下载客户端

《学会与AI共存》对话数学家丹尼尔·利特（Daniel Litt）——Numberphile播客by 布雷迪·哈兰（Brady Haran）

2026-11-07 12:00

来源：澎湃新闻·澎湃号·湃客

听全文

《学会与AI共存》对话数学家丹尼尔·利特（Daniel Litt）——Numberphile播客by 布雷迪·哈兰（Brady Haran）

来源播客：Numberphile

播客主：布雷迪·哈兰（Brady Haran）

今天我邀请到丹尼尔·利特（Daniel Litt），一位美国数学家（在加拿大任教）。在我看来，他属于对AI革命持乐观态度的那一派。他有不少很有意思的思考，我想在这里分享出来，供大家参考。

另请参阅：

专访丹尼尔·利特（Daniel Litt）：数学家还剩下什么？——信息瓶颈播客2026-10-20

数学家心声：Daniel Litt丹尼尔·利特《数学的一个新开端》2026-9-14

数学家丹尼尔・利特（Daniel Litt）创建的数学未解难题网站正式上线——ProblemsILike.com

巴别图书馆中的数学——多伦多大学数学家丹尼尔・利特（Daniel Litt）再谈AI人工智能与数学研究的未来

专访数学家Daniel Litt（丹尼尔・利特）：AI人工智能的数学能力或长期处于不均衡发展状态（上）

专访数学家Daniel Litt（丹尼尔・利特）：AI人工智能的数学能力或长期处于不均衡发展状态（下）

我们的对话发生在OpenAI发布那份备受热议（也饱受争议）的纳维-斯托克斯证明之后，十月初那批大规模批量证明成果放出之前。这段时间差并不会改变丹尼尔核心观点，但我希望大家能了解完整背景。

受访人：丹尼尔·利特（Daniel Litt）

丹尼尔·利特：我是一名数学教授，主要研究代数几何与数论。平时大多在多伦多大学任教，这学期我在哈佛访学。和大多数数学教授一样，我很多时候就只是放空发呆，思考问题。

大体来说，我的研究目标是搞清楚数和形之间有什么样的关联。落实到具体工作上，就是研究由多项式方程组的解集定义出来的几何图形，去理解这些几何性质，和方程组解的算术性质之间有什么联系。

主持人：你的研究是不是非常依赖图像化思考？你会经常在纸上画三角形、几何图形吗？还是说，等问题进入你的脑海时，就已经全部转化成数字和方程了？

丹尼尔：我确实是偏向图像化思考的人。

但我研究的对象大多是高维的，很难直接画出来。所以我常常画一些简化草图，可能看起来就像一块带几条线的椭圆形。这张草图里的某些特征，用来捕捉底层几何结构的某一部分。我很少能亲眼看到我研究的那些几何体，不过最近倒是有几次这样的机会。

主持人：那教学占你工作多大比重？你会花很多时间培养下一代研究者吗，还是你的工作重心更多是独立做研究？

丹尼尔：我很喜欢教书。

这学期我没有授课，但正常情况下我每年会带两到三门课。最近带的大多是高阶课程，面向高年级本科生或者研究生。指导学生算是我工作里最喜欢的部分之一。不过我上过的最满意的一门课，是给大一新生开的证明入门课。我授课量不小，而且真心喜欢教学。

主持人：你的研究里，多少时间是独自坐着发呆思考？多少时间是和合作者一起讨论、站在黑板前推演？你的研究日常是什么样的？

丹尼尔：这个问题很好。

我最近大概十篇论文都是和合作者一起完成的，我非常享受和别人一起研究数学。一般我们每周会面一两个小时，其余大部分时间，就是各自对着黑板、纸笔独自琢磨。我算是比较喜欢交流的数学家，和别人讨论数学，是我开展研究很重要的一环。

主持人：回顾你的学术生涯，那些重大突破、灵光一闪的时刻，那种“哇，我做出很棒的成果了”的瞬间，大多是独自思考时出现的，还是和别人讨论的时候？灵感火花一般在哪种场景迸发？

