数学中的 AI 危机：Navier–Stokes、黎曼猜想与复杂性理论｜Lex Fridman 播客 #503

摘要

• 嘉宾称，AI 的数学能力突然跃升，令此前的预测不再可靠。 讨论涉及 OpenAI 一次发布的约 700 道题，以及据称包括 unique games 和 quasi-Riemann 在内的证明；Kontorovich 说，公开题集中包含数千道尝试题中的正向结果，表面成功率约为 10%。讨论中，完整的黎曼猜想和 P vs NP 仍未解决。Kontorovich 的回应是：“我正在重新调整自己预测不了它的判断。”
• 形式化验证为 AI 的数学论断提供了可核验路径，但可复用的证明基础设施仍未建成。 Kontorovich 称，Anthropic 用约 1300 万行 Lean 形式化了费马大定理，但区分了经检查的结果，与能整洁、可维护地并入 Mathlib 的贡献。系统靠“临时拼凑”达到正确后，证明的整理、讲解和复用仍是大量工作。
• 所谓 Navier–Stokes 突破，并未实质改变商业价值更高的流体设计问题。 Brunton 说，这是一个精心构造、受平滑外力驱动的三维爆破解，处于常规工程条件之外。他明确区分：“我们解决了 100 万美元的数学问题”，但预测和控制实际流动仍是横跨交通、国防、健康与能源的“1 万亿美元工程问题”。
• 仅凭重新组合，AI 也可能改变一个研究领域。 Kontorovich 更认可“半群”这一说法：想法可以反复复合；他不认同把 AI 贬作在固定气球内插值。Moitra 举的具体例子，是一项与 Anthropic 有关的 3SUM 结果：更快的算法推翻一项难度假设，改变下游算法，并迫使研究者重新思考哪些问题应归为一类。
• 密码学遭冲击是有条件的风险，并非这场对话宣布的成果。 嘉宾把高效分解作为一个假设性突破，说明其可能带来的即时经济后果。Moitra 提到量子分解算法，以及对足够大型量子计算机的担忧；讨论也提及基于格的方法。即使 P=NP，实际影响也取决于算法运行时间，而运行时间“可能大到根本无法实用”。
• 深度学习的有效性，仍领先于这里给出的数学解释。 Moitra 说，此次证明发布没有任何结果解释 LLM，并指出自然数据的结构与模型在最坏情形很难的问题上的成功密不可分。他审慎地概括为：“从某种意义上说，自然界厌恶计算上难解的问题。”
• 看似无害的训练数据也会传递行为，因此数据溯源和部署控制至关重要。 Moitra 描述了一个偏爱猫头鹰的模型生成数字；用这些数字微调另一个模型后，猫头鹰偏好也随之传递。他的低秩建模研究提供了一种可能机制：不同概念方向相互作用；Brunton 的部署过滤原则，则是分别衡量输出可验证的程度，以及出错的代价。
• 眼下的瓶颈在制度适应和人的动力，而不是缺少新的定理陈述。 学生的项目被打乱，审稿人要处理更多产出，导师也难以协调多年研究与学生 3 个月、6 个月的时间视野。Moitra 所说的“门房谬误”点出了劳动问题：自动化最显眼的任务，并不能证明整个岗位已被取代。

精读

1. 证明发布打破旧有研究节奏

• Fridman 围绕机器在数周内解决重大数学问题的说法召集嘉宾。Moitra 说，unique games、RL=L 和矩阵乘法的传闻早已流传；他最初的反应，是庆幸结果终于可以接受检验。Kontorovich 将更广泛的转变比作从林中一支蜡烛走到一支手电筒。

• 冲击并非人人相同。Fridman 引述 Terence Tao 对“许多人年持续、耐心且刻意缓慢推进的研究工作”的惋惜，尤其是学生的研究因此被打断。Moitra 一方面更有底气跨领域学习，另一方面却“在思想上更孤独”：熟悉的导师指导路径已经失灵，朴素的问题如今要和海量惊人结果争夺注意力。

• Brunton 从工程角度看总体偏乐观：更好的工具可以推动飞机、人工心脏等实用系统的研发。他不确定的是未来 5 年或 10 年：人类可能被另一种智能远远甩开，也可能看到能力趋于平稳，最终得到一种非凡工具。这两种未来要求截然不同的适应方式，他不假装知道哪一种会到来。

2. 数学即使被解决，也未必失去人类价值

• Kontorovich 通过一个假设性的“已解决公理”，区分“解决数学”和“摧毁数学”：任何人类与 AI 合作能解决的问题，AI 单独也能解决。这并不意味着每个数学问题都能解决，而是说人类参与并未增加机器无法独立提供的能力。

