲-轩所倡导的大规模、蓝图式协作，非常适合攻克那些可以被清晰分解的复杂问题。然而，数学史上一些最重大的突破，如非欧几何或哥德尔不完备定理，恰恰来自于对公理体系本身的颠覆。这种“工业化”流程是否会因其内在的结构性和任务导向，反而扼杀了那些需要长期、孤独、甚至看似“偏离轨道”的沉思才能产生的革命性思想？对话并未深入探讨这种张力。
- 对 AI 能力的乐观外推：陶哲-轩清醒地认识到当前 AI（特别是 LLMs）作为数学助手的局限，如缺乏“数学品味”或“嗅觉”、会产生“看似完美却愚蠢”的错误。但他似乎默认这些问题会随着技术发展而被解决。然而，这些可能不是简单的工程问题，而是当前 AI 范式的根本局限。从一个“需要费力引导的实习生”到一个真正的“创意合伙人”，AI 需要跨越的鸿沟可能比想象的更深。
- 悬而未决的核心问题：对话结束时，一个根本问题仍未解答。陶哲轩将自己的成功部分归因于在不同问题间切换的“狐狸”策略，同时也承认佩雷尔曼等人“刺猬”式专注的巨大成功。但他没有明确指出，对于最顶级的、定义一个时代的难题（如黎曼猜想、P vs NP），哪种模式——是广泛连接的协作网络，还是孤独的深度探索——最终会更有可能取得突破？ 两者可能并非互斥，但其内在的张力与适用边界依然模糊。
4. 行业视野
将这场对话置于更广阔的行业背景中，可以发现其在多个层面上的坐标感：
- 印证趋势：科学发现的工业化。陶哲轩对 Lean 和大规模协作的推崇，与生物学的基因组计划、物理学的大型对撞机项目异曲同工。这标志着曾经被视为最依赖个人智力的纯数学领域，也开始进入一个依赖大规模基础设施、标准化工具和团队协作的“大科学”（Big Science）时代。
- 挑战共识：对“天才论”的消解。在科技圈，对“天才创始人”或“10倍工程师”的崇拜根深蒂固。陶哲轩的访谈，以最权威的“天才”身份，系统性地解构了这一迷思。他将自己的工作方法描述为一套可以学习的“手艺”（craft），强调的是策略、工具和协作，而非不可捉摸的灵感。这对科技行业的组织管理和人才培养理念构成了直接挑战。
- 历史呼应：数字时代的“布尔巴基学派”。陶哲-轩设想的，由全球协作者共同构建一个庞大、严谨、形式化的数学知识库（Mathlib），是对 20 世纪法国“布尔巴基学派”宏伟计划的数字新生。布尔巴基试图以统一的公理化方法重写整个数学，但受限于纸笔和有限的人力。如今，Lean 和互联网让这个曾经的精英梦想，有了以开源、去中心化方式实现的可能。
- 未来预言：智力工作的“人机统一体”。对话超越了“AI 是否会取代人类”的陈旧辩论。陶哲轩描绘了一个更微妙的未来：人类专家的角色将从“计算者”和“证明者”转变为“策略制定者”、“问题定义者”和“AI 系统的品味仲裁者”。这预示着未来顶级的知识工作者，其核心竞争力将是与强大但不可靠的 AI 进行高效协同、引导和纠错的能力。
5. 启示与建议
这场对话挑战了一个核心假设：最顶级的智力创造是无法被流程化和规模化的。陶哲轩的实践表明，通过正确的工具和协作模式，至少在数学领域，这一假设正在被打破。
对开发者与产品经理：
- 为“原子化协作”构建工具：未来知识工作的核心，是将复杂任务分解为可独立完成、可自动验证的“原子”单元。机会在于开发超越代码的“GitHub for X”——无论是法律合同、科学论文还是工程设计，核心是提供版本控制、依赖管理和“去信任”的集成验证机制。
- AI 产品应聚焦于提升“嗅觉”而非仅生成答案：陶哲轩指出 AI 缺乏对一个研究方向“是否有前途”的判断力。因此，与其让 AI 生成另一个平庸的方案，不如让它成为一个强大的“侦察兵”：可视化问题的结构，高亮潜在的死胡同，或者基于海量文献分析，评估一条路径的“新颖性”与“可行性”得分。
对投资人：
- 关注“科学发现的基础设施”：真正的护城河可能不在于某个特定的“AI 数学家”模型，而在于支撑下一代科学发现的“镐和铲子”。这包括更高效的形式化证明语言编译器、为特定科学领域（如材料、制药）深度优化的文献检索与验证模型、以及促进大规模智力协作的平台。
