本文来自于： 陶哲轩访谈

访谈地址： Terence Tao – How the world’s top mathematician uses AI

数学家有时恰恰需要生活里的一些琐事，才能迸发出好想法。

一个科学问题的解决涉及许多步骤：识别问题、找到一个真正有价值的问题来研究、收集数据、制定分析数据的策略、提出假说、验证假说、撰写论文并进行解释。这里有十几个不同的环节。

开普勒用欧几里得几何和当时最先进的数学，将模型与数据进行拟合。每个环节都必须到位：数据、理论、假说生成，缺一不可。

如今很多新进展实际上是先从分析海量数据集开始的，这与过去科学的运作方式颇为不同。过去是先做少量观测，或者灵光一现有了某个想法，再去收集数据加以检验；而现在几乎是反过来的：先有海量数据，再从中挖掘规律。

真正的挑战是：验证、评估与筛选。

这要求我们彻底改变科学的组织结构。传统上，我们靠的是设门槛。在AI生成内容泛滥之前，虽然也有业余科学家提出各种宇宙理论，但大多数价值极低且数量可控。因此，我们建立了同行评审和发表体系，用来过滤信息、筛选出高价值的想法加以检验。但现在，AI可以大规模生成各种可能的解释，其中一些是好的，但大量是糟糕的、甚至是幻觉。人类评审员已经不堪重负。

许多伟大的想法在最初提出时并没有得到很好的反响，往往是后来其他科学家意识到可以将其推进、应用到自己的领域，它才被重新发现。

在科学史上，每当一个新理论出现，而我们事后回头看会意识到它是正确的，它往往会带出一些推论：要么毫无意义，要么是正确的但在当时看起来极不可信。

科学永远是未竟之业。

科学不只是创造新理论并加以验证，还要把它传达给他人。

表达的艺术、论证的能力、构建叙事的技巧，也是科学极其重要的组成部分。

AI擅长广度，人类擅长深度。两者高度互补。

当前的AI更像是在进行大量的试错和简单重复，本质上是蛮力。

伯林（Isaiah Berlin）曾将人分为两类：“刺猬”与“狐狸”。刺猬知晓一件大事，将其钻研得极深；而狐狸知晓许多小事，对万事万物略知一二。

写博客让我感到充满创造力且乐趣无穷。

我非常相信缘分的力量。我会精心安排一天中的某些时段，但也愿意留出一些空白，去尝试一些不那么寻常的事情。这看似可能在浪费时间，但也可能带来意想不到的收获。…我们失去的，是那种随手敲开走廊里同事的房门、或在咖啡间偶遇某人的时刻。那些偶发性的互动看似低效，实则至关重要。

回想我读研究生时，去图书馆查阅期刊文章，需要亲自找到那本刊物，坐下来阅读。在翻阅过程中，旁边那篇原本不在计划内的文章有时也很有意思。你会偶然发现一些有趣的东西，哪怕有时并非如此。

生活其实需要一定程度的“干扰”。我曾有一年在普林斯顿高等研究院（IAS）度过，那是一个没有任何干扰的绝佳之地，只需专注于研究。头几周非常美妙，我将积压已久的论文一篇接一篇地写出来，能够进行整块的深度思考。但超过几个月后，灵感开始枯竭，生活变得单调无聊，我开始大量上网消磨时间。

如果过度依赖AI破坏了科学探索中的偶然性和直觉，反而可能会抑制某些类型的进步。

未来将有更多的空间供人们纯粹出于好奇心去探索、去“玩耍”。

当然，获取学历资质依然重要，传统教育仍有其价值，用老方法打牢数学和科学基础也是必要的。但同时，你也应该对完全不同的科研范式保持开放。

这是一个令人忐忑的时代，但也同样令人兴奋。