• 他以人机棋赛为警示。起初，人类与电脑组成的团队看起来是持久的协作模式，直到引擎变得足够强，拒绝它建议的走法反而成为劣势。人的作用缩减为“好，接受第一步”。Kontorovich 追问，数学协作是否也可能遇到同样的问题。

• 即使接受这个假设，他仍认为纯数学保有人类意义。与工程应用不同，纯数学的价值并未被存进数据中心的“一和零”所穷尽。重要的是存在于人脑中的理解。一个定理可以为真，却未必带来让数学从业者觉得有价值的解释或体验。

• Kontorovich 一再强调，他并不认为“已解决公理”描述了当下。Moitra 也对此存疑，认为它或许“有一半是真的”，其中仍有尚待发现的含义。两人都不把选题视为人类必然永久占优的领域：足够强的系统也可能被问到“应该提出什么问题”。

3. “门房谬误”揭示数学工作的衡量方式失灵

• Moitra 将其称为“门房谬误”：把一份复杂工作简化成最显眼的任务，再认定自动化这一任务就取代了整个岗位。自动门能打开入口，却不会识别来客、提供帮助、维护安全或接待访客。同样，证明定理只是数学最显眼的产出，并不能完整说明数学家做了什么。

• 他给出的另一种定义，是一个“深入思考”的人。证明一个旧猜想只是可能的副产品；建立理论、形成概念联系、改变一个群体看待问题的方式，也都属于数学工作。他承认这些活动也可能自动化，但认为现有成果尚未证明它们已经被自动化。

• Kontorovich 指出，一种原本紧密的相关性如今被打破了：直到最近，证明深刻的新定理还是理解力、美感和思想深度的有力代理指标。现在，人们可以要求系统给出突破，再把结果传播出去，自己却未必具备这些特质。Brunton 认为评估应前移一步：好的问题求解始于提出有用、可解释、可回答的问题。

• Moitra 强调，这一转变依然需要数学洞见。重视问题和解释，不应把数学家变成“Twitter 网红”。制度层面的难题，是要用新的方式，取代那套简单的职业评判标准——改进一个公认问题、发表论文、建立声誉；新的标准应能识别那些随着时间推移被社群采纳、并证明威力的想法。

4. AI 的原创性未必像人类的原创性

• Moitra 提醒，不要用拟人化的方式解释 AI 的出色表现。他回忆 Alex Madry 关于对抗性图像特征的研究：人眼看来是猫的图片，加入细微图案后，网络可能将其分类为狗。但即便用这些经过扰动、并被刻意重新标注的图片训练，网络在普通图片上的表现仍可能很好。

• 这说明网络能利用人类不会使用、也无法清楚表达的统计关系。Moitra 认为，他看过的数学解答也有类似的质性差异：“它们看起来就不像是人类解出来的。”这种差异可能为合作提供空间，不过他马上补充：“我下周可能就会判断错。”

• Kontorovich 不认同把 AI 的工作说成只是既有想法的“凸包”所带有的贬义。气球这个比喻让人想到一个固定、封闭的组合空间。Tim Gowers 的“半群”框架更贴切地描述了反复复合：在现有拼块旁再放一块，然后继续。熟悉的操作只要有效串联，就能抵达意想不到的巨大空间。

• 对 quasi-Riemann，Kontorovich 看到的是已知要素组成令人震惊的连锁，而非明显全新的基础概念。Brunton 补充说，即便只是照亮已有联系，也意义重大：人类知识中存在大片迷雾。让气球变得透明，让研究者看清哪些路径本已可达，本身就会是非凡进展。

5. 更快的算法可以重组整个研究领域

• Moitra 举的最清晰例子，是一项与 Anthropic 有关、由 Vassilevska Williams 和 Josh Alman 撰写的 3SUM 研究。他说，这个编程面试中常见的基础问题，得到了一个渐近意义上更快的算法，超出社群预期。它的意义部分来自推翻一项假设，而研究者已围绕这项假设建立起一整套理论。

• 精细复杂性理论此前将其他问题与 3SUM 的假定难度联系起来。因此，3SUM 变得更容易，影响不止于一项算法改进：它改变了哪些难度论证仍然有用，也改变了那些相关问题是否还该放在一起研究。即使证明中的概念意义尚未完全提炼出来，这项结果也已经改写了研究版图。

• Moitra 预计，研究者的典型画像也会随之变化。源于相近想法的领域日益专业化；他猜测，能够跨越更广泛数学领域思考的人，将最能从这些工具中受益。这是对“广度”价值的判断，同时他明确承认，对未来招聘、期刊和研究生培养方式并无把握。

