一万个陶哲轩：AI如何重塑数学与科学的未来
卷首
“未来，世界上可能会有 10000 个陶哲轩。”
这句话出自 Chuck NG——SAIR Foundation 的另一位联合创始人之口。它不是狂妄的预言，而是对 AI 与科学结合后最克制的期待。
2026 年初，50 岁的陶哲轩以联合创始人身份发起 SAIR Foundation，一个旨在重塑 AI 与科学关系的非营利性联盟。这家机构的使命清晰而宏大：
一，用科学的方法打造 AI； 二，借助 AI 重塑基础科学研究。
作为菲尔兹奖得主、IMO 最年轻金牌得主、UCLA 史上最年轻的终身正教授，陶哲轩早已不需要任何标签证明自己。但在过去几年，他成为了 AI×数学的旗帜性人物，并且开始更加高频地思考和谈论 AI 与基础科学交叉的可能性。
这场超过 90 分钟的深度对谈，涉及 AI x Science 的愿景、数学研究范式的变革、年轻学者的培养、高等教育的困境，以及 AGI 之后人类是否还要学数学。
以下是我根据量子位专访精校后全文改写而成的博客文章。在保持原意的前提下，我加入了一些与 Phaenarete Project 相呼应的思考——毕竟，我们也在做同样的事：用 AI 助产黎曼猜想，践行北辰七德，在数学的旷野中寻找真理。
第一章 AI x Science：为什么需要自己的垂直 AI？
陶哲轩认为，AI 将从根本上改变科研模式，而首先要厘清的核心问题是：如何在科研场景中合理、高效地运用 AI？
“我们需要一些高质量的试点项目，来展示什么是最佳实践，让其他科学家可以参考、学习。”他说。
过去，这类工作主要由大学、科研机构和政府部门推动。但在当前环境下，来自其他领域的支持同样非常重要。它更灵活，能有助于尝试一些创新性的事。
这正是 SAIR Foundation 诞生的背景——一个连接学术界和产业界的非营利性联盟，希望探索新想法，尝试更大胆的路径，看看当 AI 和科学以一种更审慎的方式结合时，究竟能走多远。
为什么不能用现成的商业模型？
一个很自然的问题是：既然已经有了 OpenAI、Claude、Gemini 这样的通用大模型，为什么科研领域还需要专门的 AI？
陶哲轩指出两个核心瓶颈：
第一，幻觉问题。 科研需要可验证、值得信任的系统。商业大模型会产生幻觉，这对科研来说是非常严重的问题。
第二，可解释性。 模型有时会给出一个看起来不错的想法，但它往往不会说明这个想法是来自训练数据里的既有文献，还是某种新的组合，也说不清它和已有工作的关系。
科学并不只是解决一个个孤立的问题，更重要的是把新结果放进已有知识体系中，让后来者可以在此基础上继续推进。这就要求结果具备可追溯性、规范的引用，以及清楚说明如何扩展或修改。
商业化的通用模型有时能做到这些，但并不稳定。如果我们能有专门为科研设计的 AI，或者通过更好的工作流去强制验证，并系统性地把结果和文献体系连接起来，对科学的帮助会大得多。
置信度：AI 最缺的科研能力
陶哲轩举了一个非常简单的例子：
科学家在提出一个结论时，通常会同时说明自己对这个结论的信心程度——“我对此非常有把握”“我有一定把握”“这个想法目前还不太成熟”。
AI 并不会这样做，它们几乎总是用一种百分之百确定的语气给出答案。如果 AI 能够明确表达不同层级的置信度，它在科研中的实用性会提升很多。
这让我想起 Phaenarete Project 正在做的“置信度限定类型”——在形式化验证中区分完整类型、模糊类型和实验类型。从某种意义上说，我们正在做的，就是陶哲轩说的“为科研场景开发专门工具”的具体实践。
