Terence Tao: Nobody Understands Why AI Actually Works (2025-12-31, glm-4.7-flash)

Terence Tao 访谈深度研报：AI 是完美的鹦鹉，还是数学本能的量化？

1. 导读

加州大学洛杉矶分校（UCLA）数学教授、菲尔兹奖得主陶哲轩（Terence Tao）在本期访谈中围绕人工智能与数学研究的结合展开了深入探讨。讨论核心聚焦于大语言模型在形式化推导中的真实能力边界、连续物理变量与离散神经网络之间的结构性差异、形式化验证工具对数学研究范式的重塑，以及研究者在自动化工具辅助下角色的转变。

陶哲轩指出，当前大模型擅长生成符合语法与学术规范的推导文本，但在缺乏形式化验证约束时，模型难以自主保证多步推导的逻辑严密性。研究者的工作重心正逐步从“从零构造推导细节”转向“设定形式化约束并审查机器输出的有效性”。

2. 核心观点

陶哲轩的核心判断在于：大语言模型在本质上是基于高维概率分布的语言关联匹配工具，其推导输出体现为文本模式的高效重构，而非基于底层公理规则的确定性推演。在严谨的数学与物理研究中，必须将概率模型与形式化逻辑验证系统相结合，才能发挥其真正的辅助价值。

• 模型在预测前向物理推导时存在结构性边界 在探讨大模型对物理世界的理解时，陶哲轩提及了关于前向预测的检验思路（例如依据既有观测数据推演未知物理轨迹）：即使接入专业科学数据库，纯语言模型在处理连续时空物理系统时依然容易出现逻辑断裂。模型倾向于将连续变量强行离散化为 Token 序列，而离散化处理容易破坏连续动力学系统背后的内在几何约束与微分守恒律。

  • 底层逻辑： 现有神经网络的核心是高维向量空间中的统计相关性拟合，并不等同于物理因果逻辑与连续演化方程的内生运算。
  • 案例支持： 尝试利用模型处理行星轨道数据时，缺乏显式微分方程约束的神经网络难以仅凭历史拟合准确捕捉长期轨道摄动的演化特征。

• 数学语言追求极致压缩，与自然语言的冗余特征存在本质差异 人类数学语言在演化过程中形成了高度精简、严密的符号体系，其目标是以最小的公理集合与符号开销准确刻画现实结构的内在规律。与之相比，自然语言保留了大量上下文冗余与多义性，这虽然提升了日常交流的容错率，但在严格的形式化证明中却极易引入歧义。

  • 底层逻辑： 数学在自然科学中的有效性源于其符号系统对现实规律的极高信息压缩比。大模型基于自然语言语料训练，其内在的概率平滑机制与数学推导所要求的零容错确定性存在张力。
  • 案例支持： 理论物理中借助几何语言统一时空描述的历史表明，数学结构的精简与对称性往往对应着物理现实的守恒特征。

• 研究者的核心职能正从“手工计算推导”转向“形式化设定与逻辑审计” 伴随 AI 工具在常规推导与文献检索中的渗透，高等数学教育与研究工作的重心正在发生迁移。陶哲轩指出，未来的核心技能不再是记忆标准解题步骤，而是如何精准表述问题并审查机器生成的步骤是否存在隐蔽漏洞。

  • 底层逻辑： 当生成代码与文本的成本趋近于零时，验证与审计输出正确性的能力构成了真正的专业门槛。研究者需要具备敏锐的数学直觉，能够快速定位证明链条中的跳步与伪逻辑。
  • 教学实践： 在实验性研讨课中，陶哲轩尝试让学生利用 AI 生成解答，再通过反例构造与逻辑挑错来训练学生的审慎批判思维。

• 随机性与伪随机性的结构特征对模型构成挑战 在讨论数论与分析学时，陶哲轩强调了数论对象（如素数分布）所具备的“伪随机”特征——素数虽然在局部呈现类似随机噪声的分布，但全局却严格遵循深层的确定性规律与周期性约束。这种兼具结构性与离散分布特性的数学对象，很难被平滑的统计模型简单归纳。

  • 底层逻辑： 真实物理世界中的统计涨落与纯数学构造中的伪随机序列在分布度量上存在精细区别。黑盒神经网络在缺乏形式化先验引导时，容易将复杂的深层结构误判为纯粹的随机噪声。
  • 案例支持： 在低维拓扑与纽结理论的辅助研究中，神经网络通过计算拓扑不变量帮助数学家发现潜在关联，但最终建立定理依然依赖数学家人工引入严格的公理约束与形式化证明。

3. 批判与质疑

从技术落地与科学哲学的角度审视上述观点，存在若干值得进一步探讨的问题：

首先，将“理解”与“概率统计”绝对对立的二元划分面临理论挑战。 尽管当前的自回归模型存在幻觉风险，但认知科学与神经生物学研究表明，生物大脑皮层的神经元信号传递同样具备显著的概率与统计特征。将大模型的推导能力完全贬为“无意义的关联匹配”，可能忽视了复杂神经网络通过多层表征自发形成的隐式世界模型雏形。