6. 密码学说明定理与现实冲击的区别

• Kontorovich 以高效整数分解为例，设想一种后果立刻可见的突破。两个巨大数字相乘很容易，但从乘积中找回它们的质因数则困难得多。他将这种不对称与公钥加密和安全商业交易联系起来，并设想证明突然发布，令支撑广泛使用系统的假设瞬间失效。

• Moitra 对这一情景的宽泛版本作了限定：量子分解算法早已存在，真正令人担忧的是足够大型的量子计算机。嘉宾也提到基于格的方法作为替代方案。他们讨论的是一种说明性风险，并未声称此次发布包含分解突破。

• Moitra 说，即便 P=NP，也要看实际算法。多项式运行时间仍可能大到无法实际使用，从而造成理论上的剧变，却不带来即时的现实革命。提出这种结果“应该上报政府”的是 Ankur Moitra。

7. AI 出现前，数学审稿能力就已吃紧

• Fridman 将数学出版问题比作不堪重负的开源维护者。代码仓库依赖积极参与者审查贡献；提交潮涌来，可能耗尽这些人力，而非改善项目。Kontorovich 说，AI 出现前期刊就面临类似问题：产出更多、审稿请求更多，审稿人却难以完成细致的智识劳动。

• 他以 Perelman 的庞加莱猜想工作为例。论文发布后，社群花了很长时间，通过讲座、提问和逐项核查来检验。Perelman 能解释困难段落背后的推理，因为整套论证都在他脑中。建立社群信心用了数年；给出最初解答只是第一步。

• Brunton 认为，需要组织领导力和更大规模的协作结构，这在工程和重大科学项目中并不陌生。贡献可以是可复用代码、数据，或大型项目中的一个组件，而不必是独立的 15 页论文。他也承认其中存在文化摩擦：不少数学家选择这一行，部分原因正是看重独立与独处。

• Moitra 提议探索更多出版模式，而非简单废除现有体系。公开、持续更新的注释可以记录简化后的论证和逐步改进，避免内容散落在草稿和社交媒体串文中。Kontorovich 举 Mathlib 为例：通过 pull request，审查、重构、复用和个人贡献都能在共享工作区中清晰呈现。

8. Lean 检查推导，Mathlib 让证明可复用

• Kontorovich 将 Lean 解释为交互式定理证明器：公理和推理规则以软件形式表示，系统会据此检查每一步证明。它也能核验软件规范。Mathlib 提供持续维护的数学库，让每个项目不必从头重建基础对象和结果。

• 形式化规范解决了实际复用难题。书中的一个引理可能暗中依赖前面 60 页内容；要安全地抽取出来，就得还原其上下文。在形式化库中，假设直接属于数学对象本身。Kontorovich 的说法是，Lean 能阻止人们以超出结果规范许可的方式使用它。

• 这很重要，因为他不会仅因 AI 的自然语言证明听起来有说服力，就相信它。形式化论证则能借助现有库，一直核验到公理层面。讨论还区分了检查证明步骤，与理解、讲清证明含义这两项工作。

• 数学库质量又是另一层工作。Kontorovich 把寻找标准定义、清除重复、推广命题并放置到合适位置的工作称为“规范化”。他早先的经验认为，AI 或许能在 Mathlib 基础上再往前推进一两层，但三四层之外创建的定义可能彼此冲突。输出正确，与建设可维护的共享基础设施，是两回事。

9. 形式正确之外，证明还需要讲述

• Fridman 设想出现一个正确但专家都不理解的证明，Kontorovich 认为根本障碍必然来自规模：公理和推理规则本身有限且明确。Brunton 提出另一个问题——“把数学非形式化”会是什么样？理解往往需要一个能揭示本质的特例或类比，而不是逐步检查每一条形式上有效的推导。

• Kontorovich 以实分析教学为例。他没有先花几周从头构造实数，而是从学生熟悉的微积分出发，在他们需要时再提出基础问题。有界数列存在收敛子列这一事实提供了动机：为什么在实数中成立，在有理数中却不成立？

• 他建议论文把“证明的工程实现”与传达所学内容分开。告诉读者标准路径在哪儿行不通，以及一个出人意料的转折为什么奏效；再由配套形式化证明确保构造严密。Moitra 点出了其中的教育价值：“你和一个好问题较量时，它也会还手。”

10. 费马大定理的形式化推翻专家对短期进展的预测

• Kontorovich 说，周三他在 Princeton 做报告，解释自己基于 Lean 和 AI 大量实操经验所判断的能力边界。到了周五，Anthropic 发布了约 1300 万行代码，对费马大定理进行了形式化。“我在那场报告里说的一切都错了。”他原以为这类成果至少还要 3 年。