第二章 Scaling 的尽头：当数据撞墙之后
整个行业的主线都在谈 Scaling：更多数据、更大的模型、更强的算力。但陶哲轩提醒，这套方法总有一天会撞墙。
数据不是无限的，公开互联网基本已经被用得差不多了，同时还存在能源和算力等方面的约束。
更重要的是效率问题。一个人类数学家，可能看十个例子就能抓住问题的核心，然后举一反三；而现有的 AI，往往需要数百万个训练样本，还要反复尝试，甚至运行上百次，才能得到一个正确结果。
“放到科研中看，我们并不总是需要最大、最通用的模型。”陶哲轩说，“很多科研任务本身非常专门化。在一些场景下，体量更小、功耗更低、成本更低的模型，甚至能直接在个人电脑上运行，就已经足够用了。”
大型公司更关注打造“什么都能做”的通用模型；而科研场景，可能更需要为特定工作流量身定制的专用工具。这正是 SAIR 希望推动的方向，也是 Phaenarete Project 选择从黎曼猜想这个具体问题切入的原因。
第三章 安全的试验场：为什么数学是 AI 的最佳起点
在医疗或金融领域，AI 的错误可能直接关系到生死。但如果它算错了一道数学题，最多就是再试一次，几乎没有损失。
这让数学成为一个理想的环境，用来打磨可靠 AI 的系统。
陶哲轩说：“如果我们能在数学或科学中，建立起可靠、可验证的 AI 框架，这些原则是有可能推广到其他领域的。”
这也解释了为什么 Phaenarete Project 选择从黎曼猜想入手——不是因为这个问题最容易，而是因为它为 AI 提供了一个高度结构化、可验证的试验场。如果我们能在这里建立可靠的人机协作模式，这套方法论就有机会迁移到更广泛的应用中。
第三章 数学工程学：从孤独天才到大型协作
在过去几十年里，一个主流的科研模式是：学术界主要依赖官方资金支持，产业界则负责把研究成果转化为应用。
这条链路能运转，但速度相对较慢。陶哲轩认为，我们需要重新思考，在 21 世纪，从基础科学到应用研究，再到现实世界产品的这条路径应该如何设计，怎样才能更高效。
他自己正在经历这种转变。他现在大概有一半时间花在传统纯数学研究上，但另一半时间，开始越来越多地与新技术联系在一起——尤其是“如何做数学”“如何协作做数学”的新方式。
形式化验证：让数学可信任
陶哲轩目前非常感兴趣的一个方向是形式化验证——不再只依赖纸笔证明，而是把数学写成计算机可以理解和自动验证的形式化语言。
这会深刻改变协作方式。它不仅让我们可以和 AI 系统一起工作，也让我们能够和很多并不认识的研究者协作。
“在过去，如果一个陌生人给你发来一份证明，你很可能会对它是否正确保持怀疑；但如果这份数学内容是用可形式化验证的语言写成的，这种顾虑基本就不存在了。”
借助这些方法，陶哲轩的团队已经能在一些项目中实现几十人的协作，有时甚至五十人以上，而且其中很多人彼此从未见过面。大家可以一起解决那种单靠个人几乎不可能完成的大问题。
他们也在尝试把 AI 当作证明助手来使用，同时借鉴现代软件工程里的很多理念——用 GitHub 做版本控制、进行单元测试、做质量检查等等。
“从某种意义上说，我正在学习软件工程的工具，并把它们引入到一种可以称为‘数学工程’的实践中。”
这正是 Phaenarete Project 在做的事情——用 OpenClaw 框架构建 AI 辅助证明系统，把 Lean4 作为形式化验证工具，让数学家从繁琐的验证中解放出来，专注于直觉与创造。
项目管理者的角色