丹尼尔：大多是和别人交流的时候。

和别人聊数学，我更容易想通问题。典型情况是：我和合作者各自埋头研究一周，毫无进展；等到碰面的时候，互相讲清楚自己卡在哪一步。在解释的过程里，思路一下子就清晰了，原本卡住的壁垒就打通了。当然也有独自取得进展的时候。

我印象很深的一次：我发现自己论证里有一处漏洞，之后要开车一个半小时去别的地方。出发大概十五分钟的时候，我突然想到修补这个漏洞的办法，接下来一个小时十五分钟的车程我完全没有印象。现在回想起来，那次开车其实挺危险的，但抵达终点的时候，我已经想好怎么修正证明了。

主持人：你当时没有靠边停车记下来吗？不担心转头就忘掉？

丹尼尔：我基本就是自动驾驶式开车，脑子全在想证明。

数学圈里也有类似的有名轶事：芝加哥有位数学家载别人开车，会故意把挡风玻璃弄起雾，直接在上面演算。说到底，千万别和正在思考数学的数学家同车。不过这也是灵光乍现的一种方式。

主持人：你还有别的思考小窍门吗？举个例子，我自己很喜欢洗澡、泡泳池的时候思考，很容易冒出想法。你有没有偏爱用来思考的地点、散步或者静坐的习惯？

丹尼尔：当然有。如果完全卡住了，我最常用的办法是躺在沙发上闭眼。我不是睡觉，我在做数学，高强度思考。另外有时候我会打15–20分钟电子游戏，这个办法也很管用。

主持人：必须问一句，你现在常玩什么游戏？

丹尼尔：《杀戮尖塔2》，非常好玩，强烈推荐。我没有收到Metacritic的推广哈。

主持人：我没听过这个游戏。【笑声】

接下来我们聊聊AI。首先想问问你和AI打交道的历程。我想了解，AI刚慢慢进入数学领域的时候，你是什么状态？是抵触，还是慢慢接纳？在你的学术生涯里，你和AI的关系是怎么一步步变化的？

丹尼尔：我关注AI很久了，最早开始尝试是2022年，那时候GPT-3刚出来不久。当时能体验它的渠道是一款叫《AI Dungeon》的文字游戏，相当于DND桌游，GPT-3充当地下城主讲故事。我一般会扮演一名数学教授，试着让它做数学题，这是我当时能接触GPT-3的方式。

主持人：你不是为了推进研究，只是想看它处理数学的能力怎么样？

丹尼尔：对。

2022年的时候它准确率很差，就连两位数加法都经常算错，完全谈不上实用。之后GPT-3正式推出，我试着让它写证明，就是高中证明课那种基础命题，比如费马小定理。我持续试了很久。说实话，当时行业热度很高，很多宣传夸大了能力，和它真实水平不符。GPT-4可以运行代码，计算任务靠谱一点，但它的推理能力，远远达不到宣传里说的水平。

推理模型是2024年9月第一批上线的，从这时开始才算真正有点用处。它一般解不出有意思的开放难题，但可以用来学习一个领域、做文献检索。我第一次真正在研究里用上大模型，是去年2025年夏天这一代推理模型。我用它学习超凯勒流形相关知识，对我的研究很有帮助。

主持人：是用来学习已有知识，还是去攻克前沿难题？

丹尼尔：我当时在研究一类特定的超凯勒流形，这个方向我并不熟悉，只是略有了解。

除了课本、论文之外，我试着用AI辅助学习，体验挺有意思。但那时模型错误很多，经常90%内容正确，藏着一处漏洞，逼着我时刻保持警惕，仔细甄别错误。直到现在，文献检索、辅助学习，依然是我最主要的两种用法。

它像一个超强语义搜索引擎：我可以直接描述我的想法，问有没有相关研究。有时候它能帮我找到一些冷门方向的文献，那些领域用词和我熟悉的体系不一样，用谷歌检索很难搜到，这点特别好用。直到不久前，我很少直接让AI去证明一条引理。