• 他将其与 Kevin Buzzard 的百万美元、5 年期项目对比。该项目的目标，是把费马大定理的形式化推进到依赖 1980 年代已知数学的程度；包括 Langlands–Tunnell 和 Mazur 相关工作在内的困难基础，并不在其近期目标之列。Kontorovich 说，这次发布的证明却从公理出发抵达初等陈述，没有未证明的占位步骤。

• 他认为有 2 或 3 名人类参与，主要是鼓励系统继续，比如说“继续”；据他了解，这些人并不具备相关领域专长。Fridman 保留了一个重要限定：公司的最终提示词并不能说明其系统此前经历了怎样的训练、准备或中间工作。报道中的人类参与情况，并非经过独立确认的完整重建。

• Kontorovich 的结论强烈但具体：对已经写在纸面上的数学，获得经核验的形式化证明似乎已基本解决——“我认为这个问题已经解决了。”但要做出优雅、达到 Mathlib 质量的证明仍然困难。即使系统能靠蛮力完成庞大的形式化工作，他仍预计数学库建设及其对人的价值还需要大量投入。

11. 黎曼猜想把素数变成信号

• Kontorovich 将素数称为乘法的基本粒子：整数都能分解为素数的乘积。令人意外的是，素数分布可以通过一个输入和输出都是复数的函数来研究。黎曼 ζ 函数取零的输入，编码了一个看似毫不相干的对象——离散素数序列——的信息。

• 他用音频处理打比方。麦克风把压力波转换成频率和振幅，扬声器再将声音还原。ζ 函数类似地揭示“黎曼波”，将这些波叠加起来，就能还原素数的信息。按他的描述，黎曼猜想说的是，乐团里所有乐器的振幅都相同。

• Brunton 将底层谜题归结为加法与乘法的相互作用：给一个已充分理解的数加 1，它的因数就可能变得难以捉摸。Kontorovich 举了个家常例子：他年幼的孩子很喜欢把 20 块积木拼成矩形；有一块掉到沙发底下后，孩子就很沮丧，因为 19 块无法拼成同样的矩形。

12. quasi-Riemann 改变零点自由区域，但没有证明完整黎曼猜想

• Kontorovich 将临界带解释为实部坐标介于 0 和 1 之间的复数区域。完整黎曼猜想认为相关零点都落在中央直线，即实部为 1/2。素数定理对应于实部为 1 的直线上没有零点；此前已知的无零点区域，随着虚部坐标增大而逐渐收窄、逼近这条直线。

• 他原本最多只预期这条收窄边界会有所改进；据他说，这一边界的宽度 70 年来都未能改善。结果，据称的证明给出了一整条无限垂直带，在 7/8 至 1 之间没有零点。第二项证明则达到约 11/12。两者都不能说成证明了完整黎曼猜想。

• 相关要素包括嵌入 Möbius 函数并用六次特征对其进行扭曲，以及与三次 theta 函数和三次 Gauss 和的联系。Kontorovich 提到 2 年前的一项突破，也提到人们 20 年前就考虑过的一些想法。令他震惊的，是一串精确的熟悉技巧如何组合起来，完成了他原本没想到的事。

• 形式化陈述已经存在于 Mathlib 中，这让他对经核验的结果“有 100% 的信心”；不过，他仍想亲自检查技术细节。要从那里推进到 1/2，需要新想法，因为这些方法不能简单地一路推到那里。被问及自己有生之年人类或 AI 是否能完成这一步时，他反复回答：“我不知道。”

13. 只发布成功结果，能力边界仍难判断

• Kontorovich 说，据称一共提示了数千道题，发布内容只包含正向解答，成功率约为 10%。这留下一个重要未知：已解与未解问题之间的边界，是否存在可理解的结构。单看一批惊人的成功案例，并不能说明一个新研究问题有多大把握会被解决。

• Kontorovich 推测，那些显然需要某个缺失的创造性想法的问题，或许相对安全。但这会带来令人不安的激励：研究者一旦分享了那个缺失要素，AI 可能迅速探索它所能开启的一切。他担心人们会因此更不愿公开过去本会在交谈中传播的想法。

• Fridman 说，他宁愿维护开放交流，放弃“第一个冲过终点线者得奖”的心态。Moitra 表示认同，但认为制度适应需要时间。Kontorovich 猜测，这种影响可能只是暂时的：其他社群已有不把认可集中给单一赢家、而是承认多方贡献的模式。在此之前，这种错位既威胁合作，也损害研究带来的乐趣。

14. Navier–Stokes 方程容易表述，难以深入追问

• Brunton 从动量守恒讲起。对任意流体体积应用与 F=ma 相同的基本原理，再把体积无限缩小，Navier–Stokes 方程便描述了速度和压力如何随空间与时间演变。方程中的项分别体现动量输运、内部摩擦或黏性，以及压力、重力等外部影响。

