最早接触陶哲轩讨论AI与数学家思维这个话题时我以为是又一轮“AI会不会取代人类”的焦虑讨论。看完他的一些访谈和文章之后我的判断变了他真正想说的不是AI能不能拿菲尔兹奖而是AI距离“靠数学直觉去发现问题、判断方向、选择工具”这件事还差得很远普通人反而可以通过学习顶级数学家的思维习惯在AI时代获得更大的主动性。这篇文章适合三类人看对AI能力边界好奇的人、正在学数学但经常卡住的人、以及想在职场里提升逻辑判断力的人。我不会逐句复述陶哲轩的话而是想把他关于AI与数学思维的核心判断拆成可以照着做的东西。1. 顶级数学家的思维不是算得快而是会选题1.1 数学思维的核心是“问题意识”很多人谈起数学家第一反应是“他们计算能力很强”。这个印象没有错但它不是关键。陶哲轩这类顶级数学家最突出的能力不是把一道已知题目算出来而是能在大量未知问题里判断出哪些问题真正重要、哪些问题有突破的可能、哪些问题现在碰不得。这种能力叫问题意识。它不完全等同于解题能力。一个做题很熟练的人面对已经写出来的题目可以按部就班地套方法。但真正的数学研究前一步是“题目还没有被写出来”。你需要自己从现象里提炼问题从类比里生成猜想从失败里调整方向。AI能做后面那些机械验证但很难替你做“决定研究什么”这一步。陶哲轩自己就在多个场合提到数学家最重要的资产是能感受到“什么东西是对的”。这种感受不是拍脑袋而是基于大量具体例子、长期沉浸、反复试错后形成的一种直觉判断。AI可以证明一个命题但很难判断这个命题值不值得证明。1.2 算得快只是副产品近几年大模型在数学竞赛题上的表现让很多人产生了错觉AI都会做数学题了人还有优势吗我不太认同这个方向。能做数学竞赛题和做数学研究是两回事。竞赛题的题面已经帮你排除了歧义你的任务是找到一条通往固定答案的路。AI擅长在海量模式里做搜索这种任务天然适合它。但研究数学时题面本身就是模糊的甚至在很多情况下你还没有一个严格陈述出来的命题。这两个任务的信息结构完全不同。一个会做很多题的人不一定具备数学思维。因为题目本身提供了方向、边界、目标你只需要在框架里优化路径。更接近数学思维的评价标准是在一个开放问题面前你能不能提出一个值得尝试的方向能不能意识到某个反例会杀死一个漂亮猜想能不能从不同领域之间找到关联。这些能力AI目前都没有真正学会。1.3 陶哲轩最常被忽略的一个观点数学是和人有关的我在读他的相关讨论时印象比较深的一个判断是数学本质上是一种人类活动里面包含品味、信念、沟通和共同体认同。证明当然要严格但数学不是一堆形式证明的堆积。他并不否定AI辅助证明的价值。事实上AI在形式化验证、大规模计算、搜索反例这些方向已经能帮上忙。但他的态度更接近“AI是强大的计算伙伴”而不是“AI会自动变成数学家”。这个细节很重要。因为很多人一听到“AI在数学上很厉害”就开始焦虑自己学数学有什么用。如果数学家自己也认为AI暂时无法替代人的问题意识和判断力那么普通人学习数学思维的价值就不应该被低估。2. AI究竟做到了哪一步又卡在了哪里2.1 目前AI在数学上的真实能力边界讲能力边界之前先明确一点AI的数学能力正在快速提升这一点不需要回避。它能做符号计算、能检查推导、能生成反例候选甚至能在某些竞赛级题目上拿出人类参考解法。但我更关心它做不好的地方。从很多实际测试和研究者反馈来看AI在给定规则、给定目标、给定评分标准的环境里表现不错。一旦跳到一个开放式环境它就开始露馅。比如让它从一组自然现象中提炼一个数学问题或者让它判断某个新提出的概念是否可能存在统一理论它会给出看起来很合理、实际上没有判断力的回答。这背后的原因并不神秘。大模型的核心能力是模式补全。它把一个预测下一个token的任务做得很好于是当你给它一个类似数学问题的输入它能组织出语法正确的推导。但语法正确不等于逻辑可靠更不等于它理解了自己推导的含义。2.2 AI的强项会误导人AI最厉害的地方是流畅。