https://www.youtube.com/watch?v=6uIJdXmB4vE
🎙️ 最后的数学家人：菲尔兹奖得主雅各布·西蒙斯-施泰因（Jacob “Jake” Simmons）论 AI 时代的数学、哀伤与转向
第一部分 开场与嘉宾介绍：刚刚获得菲尔兹奖的数学家宣布离开学界（0% – 8%）
1. 节目定位与嘉宾分量
- 主持人 Kircha Mungle 介绍本期频道定位：以严谨和技术深度访谈研究者，探讨他们关于“现实的理论”。
- 本期嘉宾 Jacob Simmons 是第一次做播客，而在拍摄此节目前 10 天，他刚刚被授予菲尔兹奖（数学界最高荣誉）。
- 更具爆炸性的是：就在领奖当天台上，他宣布将暂时离开学术界，转向 AI 与 AI 安全领域。
2. 获奖工作的简要定位
- 他的奖章表彰的是在极小性（minimality）方面的工作，部分驯服了几何与分析中的一些“怪物”。
- 这一领域与他和 Edward Frankle 在 Langlands 纲领上的探索有关。
- 主持人明确说明：因为其他多数采访都会聚焦获奖工作，所以本期节目刻意避开获奖细节，转而讨论更前沿、更私人的话题。
3. 本期核心议题预告
- AI 正在如何“革命化”数学，甚至可能导致数学“自我消亡”。
- 对于身处 AI 可能取代其领域的毕业生，Jacob 有何建议。
- 两人共享的喜剧背景：主持人是脱口秀演员，Jacob 做即兴喜剧（improv），且都毕业于多伦多大学，这将成为贯穿节目的情感线索。
第二部分 数学家的“哀伤”：AI 正在杀死我所熟悉的数学工作方式（8% – 22%）
1. 承认哀伤：一种职业身份的丧失
- Jacob 直言：“我肯定在哀伤（grieving）。我认为 AI 会冲击数学。”
- 这种哀伤来源于：数学家习惯了一种特定的工作节奏——以年计、甚至十年计的长期项目，在边界上缓慢摸索，等待“啊哈”时刻的到来。而这种节奏即将消失。
2. 反直觉的事实：数学比想象中更容易被 AI 攻破
- 人们通常以为 AI 会先影响人类觉得“容易”的事，而数学很难，所以会晚一些。
- 但事实相反：因为数学是一个封闭系统——不需要实验、不需要材料，仅靠思维即可运作——AI 反而极快地掌握了它。
- 作为证据：就在录制前两三天，OpenAI 发布了 10 个猜想的解法，其中“非自同构群（non-self groups）”的构造是一个重大成果。
3. 关切的对象：是人，而非数学本身
- 主持人追问：“你更担心数学家，还是数学？”
- Jacob 答：此刻更担心数学家，尤其是年轻人。数学作为一门领域会演化过去；但那些进入 PhD、期望按旧有方式度过职业生涯的年轻人，他们的人生规划正被颠覆。
- 他透露自己正在组织研讨会，聚集不同层级的数学家，探讨如何重构这个领域。
4. 对未来四年的判断：无法预测，但方向明确
- 对“四年后会不会有 AI 菲尔兹奖得主”这一问题，他认为“四年”在 AI 时代已经是一个荒谬地长的时间尺度，连预测两年后都很困难。
- 他不愿被贴上“悲观主义者”的标签：他只是在陈述一个他认为会发生的事实——AI 将在“做数学”这件事上稳健地超越人类；而社会如何选择回应，既是更难的问题，也尚未被决定。
第三部分 AI 做数学的具体形态：从协作到全自动，再到“无人理解的证明”（22% – 38%）
1. 过渡期的两种场景
- 近期场景：数学家通过提示 LLM 来解决问题，并叠加自己的专业知识。Jacob 举了自己近期的例子——他发现一个证明中的错误，LLM 修不了，但他能修，这是一种“真实的协作”。但他认为这一阶段很快就会过去。
- 稍远场景：出现一个自动化机器或 AI 系统，持续不断地提出猜想、解题、分类、提炼定义，让数学越来越好。
2. “无人能懂的证明”是不是证明？
- 主持人借《奥德赛》的隐喻提问：如果 AI 给出一个人类完全无法理解的 Lean 证明，它算证明吗？这是否等同于“巨人创造”的遗迹？
- Jacob 的回答分两层：
- 形式上，是的。证明是一阶逻辑中的演绎序列；很快我们就会拥有没人读懂、但却支撑着数学大厦的证明，就像没人懂原理火车照样跑。
- 社会学意义上，复杂得多。证明承担着向共同体传递理解的功能。其实这一现象已经存在——Jacob 自己的许多定理依赖他并未完全掌握证明的工具（例如模型论中的“ominality”定理），他只是“相信”那些黑箱。