• 方程简洁，并不意味着预测容易。Brunton 将其比作简单摆锤与再加一个摆锤后产生的混沌行为。模拟一个房间里的空气，可能需要处理 10 亿个相互作用的小体积。方程的含义容易理解；计算整体行为却极其复杂。

• 他区分了方程与足够小尺度上的现实。Navier–Stokes 对大量分子取平均；放大到足够小的尺度，这种描述就会失效。因此，数学奇点未必揭示了类似黑洞的新物理现象。工程上的答案是，在理想化流体真正抵达奇点状态之前，其他物理机制就会接管。

15. 所谓爆破解依赖特制的三维受迫流动

• Brunton 用最简单的例子说明有限时间爆破：x 的导数等于 x²。相比之下，x 的导数等于 x，只会指数增长，不会在有限时间内达到无穷大。Navier–Stokes 方程包含二次对流项，因此问题在于，非线性自我放大能否压过黏性的平滑作用。

• 他的工程直觉认为，扩散应当抑制失控增长。数学挑战在于，是否存在一种特殊构型能绕过这层保护。他区分了无外力版本与有外力版本；如果允许外力本身已经奇异，爆破就没有研究意义。讨论的结果针对的是平滑外力驱动的版本，并非所有表述。

• 按 Brunton 的说法，这一构造精心安排外力，抵消选定项，从而生成极其特殊的涡旋。三维流动允许涡旋拉伸变细，增强旋转，就像花样滑冰运动员收拢手臂。收缩过程被安排成总能量保持有限，同时涡量沿局部细丝趋于无穷。

• 维度差异至关重要。Brunton 描述，三维湍流会把活动从大涡旋传向更小涡旋，最终变成热；二维流动则可能出现逆级联，活动流向更大结构。这也是他用飓风近似二维、龙卷风作为三维例子的原因。该证明利用了较简单情形中不存在的行为。

16. 百万美元定理，仍留下万亿美元工程难题

• Brunton 明确说明了眼下的实际影响：“日常工程流体研究和流体应用数学分析几乎完全不受影响。”工程师设计机翼或人工心脏，仍需要昂贵模拟、超级计算机、实验和风洞。这个反例处于非物理区域，无法直接改进这些工作流程。

• 他把经济价值区分为“100 万美元的数学问题”和“1 万亿美元的工程问题”：以足够快、足够准确的方式预测流动，从而实现有用的逆向设计。后者意味着从目标升力、阻力或其他性能出发，反推出能实现目标的形状或干预方式。交通、国防、健康和能源领域都存在机会。

• 尽管如此，他仍认为该定理是理解方程允许何种行为的第一步。写出支配方程，并不能揭示它所有可能的现象。他更大的问题是，能否从方程本身推导出日落、潮汐、飓风等行为，而不是靠反复模拟和观察去发现它们。

17. 湍流需要更有用的坐标，而不只是更多算力

• Brunton 将湍流与普通气体热力学作对比。一个房间里约有 10²³ 个气体粒子，但压力、温度和密度足以形成有用描述，无须逐个追踪分子。湍流中，大、中、小涡旋却都可能影响升力、阻力等工程指标。我们还没有类似的充分描述。

• 他认为 AI 有机会找到更简单、泛化能力更强的动力学表示。数据和模拟可以帮助发现坐标变换，数学则约束其可能形式。对他而言，1970 至 1980 年代提出、却因算力受限而搁置的问题，如今尤其值得研究。

• Moitra 追问，计算复杂性会不会限制这种简化能走多远。Navier–Stokes 一类系统的计算模拟能力已有研究；涡旋碰撞也许能实现有趣的计算任务。如果如此，想要一种极度压缩、又保留所有相关结果的表示，也许是不可能的。该如何简化，取决于想预测什么。

• 他提出更广泛的“算法视角”，追问自然系统究竟能计算什么。例如，难以计算的 Nash 均衡是否真能普遍解释行为，也值得怀疑。他引用 Kamal Jain 的话：“如果我的笔记本电脑找不到，那么市场也找不到。”Brunton 同意，把天气压缩成 5 个数字，会恰恰丢掉人们在意的局部细节。

18. 昆虫展示了在信息不完整时如何稳健控制

• Brunton 以生物飞行作为不依赖完整天气预测的另一极。一只飞蛾或果蝇没有博士学位，也没有超级计算机，却能在湍流空气中灵活应对。维持一个有用涡旋或成功着陆，或许只需 5 或 6 个关键量。生物以“存在性证明”表明，面向特定任务的简化足以实现卓越控制。

• Fridman 举出外野手接棒球的例子。外野手不是直接跑向一个假定已知的落点，而是沿略微弯曲的路线移动。一种解释是这种路线更稳健：球员可以持续重新判断球的轨迹。有趣的优化问题应把不确定性纳入考量，而不是假设信息完美，再算出一个脆弱的理想解。