- 识别风险：“黑箱”与“白箱”的平衡。一个声称能独立解决重大科学问题的“黑箱”AI 模型是危险信号。更有价值的投资标的，是那些深刻理解“人机回环”、将 AI 定位为增强人类专家直觉和验证能力的“白箱”或“灰箱”系统。
对创业者：
- 切入点：为特定领域打造“形式化”工作流。不要试图构建一个通用的 AI 研究员。选择一个高度依赖逻辑和验证的垂直领域（如芯片验证、法律合规、航空安全），利用形式化方法的思想，结合 AI，打造一个能极大降低该领域错误成本、提升协作效率的端到端解决方案。
- 重审团队构成：寻找“狐狸”与“刺猬”的组合。陶哲轩本人的工作风格强调了跨界连接的“狐狸”角色的重要性。在组建解决复杂问题的团队时，除了需要深耕领域的“刺猬”型专家，同样需要能够引入外部思想、建立意外联系的“狐狸”型通才。
结论强度说明：陶哲轩对数学研究将走向大规模、形式化协作的判断是 强信号，因为它基于他已在实践并取得成果的项目。他对 AI 将在本十年内提出有意义的数学猜想的预测，属于 合理推断，基于他对技术趋势的敏锐洞察。然而，关于 AI 何时能成为真正平等的创意伙伴，以及这种新模式能否解决最根本的数学难题，目前仍属于 弱信号，需要保持审慎和持续观察。
6. 金句摘录
-
“It’s like trying to solve a computer game where there’s unlimited cheat codes available.”
- 中文意译：“（数学研究）就像是在玩一个有无限多作弊码的电脑游戏。”
- 语境：陶哲轩解释他如何通过故意简化问题（例如，将高维问题降到一维）来解决难题。这句话颠覆了数学研究刻板、严肃的形象，将其重塑为一个充满策略性、甚至有些“狡黠”的探索过程。
-
“Arithmetic progressions are much, they’re like cockroaches.”
- 中文意译：“等差数列顽强得多，它们就像蟑螂。”
- 语境：在比较“孪生素数猜想”的脆弱性和“素数中的等差数列”的顽健性时，他用这个生动的比喻说明了后者这种模式几乎是不可摧毁的，即使在数据被大量破坏后依然存在。
-
“If a human proof is bad, you can tell it’s bad pretty quickly… But the AI-generated proofs, they can look superficially flawless… when you spot them, they’re really stupid.”
- 中文意译：“如果一个人类写的证明是错的，你很快就能看出来……但 AI 生成的证明，表面上可以看起来完美无瑕……而当你发现错误时，会发现那错得极其愚蠢。”
- 语境：他精准地描述了与当前大语言模型协作的痛点——AI 善于模仿正确的“形式”，但缺乏底层的逻辑“常识”，导致其错误既隐蔽又荒谬，给合作者带来了独特的认知负担。
-
“I think you just have to be adaptable and flexible… learning one specific programming language or one specific subject of mathematics… That itself is not a super transferable skill, but sort of knowing how to reason with abstract concepts or how to problem solve when things go wrong. Anyway, these are things which I think we will still need.”
- 中文意译：“我认为你必须适应和灵活……学习一门特定的编程语言或一个特定的数学分支……其本身不是一个超强的可迁移技能，但学会如何用抽象概念进行推理，或在出错时如何解决问题。无论如何，这些才是我们未来仍然需要的东西。”
- 语境：在给年轻人的职业建议中，他指出了在 AI 时代真正有价值的元技能——不是具体的知识点，而是处理抽象、诊断错误和解决问题的底层能力。这为我们思考未来教育和个人发展指明了方向。