Dwarkesh × Grant Sanderson：AI 数学突破先到，但人类还要决定什么值得懂

数学确实是 AI 进展最快的尖峰，但「AI 拿下一个数学竞赛分数」不等于「AI 已经能接管所有白领工作」。Grant Sanderson 在 Dwarkesh Podcast 里把问题拆得更细：AI 会先在可验证、可反复试错的领域暴涨；真正难的是提出好定义、判断什么值得研究，并把证明变成能被人理解的解释。1

Dwarkesh 开场问了一个三年前就问过的问题：如果 AI 能在国际数学奥林匹克竞赛拿金牌，那不就是 AGI 吗？Sanderson 的回答是：不是。IMO 会变成又一个被攻克的 benchmark，但不会出现一个突然的「aha」时刻，让所有经济任务自动消失。1

他解释得很具体。IMO 内部也不是一块铁板：几何题适合被暴力搜索和形式化策略处理，组合题却更像谜题，路径更跳、更难训练。AI 在一个子类上突然很强，并不等于它已经掌握了数学活动的全部形态。1

这点对 AI 从业者有用：不要只看「是否通过某个高难 benchmark」，还要问它通过的是哪类任务。是能穷举、能验证、能反复 roll out 的任务，还是需要长期判断、重新定义问题、理解读者心理的任务？

谈到黎曼猜想时，Sanderson 给出三种可能的 AI 解法。第一种是「闪电式连线」：模型同时懂解析数论和物理中的随机矩阵，像当年 Montgomery 与 Freeman Dyson 的午餐谈话那样，把两个远处领域接起来。第二种是「造山」：先发展一整套新理论，再回头解决问题。第三种最不让人满意：AI 只是硬算出一个上千页证明，人类几乎读不出新的理解。1

他最看重的是前两种。数学史里，真正改变学科的往往不是单个定理，而是新定义、新对象、新视角。Galois 理论就是例子：它一开始没有立刻带来清晰的实用回报，甚至连当时的评审都没能很好识别；从 Lagrange 对根的对称性的直觉，到 Liouville 整理 Galois 的手稿，再到 Jordan 给出更现代的群论处理，中间隔了几十年。后来群论进入物理，甚至参与了夸克等思想的形成。这个「验证回路」可能长达一个世纪。1

这也是当前强化学习范式最别扭的地方：如果奖励信号要一百年才显现，你怎么训练模型产生 Galois 那样的直觉？Sanderson 认为，也许可以把「压缩」纳入评价：一个更短、更有预测力的概念，可能比一条长而正确的证明更接近数学理解。1

Dwarkesh 提出一个很关键的补充：大家常说数学和代码进展快，是因为它们可验证；但还缺一个词，叫「可刷」。代码可以在容器里复制一百个环境，让模型并行尝试修功能；数学题也能反复生成、验证和回滚。现实世界任务不同。你不能把一千个 Amazon 结账流程同时跑起来训练模型，也不能每天重置真实市场，让模型反复学交易。1

这解释了为什么 AI 在数学和编程上显得比「电脑使用」「经营一家企业」「写一篇真正有洞察的文章」进步更快。后几类任务环境难复制、反馈慢，模型知道做成了，不等于知道是哪一步让它做成了。

Lean 和 Mathlib 在这里的位置更微妙。Sanderson 不认为 Lean 是当前 AI 数学进展的唯一原因，因为很多新进展仍发生在自然语言推理中；但 Lean 让「无人值守地扩展数学库」变得可想象。一个 AI 可以不断尝试扩展 Mathlib，系统自动检查证明是否正确。问题只剩下：这些正确的东西有没有意思？1

Sanderson 提到一个很好的区分：proof 和 explanation 不一样。数学里已经有「证明了但还没真正懂」的情况。一个定理被证明，并不代表人类知道为什么它应该是真的；这会留下「解释问题」。1

他以前以为，AI 会变成自动定理证明器，而人类数学家的角色会转向解释。但现在他没那么确定了。真正能提出好概念的系统，可能也会很会解释。历史上很多一流科学家本来就是清晰的写作者，Einstein、Shannon、Feynman 都是例子。提出正确的新视角和讲清楚这个视角，未必是两种完全分离的能力。1

那人还剩什么？Sanderson 给出的答案不是「比 AI 更会讲题」，而是更像策展人。数学未来可能会有近乎无限的新证明、新对象、新方向，读者仍需要一个他们信任的人告诉他：哪些东西值得看，先看什么，为什么现在看。这个角色和教师、编辑、博物馆策展人很像，核心不是信息量，而是关系、动机和判断。1

Dwarkesh 说，写作不像代码或数学那样模块化。代码可以写得丑但功能正确；文章的每个词、每个句子本身就是产物，不能先用「能跑」兜底。Sanderson 补了一刀：好写作需要判断读者脑子里此刻发生了什么，知道什么时候该换顺序、换例子、甚至指出对方问错了问题。1

这就是 LLM 目前在学习辅导上常见的短板。它能解释很多已知概念，但太容易顺着学生的问题跑，而不是停下来提醒：「你组织这个概念的方式不对」。优秀教师能识别学生的错误心智结构，再把它扭回可学习的路径。Sanderson 建议学生使用 LLM 时，把它当成更强的搜索和旁路解释工具，而不是把学习路径完全交给它。先找到高质量的人类教材、讲座或文章，再让 LLM 帮你剪枝、补背景、回答局部困惑。1

被问到年轻人还要不要学数学时，Sanderson 没给鸡汤。他说，先弄清楚「钱从哪里来」和「你给别人创造什么价值」。大学里的数学工作，有些来自公共资助，有些来自教学，有些来自机构品牌，有些来自把数学探索做成内容。AI 改变定理证明后，这些价值来源不会同时消失。1

如果未来 AI 真的能创造大量新数学，人类反而会更需要懂数学的人来判断方向、解释意义、把新理论接到工程和科学问题上。Sanderson 特别看好教育：即使模型能解释概念，教学仍然有很强的社交、陪伴和教练属性。家长和学生买的不只是答案，而是一个可信的人带着自己穿过困难。1

结论不是「AI 不会取代数学家」，也不是「AI 很快取代一切」。数学会先让我们看到 AI 的几种未来形态：它会在可验证、可刷、可并行的地方变强；随后逼着人类重新定义什么叫理解、什么叫好问题、什么叫值得研究。下一波真正重要的信号，未必是又一个分数，而是数学家开始说：这个模型帮我找到了一个我本来不会去看的方向。