其次，依托形式化验证（如 Lean）的辅助工作流在工程规模上面临转化成本。 陶哲轩高度推崇形式化语言对数学推理的严格保障，然而将自然语言形式的传统数学证明翻译为计算机可执行的机器证明代码（Formalization），其学习门槛与时间成本极其高昂。如果每一个 AI 辅助结论都需要耗费大量专业人力编写形式化规约，该工作流在短期内难以普及到更广泛的中小型科学研究项目中。

最后，关于“数学即语言极致压缩”的本体论争议。 将数学定律视作信息论意义上的压缩机制，偏向经验主义与构造主义视角。部分物理学家认为，数学结构具有独立于人类认知和信息编码的客观实体属性，单纯从信息压缩角度解释数学与物理的契合性，可能低估了自然界本身的客观对称性。

4. 行业视野

这场关于科学与计算工具的对话，呼应了科研范式演进的历史脉络：

从科学史来看，AI 辅助数学推演与历史上对数表、微积分符号发明以及数值模拟计算机的引入具有相似性。每一次计算工具的飞跃，都会将人类研究者从繁复的机械计算中解放出来，促使学术共同体将精力聚焦于更高层次的抽象构想与猜想提出。陶哲轩早年在“压缩感知（Compressed Sensing）”领域的研究本身就证明了：在掌握内在稀疏性与几何先验的前提下，有限的观测数据完全可以重构高维信息，这一理念直接启发了现代高效计算与图像恢复技术。

在当前的 AI 技术路线之争中，陶哲轩的观点体现了形式化方法与数据驱动深度学习的融合趋势。纯粹的连接主义模型具备强大的模式发现与发散联想能力，而符号形式化系统（如交互式定理证明器）则提供了不可动摇的逻辑兜底。将大模型作为猜想生成与搜索引导模块，结合形式化验证内核进行闭环裁剪，正成为前沿 AI for Science 最具前景的工程范式。

5. 启示与建议

对于科学研究与算法研发人员：

• 推进“生成模型 + 形式化验证器”的双系统架构： 在涉及高精度计算、物理建模或算法设计的任务中，避免依赖纯端到端大模型的直接输出，应引入形式化验证环境（如 Lean、Coq 或自动化单元测试框架）构建推导结果的闭环校验。
• 审慎处理连续动力学系统的建模： 在涉及微分方程、流体力学与时空演化的物理场景中，应采用物理信息神经网络（PINNs）或保辛几何积分器，确保模型结构内生遵循连续物理约束，避免单纯 Token 化带来的误差累积。

对于高校教育与技术培训设计者：

• 从考核推导过程转向考核推导审查： 在高等数学与计算机基础课程中，增加针对 AI 输出的反例构造、边界条件挑错与逻辑漏洞审计题型，培养学生对机器推导结果的批判性判断能力。

对于数据架构与技术管理决策者：

• 重视数据的结构先验而非单纯的规模扩张： 借鉴压缩感知理念，高质量的数据构建不在于盲目抓取海量无序语料，而在于识别领域数据的本质自由度与低维流形，通过高精度的先验标注提升单位样本的信息密度。

6. 金句摘录

1. “Proof by contradiction… It’s actually a very intuitive proof technique, but you have to teach it the right way and sometimes kids can teach themselves.”

   • 译：反证法实际上是一种非常符合直觉的证明技巧，但关键在于用合适的方式去引导，有时孩子们甚至能自主领悟。
   • 语境： 陶哲轩在讨论数学直觉的培养时指出，逻辑推演的本质并不遥远，关键在于理解问题背后的内在矛盾。

2. “Primes … are not random. We believe they’re what’s called pseudo-random.”

   • 译：素数并不是随机分布的，我们认为它们属于所谓的“伪随机”。
   • 语境： 阐释数论对象的独特性，指出素数在局部展现出统计混乱性，但在全局尺度上受到深刻数学规律的严格约束。

3. “Mathematics can tell you what’s possible… It provided the theoretical limit.”

   • 译：数学能够告诉你什么是可能的……它划定了理论的边界。
   • 语境： 强调理论数学在工程与科学中的奠基作用——不仅提供解法，更在于标明物理和计算的不可逾越边界。

4. “We need to keep separate the real world and our models of the real world… you can have both your mathematical cake and eat it too.”

   • 译：我们需要将真实物理世界与我们为真实世界建立的模型严格区分开来……这样你才能既利用模型的实用性，又保持对现实复杂度的敬畏。
   • 语境： 提醒研究者不可将简化计算模型与客观现实等同，经典的近似模型即使在理论上不够完备，依然能在工程实践中发挥巨大价值。

5. “If you use them as a component of a more rigorous and grounded reasoning system… Only output in some verified language that you can verify.”

   • 译：如果你把它们当作更严格、更扎实的推理系统中的一个协作组件……只让它们输出那些能够被形式化验证的语言。
   • 语境： 陶哲轩给出利用大模型辅助科学研究的工程原则：将概率生成限制在确定性验证系统的闭环之内。