它能生成结构清晰、语气笃定的解题过程普通人不仔细检查根本看不出中间跳了几步。我在测试一些数学问题时遇到过这种情况让AI解释一个定理证明前大半段都很顺到最后一步突然用一个没有说明的前提。你追问它它会承认“这里需要额外假设”。如果你不追问就会把它当成标准证明。这就是流畅感带来的误判。对不需要高可靠性的场景这种回答用来找思路没问题。但对真正想建立严谨推理习惯的人不能把AI的“生成式答案”当作“验证后的答案”。AI最适合的角色是候选生成器而不是最终裁判。最终裁判仍然需要人做逻辑审查。2.3 从“会算”到“会想”之间隔着三层跳不过去的东西我把它总结成三层第一层是目标选择。面对无穷多个可能定理你会先证明哪一个这依赖对“重要性”的判断。AI缺少稳定的重要性模型。第二层是概念创造。数学前进一步往往不是算得更复杂而是发明了一个新的概念让原本复杂的东西变得简单。AI擅长在已有概念之间做组合但它很难凭空创造出一个能够重构整个领域的新定义。第三层是意义判断。一个数学结果为什么有意思它和其他领域有什么联系它能揭示什么结构这种意义感来自长期积累的全局视野AI目前还没有表现出这种能力。所以我的判断是AI能当数学家还有很多关键距离要跨越但作为工具它已经足够改变普通人学数学的方式。3. 为什么普通人反而可以学会这种思维3.1 AI缺少的是能通过训练获得的人类直觉有一个容易误解的点很多人以为数学直觉是天才天赋普通人学不会。但陶哲轩的观点里直觉更像是一种可训练的判断力它来自大量具体经验的内化。普通人和顶级数学家之间的差距更多来自接触问题的数量、持续思考的时间和有效反馈质量而不是不可逾越的天赋鸿沟。AI反而缺少这种“具身经验”。它没有在空间里移动过没有体验过“从一个思路撞墙后再绕路”的挫败感和跳跃感也没有身体对对称性、连续性、方向性的本能。人类在幼儿期就积累了大量几何直觉这种感觉很难被形式化但它恰恰是数学直观的重要来源。这听起来很反直觉AI拥有更强的计算能力但缺少的是更底层、更原始的身体经验。普通人拥有这些经验只是没有把它和数学思维连接起来。3.2 顶级思维不是“天才专属”而是一套可拆解的动作我越来越倾向于认为所谓顶级数学思维可以拆解成一组可训练的动作。这串动作大致是提问、举例、简化、画图、类比、反例、严格化。遇到一个抽象问题顶级数学家不会直接去硬推而是先找特例。特例跑通了再观察规律提出一个猜想。然后试着从特例拓展到一般情形。整个过程充满了画图、尝试、错位、重来。普通人也可以按同样的动作流程走一遍差别只在于熟练度和问题难度。所以“普通人可以学顶级思维”不是说普通人都能成为菲尔兹奖得主而是说这些思维动作是能被练习的。你不需要回到研究生阶段只需要在平时的阅读、工作、写作中有意识地把这套动作使用出来。3.3 普通人最容易被低估的杠杆长期记忆和主动反思AI还有一个暂时做不到的事情它不会“记住自己卡住过多久”。人在解题时卡住了痛苦一段时间某一天突然想通了这个经历会长期留在记忆里。下次遇到类似结构你会不自觉地警觉知道哪个位置可能有坑。这种“基于自我历史的直觉”是AI不具备的。AI可以记住所有训练数据但它没有你自己犯过的错误史。它也不会有“我上次在这里栽过跟头”的身体记忆。恰恰是这个差异让普通人的主动反思变得非常有价值。只要你能记录自己的错误、复盘自己的卡点、提炼自己的判断规则你就在积累一种AI无法替代的个性化直觉。4. 从菲尔兹奖得主身上提炼出的四类可复用习惯4.1 先找最小例子再做一般化陶哲轩在做数学研究时的一个习惯是找最小非平凡例子。最小是什么意思就是既保留问题的核心困难又移除无关复杂度。比如研究一个高维问题先看一维或二维能不能成立研究一个多参数问题先固定大部分参数只看一个参数的变化。普通人在面对复杂问题时最容易犯的错误是一上来就想整套方案。更好的做法是先构造一个最小版本把条件砍到不能再砍把规模降到最小先把这条路径从输入到输出跑通。