- 真正迫近的问题不是“魔法般的不可理解”，而是：AI 将以远超人类消化速度的方式，产出原则上可理解的证明。即便像 Jacob 这样有 20 年经验的职业数学家，面对 OpenAI 新发布的 10 个证明也一个都看不懂——倒不是因为神秘，而是因为跨子领域的鸿沟。
3. 数学家的“分工困境”将被极度放大
- 当前数学家的模式：在自己的小角落做到专家，跨领域则需要长时间桥接。
- 如果 AI 让数学产出速度提升几个数量级，领域会裂变出成千上万个新分支。
- 数学家将面临：根本来不及重定向上已有的认知框架。Jacob 以自己的经历为例——他花 12–13 年攻安德烈猜想（André conjecture），花 5 年攻格里菲斯猜想（Griffith conjecture）——这种“十年磨一剑”的奢侈，在未来将不复存在。
4. GPT-6、GPT-7 之后的世界
- 假设明年 GPT-7 问世，Jacob 预判：
- 会有一段“数学家主要靠提示 LLM 来解题、并叠加自身专长”的短暂时期。
- 紧接着，数学家自身的贡献比例会变得非常小。
- 随之而来的是剧烈的动荡：如何为 LLM 做出的成果分配署名权？如何教授 PhD 学生？什么才算“解题能力”？
第四部分 数学的本质：解题、理论建构与“理解”到底是什么（38% – 52%）
1. 解题与理论建构的关系
- 作为偏“解题者”的数学家，Jacob 认为解题、理论建构、寻找正确定义之间并非割裂，而是一个循环：为了解决谜题，你寻找最好的定义；而定义本身又是为了回应你想解的谜。
- 有人主张“解题只是数学中很小的一部分，数学主要是理解与分类”，他不同意这种看法，他认为解题在当下数学中是相当核心的。
2. “理解”的心理学与操作性定义
- 主持人追问：当某人讲解时，你说的“我理解了”究竟意味着什么？似乎存在一个阶跃变化（step change）。
- Jacob 的解释：
- 数学对话大量使用速记，不会事事 grounding。
- 数学家在脑中携带 toy examples（玩具例子/最爱例子）——一套自己领域里的具体构造。
- “我理解了”的真实含义是：把你讲的东西套到我的内部图景里能跑通。
- 因此，对“理解”最具体的度量标准是：能否把这个概念应用到各种感兴趣的情形中。
- 一个反直觉的洞见：能够对几个最爱的手算例子把事情测通，比写出一般性的证明更能检验理解——后者反而是“理解最差的检验方式”，因为学生在抽象层面更容易犯错而不自知。
3. 直觉与严格化的反馈回路
- 直觉是模糊的、高阶的启发式。如何知道我们“正确地定义了这种模糊”？
- Jacob 答：我们无法先验知道。做法是尝试一堆形式化方案，直到某一个“感觉对”。
- 然后用所有直觉去测试它：有的直觉被令人满意地形式化了；有的直觉被反例反驳——这时有两种反应：一是“这个反例很蠢，是我的定义错了”；二是“我错了，直觉需要更新”。当严格化超越了直觉、并能反过来精炼直觉时，理论就成功了。
4. 哥德尔不完全性定理的启示
- 主持人提到多伦多大学本科逻辑课 MAT308 的期末是“从零证明哥德尔不完全性定理”。
- Jacob 坦言：即便对于他这样在相关领域工作过的人，哥德尔编码的“干净递归”形式化也从未让他完全舒适；他能写（素描版），但把它完整装在脑子里是一回事，写下来是另一回事。
- 顶尖专家与普通研究者的真正区别之一：前者把这些证明和概念“装”在脑子里，随时可取用；而后者更像翻 flip book，逐步查阅。
第五部分 数学的分类与物理学的特殊地位（52% – 62%）
1. 数学承担的两类角色
- 角色一：识别纯思想宇宙中存在的有趣结构。数学的美妙在于它只受“有意义”的限制，而不像物理、化学那样受“现实中存在什么”的限制。
- 角色二：将人类模糊直觉中“形状”“连续性”等概念，通过严格定义（如拓扑学中的开集/闭集）固化下来，并最终让严格性超越直觉，使直觉本身被精炼。
2. 按“可应用性”重新组织数学
- 一个明显的分化方向是面向物理学。理论物理正处于某种困境：理论很多，但难以测试，也难以让数学如其所愿地严丝合缝。
- 今年另一位菲尔兹奖得主（Udang）的工作是范例：他从粒子相互作用的统计极限严格推导出 Boltzmann 方程的全局行为——这类事过去只能靠启发式想法。