当然，早在今年一月，公开模型就已经证明过一些有意思的猜想。但这更像是霰弹枪式打法：海量猜想里，它碰巧解决了极小一部分。单独拿一个问题去问，大概率指望不上。不过现在情况开始变了，现在我想证明一条引理，模型大多可以完成，甚至做得更多。

主持人：给外行解释一下，你随口说“证明一条引理”，听起来好像不是很难？引理是低阶的数学结论吗？

丹尼尔：我不是轻视模型能做到这件事。

像纳维-斯托克斯这种知名猜想，和引理不是一个量级。引理一般是为了证明更大结论，中途需要证明的小结论。更大的结论我们根据情况叫定理或者命题。当然现在模型也能证明定理。难度高低取决于研究领域、问题本身，还有研究者个人。

对我来说，很少出现这种情况：我知道一条定理或者引理的陈述，但完全不知道怎么证明它。这种情况当然有，但不多。我通常是先有一个不够严谨的想法，或者观察到某种现象，在理解这个现象的过程里，同步推导出定理陈述和对应的证明。

主持人：有没有已经发表或者正在撰写的论文，AI有一定贡献，帮你分担了一部分思考工作？

丹尼尔：正好有一篇已经发表的，还有一篇在写，算是很有意思的案例。

四月份我发了一篇论文，里面两条引理的论证分别由Gemini DeepThink和谷歌DeepMind的内部模型Aletheia完成，Aletheia是Tony Feng搭建的框架。

故事很有意思：这篇论文的主定理，我们在前一年12月就证完了，那时候AI还没法有效处理代数几何问题。我和合作者只是对中间几条引理的表述不满意。就像建好一栋房子，发现里面几根承重的墙体有点不稳，想要加固。不是担心正确性，只是觉得表述不够理想。

举个例子：我们有一个很难实际计算的大型矩阵，我们确定它存在，想求它的行列式、秩。我们只知道秩至少是50，想确认它是不是刚好等于50。我们本来只需要“秩≥50”这个结论，但如果能确定精确值当然更好。

当时顶尖模型没法直接给出答案。我们自己算了很多例子，找到了一个更好的猜想式解释，说明为什么秩恰好是50。有了这个优化后的表述之后，Gemini DeepThink直接证明了这个解释成立。

主持人：也就是说，不只是单纯靠算力，你也借助了它的推理能力？

丹尼尔：没错。

这里有个很值得琢磨的点：现在你直接让顶尖模型去证明“这个矩阵秩等于50”，GPT6也能做到，会输出一份长达十页、繁琐枯燥的计算证明。但它不会找到我们提炼出来的那个更优美的解释，我也不知道怎么引导它产出这种洞见。这里面就丢失了一些东西。

说实话，我本来就知道这种十页长的蛮力论证在理论上可行，只是我自己实在不想花精力去算。有AI代劳当然很好，但如果我们只是直接丢给GPT6，收下这份冗长证明，我们就没法这么深刻地理解这个问题。

当然，我们拿到证明之后依然可以选择拒绝这种粗糙版本，去寻找更有解释力的思路。但模型能力变强之后，我们必须更有意识地去追求真正的理解。这是第一个例子。

第二个例子是我和乔希·兰姆正在合作的项目，研究增长曲率峰值猜想。研究过程里冒出一个问题，涉及我并不熟悉的理论：格罗莫夫和肖恩提出的、从黎曼流形到仿射建筑的调和映射理论，偏向分析方向，不是我平时深耕的领域。我一边自学这套理论，一边出于好奇把问题丢给模型。

它给出了一个很漂亮的部分结论，还把这个问题和我不了解的辛几何方向联系起来，特别有意思。它只给出了局部答案，还有大量工作留给我。但这极大地激发了我的动力，主动去学习这个我一直感兴趣的领域。对我来说，AI是打开了一扇门，而不是关上一扇门。