跑通之后再逐步恢复条件看每个条件带来的变化。这个习惯不仅可以用于数学也适用于编程、写作、项目管理几乎所有复杂问题都能用“最小化优先”来降低起步阻力。4.2 主动制造“卡住”再记录卡在哪里很多人的学习习惯是尽量避免卡住。看书不懂就换个地方看视频视频不懂就换一本书。这种学习方式可以扩展见识但无法形成真正的深度。顶级数学家几乎都经历过长时间卡在一个问题上的状态。卡住不是坏事它会逼你把已知的方法全部梳理一遍也会让你在思维深处不断翻找。真正有效的信息往往是在这种紧张检索过程中被激活的。我的建议是每周选一个稍微超出当前能力范围的问题故意不查答案先自己硬想一段时间。不需要想通只需要认真卡住一次然后把卡住的位置记录下来。记录格式可以是我在哪一步出了问题、我尝试了哪些方法、哪个方法让我以为有希望、最终为什么又走不通。这份记录的价值比做十道题还要大。4.3 写下来的过程比读十遍有效读证明的时候人会产生一种“我已经会了”的错觉。因为每一步单独看都能理解。但合上书之后你很可能无法把整个推理链条重新搭起来。数学思维本质上是“用手思考”。你写下来的过程才是真正让思维显影的过程。陶哲轩自己在科研里会大量写笔记。不是整理好的正式论文而是手写的、零散的、带箭头和涂改的思考痕迹。这些乱七八糟的草稿比最终论文更接近真实思维。普通人不需要模仿他的草稿风格但一定要建立自己的推导日志。哪怕每天只写三百字坚持一个月你会明显发现逻辑链条的完整度在提高。4.4 用“解释给别人”来检验理解衡量你是否理解一个数学概念有一个很现实的标准你能不能把它讲给一个没有背景的人听并且让对方产生直观感受。很多人的理解停留在术语层面。他能说出“完备性”“紧致性”的定义但说不清为什么要关注这些性质也说不出一个具体例子。这种定义式理解在应对考试时勉强够用在面对真实问题时会立刻失效。顶级数学家的思维里很重要的一环是用类比把抽象概念翻译成具体画面。解释给别人就是逼自己做这种翻译。AI其实可以当一个初始观众你可以先把手头的解释发给AI让它替你检查是否有自相矛盾。但最终还是要找一个真人来听。真人会追问会打断会指出你跳过的逻辑这种反馈是AI暂时替代不了的。5. AI时代普通人可以这样训练数学思维5.1 先把自己当成问题的主人而不是AI的监督员我发现一个普遍现象很多人用AI学数学只是把AI当成解题器。题目丢进去答案出来复制粘贴完成。这种用法有一个隐性问题你会慢慢失去提出问题的能力。如果你想训练的是数学思维就必须先让自己成为问题的主人。在把问题丢给AI之前先做三件事第一用自己的话描述一遍问题。描述不清楚的地方就是你没有理解的地方。第二先给出一个自己的尝试。哪怕很笨哪怕只有方向也先写下来。这个尝试可以是一个特例可以是一个不成熟猜想也可以是一步计算。第三带着具体问题去问AI而不是说“帮我解一下”。比如问“我这样推导在第几步有问题”“这个特例能否说明一般情形不成立”。这套流程更像在驾驭工具而不是被工具牵着走。5.2 一个可以照着用的五步训练流程我一般会把数学思维训练压缩成五个步骤适合平时时间有限的人。第一步选一个短问题。不需要多难高中数学题、大学课本习题、甚至编程题都可以。关键是问题范围清晰能在半小时内完成一次完整思考。第二步先不看任何参考自己写出尝试过程。写不完整也没关系写到卡住为止。第三步记录卡点。写下你当时卡住的位置以及你尝试过的所有方向。第四步再借助AI或教材补全。当参考来源给出完整答案后对照自己的卡点找出差异在哪里是概念没理解是方法没接触过还是某一步逻辑顺序错了。第五步一个星期后用自己的话把它重新讲一遍。能讲清楚的人说明真的吸收讲不清的人回到第二步重新来。这个流程的核心不是做题而是让每一次学习都经过“主动尝试→被动卡住→对比差异→复盘重讲”的完整闭环。5.3 用AI当陪练的正确姿势AI在数学训练中的价值不在“给答案”而在三个方向方向一帮你生成反例。