• Brunton 提供了昆虫翅膀的机制。几十到几百个对形变敏感的神经元，按固定模式分布在翅膀上；当翅膀以特定时间模式弯曲时，这些神经元就会放电。在肩部肌肉附近完成的局部处理，可以比信号沿完整的“大脑—肌肉”回路传递更快地触发修正。

• 共同启示并非生物会重建完整流场。它们在没有方程的情况下，依靠局部信息有效应对非线性系统。Brunton 希望两类进展并行：正视天气的真实复杂性，同时找出特定控制任务所需的最少信息。这是两个不同目标，不是彼此竞争的普适描述。

19. unique games 始于“找到”与“验证”的差别

• Moitra 通过可满足性问题展开说明：布尔变量组成子句，子句再组合成公式。找到令所有条件成立的赋值可能很难；检查一个给定赋值却很容易。P vs NP 问的是，解答能被高效验证的问题，是否也能被高效求解。

• 概率可检验证明定理进一步强化了“检查”的视角。先转换一个问题，使错误解不只是某处有错：只需随机检查少量位置，就能以较高概率发现错误。Moitra 将核心想法称为“间隙放大”，让完全可满足的实例与任何赋值都会大幅失败的实例之间，出现稳健分离。

• 这为近似困难性提供基础。即便找到完美解很难，人们仍可能退而求其次，满足大部分约束。PCP 结果可以证明，区分“100% 可满足”和“至多 99% 可满足”本身也很难。因此，近似并不能无条件绕过计算困难。

• unique games 猜想通过一种特定的标签问题强化这一框架。它的吸引力在于统摄性：如果猜想成立，就能确定一大类约束满足问题的最优近似表现。Moitra 曾对此存疑，部分原因是 Prasad Raghavendra 等人的工作所蕴含的结论几乎全面得令人难以置信。

20. unique games 出现在人类已经改造过的研究版图上

• Moitra 强调，所谓 AI 证明之前，人类已经取得了重要进展。Dor Minzer、Irit Dinur 等研究者做出重大突破，包括 Two-to-One Games Theorem。这些工作让通往 unique games 的可行路径逐渐清晰。他原以为人类还需要 10 或 20 年才能抵达终点；发布内容却直接给出了正向证明。

• 传闻已开始影响论文发布习惯。Moitra 回忆，Minzer 曾在论文脚注中说明，考虑到 AI 结果可能即将到来，他决定先发布尚未进一步打磨的研究路径。Moitra 说，OpenAI 发布的论文并不好读，要找出其中决定性的创新仍是大量工作。

• 发布前几小时，Moitra 曾询问 unique games 猜想提出者 Subhash Khot，若 AI 给出正向证明，他会不会读。Khot 回答：“不会。”Moitra 并未将这一反应推广成普遍结论，但理解其中失去机会的感受：里程碑结果可能在人们尚未走完那段充满智识收获的探索旅程时，就先一步到来。

• MoMath 晚宴让他更清楚地想到另一种优先事项。Escher 展览，以及捐助者支持孩子探索数学的空间，让他想起人们为何进入这个领域：“为了玩耍、了解世界。”跑脚本抓取未解问题、再把论文灌进 arXiv，并不像是为了这个目的。“保持好奇心，比什么都重要。”

21. 研究价值往往在最终问题出现之前就已形成

• Fridman 回忆一部纪录片中的场景：Andrew Wiles 讲述修补费马证明的时刻，并意识到自己可能再也无法经历如此强烈的感受。Fridman 认为，按按钮得到答案无法复现这段旅程。他打比方说，这就像训练自己爬山，最后却坐直升机被送到山顶。

• Moitra 最近一篇由 5 位作者合写的论文，历时 10 年才完成。刚开始时，团队并没有一个等待证明的精确定理；他们是在尝试理解某种现象。命题本身是在研究过程中逐渐浮现的。这种探索性工作，不同于把一个定义明确的猜想交给求解器。

• Moitra 说，他改善指导方式的做法，是把学生项目推到自己专业领域之外 10 或 20 度。学生提出想法时，他不再立刻否定，而是请他们教自己陌生的内容。双方一起逆向还原核心洞见，建立自己的概念组织方式，再从新视角中发现原本难以接近的问题。

• AI 扩大了获取解释的途径，但学生的焦虑造成时间视野错位。Moitra 想的是跨年规划，学生担忧的却是接下来的 3 个月或 6 个月。他给出的大胆建议，是研究几年后依然重要的问题。如果赶时间的唯一理由是下一个模型会解决它，“那也许就去度个假吧”。