主持人：最早你甚至在游戏里找渠道体验AI，一方面是天性好奇，另一方面，你当时是不是隐约预见到之后的发展？

丹尼尔：完全没有预判，纯粹是好奇。

如果2022年你问我，20年后AI会发展到什么程度，我只能说或许会做出一些很厉害的成果。2025年3月我还打过一个赌：到2030年之前，模型不会产出高质量、可落地的数学成果。显然，我猜错了。我严重低估了它的进步速度。

主持人：我今天刚听了你五个月前的一期播客，当时你说这些能力可能还要等十到十五年才会实现，结果现在AI已经做到了。

丹尼尔：应该是去年12月Epoch那期访谈。那时候它确实还没做出什么亮眼成果，发展速度实在疯狂。我以前习惯保守预估，说“大概十五年之后”，但确实低估了迭代节奏。

主持人：如果和不懂数学的朋友喝咖啡闲聊，对方说：“我听说AI一下子在数学领域做出好多惊人成果”，你会怎么跟他解释当下的真实局面，尤其是近几个月的变化？

丹尼尔：我会这么说：

现在AI非常擅长一类数学任务——给定一个精确写好的命题，尝试证明它。

当然就算命题本身是对的，它也未必总能成功，哪怕证明思路不算复杂。

大体上，如果这个结论可以用标准方法证明，尤其是我本人已经知道怎么证，模型大概率也能证出来。也有例外，比如纳维-斯托克斯这个千禧年难题，模型也给出了证明。

两三个月前我还是这么判断：只要一个问题对某个人来说是简单题，AI就一定能搞定。现在标准变了：只要一个人花足够功夫有机会解出来，AI大概率就能完成。但这类工作，只占我们数学研究很小一部分。我们确实会用“能不能证明定理”作为衡量标准，但这个标准只是一个替代指标。

我们真正想做的，是理解某种现象；如果连基础问题都没法证明，说明我们理解得还不够透彻。但不是所有开放猜想、定理都适合用这个标准衡量。实际上，我大部分工作，根本不是盯着一个写好的命题死磕证明。

更常见的是：我还在摸索这个命题本身应该是什么样。我前面也提到过，我常常是同时得到命题陈述和证明思路。对领域内专家来说，最后这个证明本身难度不算高，难点在于找到这个有价值的命题。

很多时候，我是一边得到答案，一边提出问题。有时候是偶然发现一种新技巧，试着寻找它还能适用在哪些场景；有时候是面对一个没有完全严格定义的研究对象，产生新理解，顺着理解提炼出可以证明的结论。

当然不是所有数学家都这么工作。确实有一部分研究者，和AI实验室的目标一致，专门寻找开放难题去攻克。但这不是我的工作方式，也不是大多数数学家的常态。不过我也不想贬低这件事，能攻克难题本身意义重大。

主持人：最近有一封公开信，不少菲尔兹奖得主和顶尖数学家联名，语气不算危言耸听，但确实敲响警钟，担忧AI和数学领域的相互影响。你能概括一下他们的核心顾虑吗？放任等于自毙，又一场数学家签名25位菲尔兹奖牵头1400多人签名声讨“AI人工智能在数学领域的严重错位”

丹尼尔：先说一句，我没有在这封信上签名。

我认可里面很多观点，但不完全赞同。按我的理解，这封信的核心观点是：AI公司把数学难题当成性能评测基准，这件事和数学行业原本的社群运行规则产生了冲突。

举个例子：一个知名开放难题，往往是一群研究者长期深耕的方向。在攻克它的路上，社群会衍生出大量新思路，有些思路不一定能直接解决原题，但能推动别的方向、沉淀研究者的能力，之后大家还能继续沿着这些思路产出更多成果。

AI相当于一条捷径，直接跳过了这个漫长过程，我们错过了沿途大量精彩的思路、衍生发现。很多附带的、偶然性的学术进展就此消失了。

主持人：所以他们认为千禧年这类难题不只是终点，它承载着带动整个领域发展的更高价值；AI直接拿下它，就夺走了这些成长机会？

丹尼尔：这话有一定道理。

千禧年问题确实起到了引导研究方向的作用，但它们本身的选定带有一定主观性。代数几何里，霍奇猜想、塔特猜想、奥古斯猜想，价值分量其实差不多，偏偏只有霍奇猜想入选千禧年大奖难题。