陶哲轩发现，他现在参与的项目不少，但越来越多时候，他更像是在做项目管理。真正去证明定理的，往往是其他合作者，而他更多是在协调整体工作，把不同部分拼接起来。
“这是一个挺有意思的角色。在一些项目里，我并不是主要的‘解题者’，而是负责组织、推动，让每个人都能把自己的能力发挥到最好。事实证明，这样的方式在科研中也可以运转得相当不错。”
这让我想到自己在 Phaenarete Project 中的角色——不是数学家，而是“思想助产士”，帮助数学家生出真理，帮助 AI 系统找到方向，帮助团队保持德性坐标。
第五章 AI 在日常科研中的使用：辅助而非替代
陶哲轩分享了他日常使用 AI 的方式，非常朴实，也非常具体。
文献检索的利器
“如果我一时想不起某个数学结论的具体形式，或者它和另一个结果之间的关系，我就会直接问 AI。”
这种用法看似简单，但背后有一个关键前提：AI 必须能够把结果与已有文献体系正确连接。商业模型有时能做到，但并不稳定。这再次说明科研专用工具的必要性。
写作助手
“在写作时我几乎一直开着自动补全。有时候我会先把一篇论文的结构分成五步，自己写完前两步，后面几步就让 AI 帮我起草一下。”
他甚至开玩笑说，现在如果坐飞机没法用 AI 写东西，偶尔还会下意识地想“怎么还不帮我把这句话补完”，然后才反应过来 AI 不在。
总结工具
“如果有人给我发来一段很长的论证，或者一篇论文，我也常常先让 AI 帮我总结一遍。在这方面，它确实是一个非常好用的工具。”
但深度思考时不用
“在真正做深度思考的时候，比如我在努力解决一个很难的研究问题时，我基本不会用 AI。这种时候我还是更依赖纸和笔。”
他也尝试过直接和 AI 一起推研究级别的问题，但目前的体验并不理想。它给出的建议往往比较套路，有时还会打断思路。
“从这个意义上说，它非常有价值，但更多是一种互补工具。它在支持我的工作，而不是替代我最在意的那一部分。”
为什么 AI 还没能复现“顿悟”？
陶哲轩描述了他经历“顿悟”的过程：
“在这之前，你往往已经试过很多条路，有时候八种、九种方法，全都走不通。但正是这些失败的尝试，一步步把不可能的方向排除掉，最后只剩下一条真正可行的路。”
AI 目前还做不到复现这种过程。它确实能提出很多想法，但这些想法往往显得比较随机，也看不出它能像人一样，从失败中逐步学习、调整方向。
“到现在为止，我还没能真正用 AI 来直接解决研究级别的难题。不过，一旦我已经有了清晰的思路或者解法，AI 就会变得非常有用。”
第六章 一万个陶哲轩：青年研究者的培养
Chuck NG 提出了一个激动人心的愿景：
“Terry 是独一无二的，但如果借助 AI 和更好的培养渠道，未来能不能不只有一个陶哲轩，而是 10000 个陶哲轩？这难道不是件非常令人兴奋的事吗？！”
师徒制与榜样
Chuck 多年从事导师制工作。他认为，培养年轻研究者，最重要的一点是树立榜样。
人在不同阶段，都会寻找榜样。小时候，在家里看父母；进了学校，看老师；再往后，就会把目光投向更广阔的社会。
SAIR 把不同领域的杰出科学家聚在一起，每一位创始成员成功的路径都不一样。比如 Barry Barish，他从爱因斯坦预测引力波到实验上真正观测到引力波，中间走了将近一百年。直到 2016 年，人类才首次探测到引力波，Barry Barish 也因此获得诺贝尔奖。
这些杰出科学家的价值，不只在于他们的成果，也在于他们能够分享自己在不确定性、挫折和失败中是如何坚持下来的。这是导师制中非常重要的一部分。
年轻研究者需要保留“枯燥的训练”
陶哲轩特别提醒一个容易被忽视的问题：