当你说“这个命题好像有问题”时可以让AI试着构造一个反例。如果AI找到了反例你的判断就得到了验证如果没找到也不要立刻相信需要再继续推。方向二帮你检查推导步骤。把完整的推导交给AI重点不是让它重新演算而是让它指出哪些步骤缺少假设。你需要在它给出的检查结果上再做一次人工复核。方向三帮你换一个角度看问题。你在某个证明里卡住时可以让AI用更具体的例子来解释某个抽象步骤。这种解释不一定完全准确但可以给你提供一个新的联想入口。要注意AI生成的数学内容并不保证可靠。把它当成有经验的讨论对象而不是权威结论源。每次拿到AI给出的结果都要做一次“这个结论能否在特例里成立”的快速验证。5.4 复盘清单如何判断自己的思维真的进步了没有反馈的训练很容易变成自我感动。我建议你定期用下面这份清单做复盘检查项判断标准如果不行问题描述能不能在不看题面的情况下用自己的话说清问题在问什么重新提炼问题去掉无关细节尝试记录有没有写下至少一个自己的尝试方向说明还停留在被动接收先强制自己输出卡点记录能不能指出具体是哪一步让自己卡住卡点模糊等于没有真卡住换更难一点的问题答案验证能不能判断AI给出的答案是否可靠找一个特例代入验证末尾结果是否符合直觉一周复述能不能把一个证明思路完整讲给另一个人回到流程图找到缺失环节只要这五项里有三项能稳定做到你的数学思维就比只刷题的人高出一个档次。因为你在训练的不是“计算能力”而是“从混乱中建立秩序的能力”。6. 最容易踩的坑和判断标准6.1 坑一把AI的“流畅输出”当成“理解真相”AI生成数学内容时天然会追求连贯和流畅。它会把不确定的部分用模糊措辞带过也会在缺少前提的情况下给出一个结论。如果你的目的是学习这种流畅反而是一种障碍。它会让你误以为推导已经完成实际上中间有断裂。我常用的对抗方式很简单不看AI的最终答案只看中间步骤。凡是没有明确前提的跳步全部要求补充。如果AI补不出来这个结果就不能进自己的笔记。学习时的判断标准不是“答案对不对”而是“推理链路是否完整可复述”。6.2 坑二跳步训练沉迷“深度学习算法”而不碰基础题A嗯这位是你刚才提到的我特别喜欢的作家。我给你介绍一下。 B好啊。 A你好我是你的粉丝。你的每一本书我都看过。 C谢谢谢谢。这是我刚写的新书送给你。 B哇我也想要。 C这本书送给你吧。 B谢谢。6.3 坑三把“看过证明”当成“会用思维”看证明和会证明是两种完全不同的状态。看证明时你只是在跟随别人的思路合上书之后你的大脑有没有形成自己的推理路径才是关键。数学思维不是靠看出来的要靠闭上眼睛重推一遍。我建议把每一个学过的定理都当成一次“演出”先看一遍标准证明然后把书合上自己从头到尾把它写出来。哪里断了就回去再看那一段。重复三次之后这个证明才真正属于你。6.4 怎么判断自己是否真的在进步有些人练了很久却说不清自己进步在哪里。我觉得可以用四个信号来判断。信号一你能更快地发现问题的关键条件。拿到一个陌生问题不再急于套方法而是先判断哪些条件决定了解法方向。信号二你能说出“为什么这个方法不适用”。这个信号比“会多种方法”更值钱。因为知道边界说明你开始理解方法背后的结构。信号三你不怕卡住了。卡住之后不再恐慌而是知道记录卡点、换个方向继续尝试。信号四你能从AI的错误里学到东西。当AI给出一个错误推导时你能指出错在哪一步并且解释为什么错。这说明你的判断力已经超过了AI的流畅感。如果这四个信号都出现了你不需要任何奖项来证明自己。你的思维方式本身已经完成了从“做题”到“思考”的转身。踩过几次之后我发现很多人在AI面前感到焦虑是因为把“信息获取速度”当成了“思考能力”。陶哲轩提醒我们的其实是一件事AI再快也代替不了你提出问题、选择方向、判断意义的能力。这些能力不是天才专属它们可以被练习也值得被练习。哪怕每天只训练半小时长期坚持下来你都会看到真实的变化。