设想一个场景：所有人都扎堆研究霍奇猜想，其他同等重要的问题无人问津，这肯定不是好事。我甚至觉得，千禧年奖项本身就有问题，早在AI出现之前，它就已经在扭曲学科的发展导向，未必贴合人类知识探索的真正目标。

所以我认可这封信里的担忧，但没法完全认同。在我看来，核心矛盾不是AI本身带来的，而是我们旧有的学术体系需要适应新技术。如果一个重大猜想被AI证明，连带损失了很多衍生研究机会，问题根源在我们自己：我们完全可以继续去研究那些衍生的有趣问题，不是吗？

主持人：那说说你自己的立场。你怎么看待这件事？

丹尼尔：我很乐意聊聊我的看法。

首先，重大开放猜想，只是“人类理解”这个核心目标的一个并不完美的替代指标。我们想探索更深层的基础概念，而千禧年问题的选取很主观，用来衡量这个目标效果很差。

但与此同时，我们确实想要知道问题的答案，数学不是游戏、不是竞赛。我认为数学研究是人类最重要的探索之一。我真心想知道我研究问题的答案，我不在乎这个答案来自哪里。如果AI可以帮我得到答案，这是一件很棒的事。

主持人：这和很多人的观点好像冲突。很多人说：就算拿到答案，如果看不懂每一步推导，知道答案又有什么意义？

丹尼尔：我不觉得矛盾。

知道答案不是终点，恰恰是起点。不管是AI给出纳维-斯托克斯的证明，还是别的研究者证明了一个重大猜想，当我们知道“存在一份证明”之后，工作才刚刚开始。接下来你要去读懂这份证明。不管作者是人类还是AI，过程是一样的。

比如纳维-斯托克斯那份证明，是一份160页、写得非常晦涩的文档；换作别的数学家写的证明，也可能晦涩难懂。常规做法是先搁置原文，自己重新推导一遍。原文只能给你一些线索，你梳理出核心思路之后，往往会得到一套不一样的论证，中途冒出一大堆全新问题，再继续研究。

阅读文献里已有的证明，这件事本身和前沿研究几乎没有区别。研究很大一部分工作，就是用自己的方式去理解前人的成果。当然，你知道了这条路是可行的，不会再死胡同里盲目试错，但你依然会走入别的弯路，探索不会停止。

举个例子，千禧年问题里纳维-斯托克斯有四种表述，现在我们只拿到其中一种的结论，另外三种呢？

还有我认为第一个由AI独立做出的有价值成果：埃尔德什单位距离问题。我们想要得到一个下界，模型把下界小幅优化了，比如从n^1.001调到n^1.01，而上界还是n^(4/3)。它只是往真相挪了极小一步，距离彻底解决还很远。拿到这个结果之后，我们还是要继续寻找真正的精确结论。

在我看来，任何一份新证明的出现，永远只是一个起点，它几乎一定会引出无穷多新问题。文献里新增一份证明，本身从来不是坏事。它只是会和我们现有的学术规则、评价体系产生摩擦。这意味着我们要改造这套体系，这个过程会很艰难，短期内会有动荡。

我理解行业里很多人，尤其是年轻学者的焦虑，这种担忧非常合理。但同时，这也是一个绝佳机会，让我们的评价体系回归到追寻真理这个本源目标上。

主持人：会不会有一天，AI把研究前沿推到一个我们跟不上的地步？你坐在讨论桌前，AI抛出结论、完成证明，你发现自己完全跟不上它的抽象能力、推理高度，无力追赶？有没有被这种智能甩在身后的风险？