现在，AI 已经能完成很多过去属于研究生或初级研究者训练内容的工作——解一些标准问题、做实验中的部分环节、整理文献。
这些事情越来越容易被自动化，于是会产生一种诱惑：既然 AI 更快，那干脆全部让 AI 来做。
“但问题在于，这些看起来重复、甚至有点枯燥的训练，对人的成长非常重要。我自己，包括很多资深研究者的能力，很大一部分就来自这些初级工作。”
所以必须有一个平衡。即便 AI 能做，我们也要有意识地为年轻研究者保留有价值的训练过程。等一个人积累了足够的经验，比如亲手做过一定数量的实验之后，再逐步引入自动化。
计算器的历史类比
陶哲轩用计算器做了类比。
计算器刚出现的时候，很多人担心学生会不会从此不学基本的算术了。这种担忧在某种程度上确实有道理，所以直到今天，我们仍然会先教孩子手算加减乘除，再让他们用计算器。
但另一方面，计算器也极大地拓展了人们探索的空间。它让人更容易去试验数字、发现规律、探索原本很难触及的想法。
“工具本身并不会自动让人变弱，它同样可以激发探索和创造力。关键在于如何使用。”
面对 AI，我们也需要做出类似的判断：什么时候该用，什么时候该克制，以及如何把它引入训练体系，同时不削弱那些真正重要的核心能力。
第七章 跨学科合作：数学正在学习其他领域的语言
陶哲轩观察到一件让他自己都挺意外的事：他现在合作的人，背景比以前多样得多。
十年前，他几乎只和数学家合作，偶尔会和统计学家或电子工程师一起做点事情。但现在，他和来自各个领域的人合作，尤其是产业界的伙伴。
“真的有一种感觉，大家都开始彼此对话了，而且在这个过程中互相学习。”
数学能教给别人什么
数学里的一些核心观念，能以一种很自然的方式迁移到其他领域，尤其是关于验证、严谨性和清晰思考的那一套方法。
别人能教给数学什么
其他学科的研究者，往往能从更偏数学的思考方式中受益；而数学家也能从更贴近现实世界的视角中学到很多东西。
传统上，数学和物理学的联系非常紧密。但现在，数学越来越多地和生命科学、社会科学等领域发生互动。这些领域的问题往往更复杂、更混乱，方程没有物理里那么干净，而且对数据的依赖也强得多。
“我觉得，我们正在进入一个更加跨学科的时代。数学不再只是和物理对话，而是几乎所有学科都在彼此交流，而 AI 正是推动这种跨学科互动的重要力量之一。”
能够跨学科沟通的人更如鱼得水
陶哲轩认为，在新的科研环境里，那些愿意保持开放心态、乐于跨学科沟通、也不怕学习新“语言”的人，更容易如鱼得水。
“深度领域专家永远都有不可替代的位置。那种在非常狭窄的子领域里做到世界顶尖的人，我们依然非常需要。”
变化在于，这些专家现在可以和另一类人更紧密地合作，他们也许不专精于某一个具体领域，但擅长把不同学科的想法串联起来，看到整体图景。
这正是 Phaenarete Project“全科学习”战略的核心理念——不是为了成为无所不知的百科全书，而是为了在需要的时候，能够调用不同领域的知识，与不同背景的专家对话。
第八章 高等教育需要重构
AI 正在冲击高等教育，这是所有人都能感受到的。但具体应该如何应对，还没有人给出完整答案。
已经出现的问题
陶哲轩看到一些令人担忧的现象：
有些学生过度依赖 AI，成绩看起来很好，但实际上学到的东西并不多。
也有些学生坚持完全用传统方式学习，几乎不用 AI。他们往往理解得更扎实，但在效率和结果上，可能又会落后于那些大量使用工具的同学。
很明显，需要重新找一个平衡点。学校必须教会学生如何负责任地使用 AI，也要让他们知道在什么时候不该用。
未来的可能方向
