transcript
show notes
🎙️ AI 数学研究：让工具增强人的能力
📝 本期播客简介
本期我们克隆了：SAIR · Terence Tao & Yu Deng: Why We Build Open Math Model
原内容更新时间：2026-10-20
AI 一口气发布数百个数学证明，数学家真正担心的却不只是机器抢饭碗：证明里的想法能不能理解，功劳该归谁，科学文献中的思想来源还能不能追溯？
数学教授 Terence Tao 和 Yu Deng 谈 AI 怎样拓展数学研究，也谈大量生成的证明给学术诚信、引用和成果评价带来的难题。他们解释为什么数学需要开放的 AI 工具，以及 AI 可以代做哪些繁琐工作；在 AI 时代，提出好问题、规划证明和发展新想法，仍是人的关键能力。
👤 本期嘉宾
Yu Deng 是芝加哥大学数学教授，研究偏微分方程和概率论。Terence Tao 是加州大学洛杉矶分校数学教授，研究分析、数论和组合数学，也参与 AI 相关工作，思考 AI 对数学领域的影响。
⏱️ 时间戳
01:01 理解、价值与归属
09:58 建设开放的数学AI
🌟 精彩内容
💡 AI 可以代做繁琐证明
当研究者已经有了解题思路，只是实现细节太复杂，AI 可以接手这些工作，让人把时间留给更根本的问题。
"能帮你省时省力，让你专心思考更根本的问题"
💡 数学不该只奖励答案
过去，解出难题往往也意味着深入理解、能讲清楚并带出新问题；如今解题可能只是训练模型时的副产品。Tao 认为，学术评价需要看见更广泛的理解与洞见。
"我们想要的是更广泛的理解，还有洞见。"
💡 AI 正在切断想法的传承链
科学文献本是共同资源，引用让研究者能够追溯想法来源。但 AI 有时无法说明答案借鉴了哪些前人的工作，解题时学到的思想脉络也就跟着隐去。
"想法传承的链条开始被我们打断了，确实就是这样。"
💡 开放数学工具不必等新模型
SAIR 的 Open Math OS 起步时使用现有开源模型，先把模型与工具整合起来，方便数学家协作，也希望逐步汇集团队、数据和算力，发展自己的模型。
"让大家不用自己部署，也不用自己买 GPU，应该会很有用"
💡 随机偏微分方程，一两天解出
Yu Deng 的合作者 Bjoern Bringmann 已经有了大致的解题思路，用 GPT Astra 尝试一道随机偏微分方程问题，约一到两天就得到了解答；前提是人先理解问题，并规划好证明方向。
"结果大概 1 到 2 天就解出来了。"
💡 AI 时代更要会问问题
AI 解出一个问题后，往往会带出更难、也更有意思的新问题。找到方向、规划探索路线、提出新想法，都是引导 AI 的能力。
"这些都可以说是让你能够引导 AI 的能力"
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺
在小宇宙查看该单集文稿