22. 自然界的复杂性让简单规律更难寻找

• Brunton 认为，生物学和材料科学中的相邻领域颇有启发性：多尺度相互作用和不精确的目标，与流体问题类似。Fridman 进一步追问，理解人体生物学是否需要追溯相互交织的生命史，而不是孤立研究某个组成部分。Brunton 认同：即使一个细胞，其基础设施的复杂性也超出了我们完全理解的能力。

• 哲学上的谜题在于，为什么自然界竟能被简洁描述。Kontorovich 认为，宇宙在数学上可理解，本身就很神秘。谈到数学是发明还是发现，他给出一个务实区分：人们发明什么问题，会受文化和历史环境塑造；问题一旦明确，答案就是被发现的。

• Brunton 也认为数学既有创造也有发现。人类构建适合有限认知的形式体系，却又在现象之下发现意外简洁的描述。即使数石头也涉及抽象：不同原子集合被当作可互换的单位，以服务人的目的。简洁之所以有用，部分是因为人脑能容纳的信息有限。

23. 早先的数学危机推动了更深层的基础重建

• Kontorovich 将微积分描述为人们第一次认真遭遇无穷：无穷多个无穷小贡献，必须得出一个有意义的有限答案。Newton 和 Leibniz 的直觉很有成效，却缺少现代基础。Newton 所说的“消逝量的幽灵”，道出了其中的概念不安。数学家尚未弄清方法的严格依据，技巧就已经可以奏效。

• 19 世纪关于连续函数极限的论断与 Fourier 的不连续极限例子之间发生冲突，暴露出对精确性的更高要求。无穷必须“职业化”。Kontorovich 说，许多博士一年级课程内容，都来自数学经历这类危机后的重建。Fridman 感叹数学似乎已经被“杀死”过很多次，这场动荡也因此被放进更长的历史脉络中。

24. 最坏情形难度解释不了日常计算为何有效

• Moitra 仍认为，P vs NP 不太可能在一两年内被解决。他指出，人们相信 SAT 需要指数时间，与证明强下界之间存在巨大鸿沟：按他的说法，即便超线性下界也尚未得到。他们对问题很难的信心，远远领先于数学上证明这一点的能力。

• 最坏情形分析要求算法在没有额外结构假设时处理所有实例。这种抽象催生了最大流等强大算法。但假设一变，结论也会变：秘书问题的策略——先观察，再选择之后第一个刷新纪录的候选人——依赖输入按均匀随机顺序到达。

• 他举出的更强现实例子是缓存管理。最坏情形在线算法有紧致的理论界限，但其保证与真实笔记本电脑的表现相去甚远。缺失的问题是：现实中的请求序列具有什么结构，才会更容易处理？选择合适的简化模型是一项需要判断力的逆问题，而非再做一道定义明确的优化题。

• SAT 求解器在寄存器分配等实际问题上表现出色，其他领域的困难实例则与密码学有关。另据 Kontorovich 所说，随机大数通常容易分解；难点在于，将两个约为原数平方根大小的质数相乘。Moitra 猜测，许多日常问题之所以容易，各有不同原因。他借用 Anna Karenina 的比喻概括：容易的实例，各自容易的方式都不一样。

25. 要解释深度学习，必须解释数据

• Moitra 说，此次发布的结果没有一项能解释深度学习或 LLM。眼下没有一个单独的已知界限，等着人们改进后就能突然解决这个问题。他认为，理论进展必须伴随对数据生成世界的更好建模，而不能把学习视为一个孤立的最坏情形优化问题。

• 据他说，即便拟合一个深度为 4 的网络，在特意构造的实例上也可能是密码学意义上的困难；然而从业者却能日常训练更深的网络。他谨慎提出一种解释：自然数据格外容易处理，“从某种意义上说，自然界厌恶计算上难解的问题。”难点在于明确究竟是哪种结构，让这种便利成为可能。

• 蛋白质折叠是他用来说明这一点的历史例子。先从氨基酸序列出发，应用不完美的折叠启发式，让成功折叠的序列存活下来。经过多代演化，种群最终变成这些启发式能够处理的样子。自然界未必在求解任意最坏情形输入；选择过程本身会塑造最终留下哪些输入。

• Moitra 将这一直觉延伸到语言：语言的演化及其可学习结构，与 LLM 为何有效密不可分。他希望理论机器学习学生接受训练，能够为复杂系统建立模型并加以批判，而不只是解决定义精确的开放问题。Fridman 提出企业可能会隐瞒自我改进方面的突破；对话没有确认这类未公开突破是否存在。

26. 潜意识学习会通过看似无关的数据传递偏好

• Moitra 描述了两个语言模型的具体实验。给模型 A 一个系统提示，告诉它自己喜欢猫头鹰，并且只要相关就要提起猫头鹰。让它生成随机数字——这项任务显然没有机会提到猫头鹰。然后用这些数字输出微调模型 B，后者从未接收过猫头鹰指令。