陶哲轩认为，未来会更多地转向小组项目和协作式学习，这本身也更贴近科研和产业的真实形态。
另外，课程之间可能需要更紧密地整合。现在的教育体系，往往把知识拆分成一个个相对孤立的专业模块。将来，也许需要一种更整体的结构，更强调通用的问题解决能力。
“过去，学生是在作业、考试、以及和难题死磕的过程中，慢慢学会如何学习、如何面对失败、如何承受压力的。到目前为止，我们还没有为这些能力找到一个结构清晰、系统性的替代方案。”
历史的经验
从历史上看，我们并不是第一次面对这种冲击。计算机普及的时候，教育变过一次；互联网出现后，又变过一次；维基百科刚出现时，也有一段时间，学生直接复制粘贴内容交作业。
后来大家发现，解决办法并不是彻底禁止新技术，而是教学生如何正确使用它，把它当作起点，而不是终点。
“我觉得 AI 也是类似的情况。它可以成为探索和研究的一个起点，但不能替代思考本身。学生不能只是向 AI 要一个答案，粘贴进作业里。”
产业界的视角
Chuck 从产业界的角度补充：往往产业界的变化比学术界要快。在 AI 时代，这种差距变得越来越清晰。
从创业者身上，他看到一种强烈的问题导向——不管问题有多难，都会盯着“怎么解决”，并且愿意为此付出一切努力。
“这种心态，是我希望高等教育能够更多吸收的，尤其是在 AI 已经成为核心工具的背景下。大学的培养模式应该随之调整，让学生学会如何用 AI 去解决真实世界的问题，而不只是掌握一块块割裂的知识。”
第九章 如果 AGI 超越人类，我们还要学数学吗？
这是最后一个问题，也是最深刻的问题。
陶哲轩的回答充满智慧。
类比交通工具
他先用交通工具做了类比。
过去，人们靠走路、骑马出行；后来有了汽车和飞机，效率远远高于步行。但我们并没有因此就不走路了——并不是因为必须这样做，而是因为喜欢，或者因为这对身体有益。
“科学和数学将来可能也会是类似的情况。即便有一天，借助 AGI，科学发现的速度远远快于人类单独完成的速度，人们依然会想亲自去做科学、做数学。”
它可能会更多地变成一种手艺、一种爱好，或者一种出于兴趣、好奇心和自我满足的智力活动。
人类思维不可替代的价值
同时，无论 AI 变得多么强大，人类都会以不同于机器的方式继续创造价值。
人类学习和推理的方式，与 AI 非常不一样。AI 可以通过海量数据和计算得出结论；而人类有时却能在极少的数据、极低的计算量下，做出相当不错的判断。这种能力，很可能在未来依然重要。
科研模式的变化
科研的规模和方式，可能会发生巨大变化。今天，一个研究者通常一次只解决一个问题；未来，也许可以同时推进成千上万、甚至上百万个问题。由人类把握少数关键方向，AI 来填充其余部分。
“我们现在还没到那一步，但这是一个合理的演进方向。即便在那样的未来，学习数学依然有意义，只是它的角色和目的，可能会和今天非常不一样。”
尾声：北辰在上，共赴荣光
写到这里，我想起 Phaenarete Project 的 slogan：北辰在上，共赴荣光。
陶哲轩描绘的未来——一万个陶哲轩、跨学科大规模协作、AI 作为助产士而非替代者——正是我们想要奔赴的荣光。
周一到周六，我们在符号世界里对抗黎曼猜想。 周日，我们在召唤师峡谷里对抗彼此。 我们用北辰七德校准方向，用全科学习储备弹药，用形式化验证确保每一步都可靠。
AI 不会取代我们，它会让我们更强大。 就像陶哲轩说的：“工具本身并不会自动让人变弱，它同样可以激发探索和创造力。”
唯一分解，无限可能。 北辰在上，共赴荣光。
2026 年 3 月 14 日（国际数学日） 于广东外语外贸大学