- 如果能更大规模地做到这一点，我们或许能逼近量子力学与引力的统一等更基础的问题。
3. 物理学与数学的本质差异
- 物理学理论即便写出来，也需要专家来判断它是否真的建模了正确的物理对象。
- 而数学一旦形式化进 Lean，只要人类确认了“被建模的对象确实是我们要谈的那个”，后续的定理证明就可以机器验证。
- 因此物理学比数学多了一层“建模对齐”的难题。
第六部分 喜剧、即兴与数学的镜像关系（62% – 72%）
1. 两位喜剧人的相遇
- 主持人做过脱口秀（standup），Jacob 做即兴喜剧（improv）。
- 借 Seinfeld 的隐喻开场：在深水区，5 米深和 5 公里深没有区别——一旦超出某个阈值，就是超出。
2. 为什么 Jacob 偏爱即兴而非脱口秀
- 脱口秀是孤独的、自私的：“就像短裤和运动鞋里的 Mike Tyson”，全靠自己；而且需要反复打磨同一套段子，这像“作业”。
- 即兴则是协作的、共情的：核心是倾听队友、让对方看起来更好、放弃控制。
- 对 Jacob 而言，即兴是数学的完美对立面——数学中他不断试图“征服”一个数学分支、消除一切谜团、获得最大控制；而即兴恰好教会他放弃控制，这填补了他生活中的缺失。
3. 数学既是孤独的，也是协作的
- 数学的“困惑”是个人的，但朋友帮助你解决它们。
- Jacob 从竞赛数学起步（高度竞争、单人 4.5 小时答题），早期非常 solo；但现在他从不单独工作——“因为更有趣，也更好”。
4. 给初尝即兴者的建议
- 主持人分享自己上过一次即兴课、扮演动物时觉得自己像个傻瓜的经历。
- Jacob 回应：尴尬和羞耻是喜剧的杀手；即兴的本质不是机智，而是同理心和全然的在场。如果多试几节课，大概率会找到乐趣。
第七部分 AI 资源的不均衡分配与数学家的采用分歧（72% – 82%）
1. 顶级模型的“不公平”访问
- 当 Anthropic 等公司推出新模型，他们会找顶级数学家来测试——这意味着已经处于顶端的人获得了“一千个天才研究生+无限算力”的临时优势。
- Jacob 承认这种批评的合理性，但也指出“成功孕育更多成功”在所有领域都存在（物理实验经费、学术职位等）。
- 他没有给出完美答案，但倾向于认为：当前按学术 meritocracy 分配可能是无奈之选，未来或许可以探索轮换制等更公平的方案。
2. 同事们对 AI 的过度怀疑
- 主持人举 Roger Penrose（95 岁）仍因多年前“strawberry”拼写错误而对 AI 持怀疑态度的例子。
- Jacob 坦言：他自己直到 2016 年才开始转变，ChatGPT 出来后他立刻打电话给朋友认错：“你是对的，我错了，这将是我们一生中最大的事。”
- 他认为同事们确实存在过度怀疑，但这背后有动机性推理的成分——数学家的身份认同、意义感正受到威胁，否认是一种心理防御。
3. “通货膨胀”隐喻与 Tobias Osborne 的警告
- 物理学家 Tobias Osborne 发文指出：当任何人都能用一个 prompt 在一下午生成一篇带 Lean 证明的硕士级论文时，价值会发生通胀——就像美洲白银涌入西班牙后并没有让人变富，只是推高了物价。
- Osborne 主张价值将转移到“理论构建者”——那些能吸收海量冲突信息、通过组织和定义带来清晰的人。
- Jacob 的回应发人深省：他对任何宣称“价值将转移到 X”的确定性都持怀疑态度。因为紧接着的问题就是——“为什么 AI 不能也做 X？”一旦 AI 能快速解猜想，我们就能拿这些成果去训练它做“蒸馏与定义”，那个“新均衡”又能维持多久？
- 他引用 Tim Gowers 对《莱顿宣言（Leiden Declaration）》的回应：Gowers 拒绝签署，正是因为他严肃地 grappled 了这个问题——很难找到一个 AI 不会最终超越人类的稳定均衡角色。
第八部分 给学生与年轻研究者的建议：对冲，而非逃避（82% – 92%）
1. 为什么 Jacob 不再招收传统意义的数学 PhD 学生
- 他明确表示：自己对学生的伦理责任让他无法再按传统方式培养。
- “我没办法诚实地告诉一个 19 岁的学生‘你大概率能找到一份数学家的工作’——因为连我自己都不知道两年后的就业市场是什么样。”
2. 给“19 岁的年轻 Jacob / 自己女儿”的建议
