AI 时代的正确打开方式：把繁琐交给机器，把好问题留给自己
1. 引言
陶哲轩在 2026 年 IPAM 大会上的主旨演讲与 Quanta 杂志的深度报道，勾勒出一条清晰的 AI 协作范式：不是 AI 取代人，而是重新定义"人该做什么"。本文整理其中的协作模式，提供一套可直接套用的实践框架。
2. 问题
AI 能力不断提升，但一个普遍困境出现了：用 AI 处理任务，感觉"快了，但总差点什么"——要么太浅，要么有错，要么方向偏差。问题不在于 AI 本身，而在于边界模糊：不清楚什么该交给 AI、什么必须保留给人。
如果不知道边界在哪里，就永远不敢真正放手。
3. 排查路径
通过整理陶哲轩的演讲内容，AI 协作可拆解为五个关键维度：
第一步：分类——明确哪些工作 AI 能高效完成，哪些必须由人负责。
第二步：成本分析——探索成本降低后，更多以前不敢尝试的方向变为可行。
第三步：净收益思维——不追求单个任务 100% 完美，而是"省下的时间 > 浪费的时间"。
第四步：验证机制——AI 可能生成"看起来很 polished 但隐藏着薄弱步骤"的论点，需要形式化验证工具（如 Lean）或交叉验证来逐行检查。
第五步：稀缺转移——随着 AI 把常规解题的成本降低，稀缺技能变成了：选择好问题、设计工作流、检查结果。
每一步都在重新定义"人在什么节点上不可替代"。
4. 核心原理
AI 是副驾驶，不是取代者。 核心在于三个认知转变：
-
探索成本革命： 以前花几小时才知道一个思路行不行，现在几分钟让 AI 跑一下。探索成本低了，敢试以前不敢试的东西——这是效率提升背后最重要的转变。陶哲轩在 OpenAI Academy 演讲中对此有明确表述。
-
净收益思维： 在数学和理论物理领域，“省下的时间比浪费的多”。AI 不是一个 100% 完美的工具，而是一个净收益为正的工具。接受不完美，追求总体收益。
-
稀缺技能正在转移： 随着 AI 把常规解题的成本降低，真正值钱的能力变成了——选择好问题、设计工作流、检查结果。
5. 最终方案
一份"省时间 > 费时间"清单：
应该交给 AI 的（省得多）：
- 搜索 + 总结（文献、新闻、资料）
- 翻译 + 润色
- 代码生成 + 调试
- 文件整理 + 目录管理
- 常规计算 + 数据处理
- 格式修正 + 错别字检查
应该自己判断的（AI 做不好）：
- 选题和方向
- 核心创意和策略
- 重要决策
日常分工模式：
人类的职责：
- 明确问题（清晰表达需求）
- 把任务分配给 AI
- 审查结果（打标签、挑选项）
- 做关键决策
AI 的职责：
- 检索 + 整理信息
- 生成方案 / 代码 / 文档
- 多尝试几个方向供选择
- 迭代修正
三个习惯：
- 关键信息交叉验证（搜索、查原文）
- 代码先模拟 / 小数据测试
- 自己过一遍核心逻辑
一句话总结： 把 AI 当成一个"很快但偶尔会错"的研究助理，花时间审查结果，比自己从头干更快。
6. 可迁移经验
这个框架不只适用于学术科研，任何需要大量信息处理的工作均可套用：
- 产品经理：用 AI 跑竞品分析、用户调研，自己负责产品方向和优先级判断
- 创业者：用 AI 做市场调研、商业计划书初稿，自己判断市场窗口和团队组建
- 程序员：用 AI 生成样板代码、跑测试，自己负责架构设计和核心算法
- 写作者：用 AI 做资料搜集、初稿生成，自己负责观点、风格和最终把关
通用公式：低成本探索 + 高价值判断 = 更大的创新空间。
当 AI 把"做"的成本降到接近零，“想"的价值就会指数级上升。不是人离不开 AI，而是好想法离不开验证——而验证，现在可以很快。
参考来源
陶哲轩 IPAM 大会演讲 & 相关报道：
- YouTube 视频 — 陶哲轩 IPAM 主旨演讲实录 (2026.02.10)
- mathinstitutes.org — 同场演讲存档
- IPAM 官方页面 — AI for Science Kickoff 2026
- OpenAI Academy 博客 — “AI is ready for primetime in math and theoretical physics” (2026.03.06)
深度报道：
- Quanta Magazine — “The AI Revolution in Math Has Arrived” (2026.04.13)
- Nature — “‘The job description is changing’: mathematician Terence Tao on the rise of AI” (2026.04.27)
- The Atlantic — “The Edge of Mathematics” (2026.02)
- Daily Maverick — “Crossed Wires: What does the world’s greatest living mathematician think of AI” (2026.05.03)
核心来源为 #1–4（IPAM 演讲 + OpenAI 总结）与 #5（Quanta 深度报道），其余为延伸报道。