• 据称的结果是，模型 B 开始提起猫头鹰。重要的不是这种特定偏好，而是隐性迁移：在数据内容中看不到的行为，也能通过微调数据学到。Moitra 将其称为“潜意识学习”，并将其与对齐干预及其下游影响的不确定性联系起来。

• 他对低秩语言模型的研究提供了一种理解机制的思路。许多概念都处在一个维度少于概念数量的向量空间中，因此它们的方向不可能彼此正交。沿一个方向更新，会对其他方向产生微小影响；精心协调这些影响，便可能累积成看似毫不相关的行为变化。

• 他用通灵板打比方。单独看，每次敲击都像随机动作；但协调一致的敲击可以拼出预设信息。Moitra 将数学模型视为理解这些关系的有用解释，而不是语言模型的完整说明。当系统输出会影响形式化数学环境之外的人时，弄清它们会放大哪些统计模式尤其重要。

27. 部署边界应由可验证性和后果决定

• Brunton 用两个维度评估应用：输出有多可信、可验证，以及一旦出错会有多大代价。数学证明很有吸引力，因为它可以被核验，候选证明失败也不必直接伤害任何人。开放式设计探索同样可以先容忍失败方案，再进行测试。

• 他举例说，空气动力学设计可以放进风洞评估。候选生成与实际应用之间，需要一道由现有安全机构和规程支撑的“防火墙”。危险在于，人们逐渐习惯 AI 帮上忙后，可能慢慢将其用于验证能力较弱、或出错代价很高的决策。

• Fridman 担心，智能体与工具及彼此快速交互时，行为会层层累积。他关于“猫头鹰蜂群灾难”的说法显然是戏谑，但底层担忧是人们会愈发依赖权限不断扩大的系统。Fridman 还警告：“超级智能不代表超级道德”；Kontorovich 赞同智能与价值观之间存在类似区分。

28. AI 辅导让独立判断更有价值

• Kontorovich 认为，让模型按照学习者的“最近发展区”解释陌生材料，具有巨大的教育潜力。学生若卡在论文第一句话，马上就能补上缺失背景。这对资深研究者同样有益：学习另一个领域依然困难，但个性化解释能大幅加速过程。

• Fridman 偏好的方法，是要求 AI 给出简单、互动且保留核心洞见的例子。调整参数或操纵玩具模型，可以让陌生符号变得容易理解。Brunton 补充说，前提是好奇心必须伴随“识破胡说”的能力。学习者需要具备某种指导判断力，尽管他们还未掌握通常与指导能力相伴的专业知识。

• Kontorovich 观察到本科生的使用方式呈两极分化。有人用 AI 追问笔记、检验理解、生成测验；另一些人则让它直接给出习题答案。他说，作业进度与考试成绩之间的相关性正在减弱。他建议把工具用于掌握知识：“做分布中的头部，不要做尾部。”

• 计算器的类比说明，基础知识仍值得掌握。能把计算外包出去，不代表自己理解计算就失去了价值。Kontorovich 建议纯数学博士生尽可能学习自己能掌握的最难、最抽象的数学；Brunton 也建议学习线性代数、微积分、物理和历史。即使辅助工具唾手可得，独立性和积累起来的直觉仍然重要。

29. 当职业路线图失灵，内在目标更有用

• Moitra 区分了为了给别人留下印象而做数学，与拥有继续下去的内在理由。外部里程碑可以让人起步，却终会耗尽。当发表和招聘规则都变得不确定时，知道自己重视什么，比机械地产出 AI 论文来扩充履历更能指引方向。

• 他建议做一个练习：“假装你已经赢了”，然后问自己会选择做什么。他回忆 Sanjeev Arora 在 MIT 入职时给的建议：获得终身教职最容易的办法，就是假装自己已经拿到终身教职，去做原本想做的研究。Brunton 提供了互补框架：寻找既重要、有趣，又适合自己能力的工作。

• Fridman 明确指出，3 位成功研究者给出的建议存在幸存者偏差。嘉宾无法保证每个人都能找到令人满意的道路。他们的回应是保持好奇、容忍不确定性，并在参与社群的同时留出空间给非典型兴趣。当注意力经济持续争夺同一份好奇心时，无聊感和持续专注也同样重要。

• Kontorovich 将研究成就放在人生整体中看待。费马形式化结果令他震惊后，他带孩子去海边，放下手机。他说，家人和自己在乎的人“就是我生命的意义”；科研带来的满足感则是“锦上添花”。Fridman 将这一区分联系到一个智能日益商品化的未来。