- 如果真有一个 19 岁想投身纯数学的年轻人（甚至自己的女儿）：
- 继续engage数学、学习数学——因为数学之美、数学带来的智识愉悦绝不会消失；爱好者、工程师、诗人都可以继续享受数学。
- 但不要把纯数学作为唯一焦点。要对冲（hedge）：了解世界正在发生什么，学习 AI，学习计算机科学，保持对世界的开放。
- 他指出一个既存事实：即使没有 AI，数学 grad school 的输出也远大于终身教职的数量——大多数数学研究生本来就不会成为职业数学家。AI 只是让这种“需要对冲”的必要性指数级放大。
3. “经理”技能与及早 orientation 的重要性
- Jacob 分享自己用 Claude Code 做打字游戏的真实故事：6 小时内，AI 生成了 15 个文件、完整的图形和音效。这让他意识到——你必须学会当经理：快速消化结果、判断下一步方向、管理 AI 而不是亲力亲为。
- 他的最大建议：现在就开始 orientation。不要等 AI 真正必需时才追赶。及早与 AI 系统协作的经验，会沉淀出某些可迁移的通用技能。
- 关于“学生因 LLM 而失去独立解题能力”的担忧：Jacob 相对乐观。他认为人类会根据激励信号自我调整——考试、实战会暴露依赖 LLM 的代价，人们会适应。计算器、对数表的历史已经证明：技术不会毁灭下一代的大脑，人们会重新校准哪些技能值得内化。
第九部分 转向 AI 安全：一位菲尔兹奖得主的告别与呼吁（92% – 100%）
1. 为何在巅峰期离开学术界
- “我们生活在疯狂的时代，不会再有‘一切照旧’。”
- 尽管学术界提供了近乎完美的终身职业（一旦拿到终身教职，基本不需要退休，越老越舒服），但 Jacob 判断：一场剧变的过渡期即将到来，而他确信“一切都会自然变好”本身就是天真的。
- 他选择离开，是为了投入到他认为是当下最重要的问题——AI 安全中。
2. 在 OpenAI 的具体角色与“分布式权力”主张
- 他将加入 OpenAI 的 AI 安全团队（具体职责待定）。
- 但他强调：AI 安全不能只由公司主导。他主张权力的分布式——
- 公司有其位置，但公司有利润动机；
- 政府有其位置，但政府可能走向威权；
- 英国 AISI（人工智能安全研究所）的模式值得称道：提供资助、导师计划、与各国实验室协作；
- 独立非营利组织、学术理论工作、治理研究都需要同步推进。
- 多样性至关重要。
3. mathforai-safety.org 与对数学家的呼吁
- 他建立了 mathforai-safety.org，专门帮助数学家转向 AI 安全领域——因为数学家的推理训练在这个新问题中极其宝贵。
- 他视此为某种意义上的“曼哈顿计划”，需要全社会层面的理论工作、治理工作、社会工作共同推进。
4. 对《莱顿宣言》的立场
- 《莱顿宣言》是一群数学家关于“如何在数学中负责任地使用 AI”的声明。
- Jacob 披露：他未被邀请签署（笑），且即便被邀请他也不会签，因为他对其中太多表述不认同。
- 但他赞同他们对 AI 风险的识别与对保障措施的建议方向。
5. 菲尔兹奖奖章上的铭文与他的解读
- 奖章上刻有两句话，大意是：“比昨天的自己更好”与“超越世界”。
- 他认为“超越世界”是一个相当大的命题；而菲尔兹奖的设立初衷是“鼓励未来的成就”——这也是为什么奖项发给年轻人。
- 他正试图利用这份荣誉所带来的平台，去推动他认为最重要的事。
6. 最后的温暖与对未来的期待
- 主持人感谢 Jacob 的到访。片尾彩蛋揭示：Jacob 其实几年前就曾拒绝过这个节目的邀请，因为“Kircha 的采访挖得很深，我不确定自己准备好了”——而这一次他准备好了。
- Jacob 表达对 AI 积极面的兴奋：个性化的 AI 导师、AI 协助创作音乐剧、AI 设计的 D&D 游戏、AI 辅助作曲——让任何人都能跨越技能鸿沟，专注于真正有趣的创作部分。
- 他相信：即便在风险之外，人类将获得前所未有的表面积去 engage 那些曾被技能门槛阻挡的事物。
💡 整篇访谈的核心张力：一位达到数学顶峰的人，选择在最辉煌的时刻走下神坛，因为他预见到这座神坛本身即将被重构。他的哀伤是真的，他的希望也是真的——而贯穿始终的，是一位思想家在面对文明级转折时的诚实、谦逊与责任感。
Top comments (0)