丹尼尔：布雷迪，你说和数学家聊天时经常觉得力不从心，其实所有数学家都有这种感受。我和同事讨论问题的时候，双方常常都觉得自己理解不了当下的内容。

做数学，很大一部分就是在这种“跟不上”的感觉里坚持下去。以我的经验，最后大多都能理顺。我不敢保证永远如此，但我保持乐观：我们总能学到东西，永远有可以研究的问题。

主持人：这就像人和汽车赛跑。汽车永远比人快，无论我怎么训练、多努力，都永远跑不过它。

丹尼尔：这个类比不太合适。

我们的目标不是追上、读懂AI产出的所有文本。过去几十年，数学文献总量早就超过了任何一个人能读完的上限。但一代代人依然可以走到前沿、做出贡献。

我们靠分工、靠不同专长的人互相协作，这是我们深耕领域的方式。AI工具反而能帮我们更快学习，更靠近前沿，发展出新的理解方式。

我预料未来几年，AI产出的数学文本总量，会超过人类历史上全部数学文献总和。必然会有大量内容永远没人细读。但核心问题是：我们能不能继续回答我们关心的基础问题？

我认为答案是肯定的。看现在AI产出的数学内容，其实带着很强的人类特质。OpenAI放出过单位距离问题的思维链记录，读起来就像一名优秀数学家把自己思考过程写下来。我相信我们会从中收获巨大，整体会变得更强。我不认同把这件事看作我们和AI的竞赛。

主持人：你最近在博客写了一篇相关文章数学家心声：Daniel Litt丹尼尔·利特《数学的一个新开端》2026-9-14。简单概括一下，你想传递的核心观点是什么？

丹尼尔：首先，这是一个激动人心的时代。

大家的担忧合理：研究生、博士后会担心，未来求职的时候，评价标准变成“用AI一键批量生成证明”，大家不再追求深度理解；这套激励机制会扭曲数学研究，让研究者失去研究的乐趣。如果我们什么都不做，这个局面确实会发生。我们前面聊过很多次，原有的学术激励体系，正在被新技术冲击。

我文章的第二部分，就是提出行业可以落地的办法，保护人类研究能力，鼓励深度理解，而不是单纯点一下按钮生成证明。文章发布之后，我和很多同行交流，发现这些想法几乎已经成为圈内共识。

我预计下一轮招聘季就会看到变化：评审研究生、博士后求职材料的时候，不会再单纯看产出了多少论文文本——论文数量已经不再是理解能力的可靠指标。评审会重点考察这个人是不是真的热爱数学、有没有真正学到东西，而不是只会调用AI生成证明。这是非常积极的信号。

总而言之，如果你热爱数学、想要钻研数学，当下是一个很棒的时代。我想说明：现有的激励体系急需快速调整。很多同行也自发得出了相同结论。文章收到的反馈很鼓舞我，很多人跟我说，道理本来就显而易见，我们可以一起解决AI暴露出来的这些问题。

主持人：你觉得AI，以及未来更先进的AI，会让你成为更好的数学家吗？

丹尼尔：肯定会。

当然挑战也很多，比如预印本平台arXiv投稿量暴涨，很难筛选出真正有价值的工作。AI写出来的文稿质量参差不齐，也就是大家说的“数学垃圾文稿”。哪怕里面藏着重要结论，行文也经常写得很差。这类难题还有不少，但我相信未来几年我们依然能做出很棒的成果。

主持人：你会不会担心它变成拐杖？现在很多人遇到问题直接问AI，不再自己检索、独立思考，慢慢丧失探究能力。你会不会也有这个顾虑？比如本来可以自己一步步推导出这几条引理，现在直接交给AI完成？

丹尼尔：这确实是风险。

把一项思考工作交给AI，你就失去了练习这项能力的机会。如果一名研究数学家长期这么做，肯定不是好事，选择权在我们自己手上。我拿到AI给出的有用结论之后，会关掉电脑，花一周时间独立复盘推导。

我们必须主动建立方法，避免这种能力退化。对于刚入行的本科生、研究生，这点尤其关键。我会和学生沟通，鼓励他们用AI，但要用对方式。

我觉得有很简单的机制可以抵御这种能力退化、保证研究者功底扎实：授予博士学位，不能只看论文，要有严格的答辩，要求学生把论文里所有内容讲清楚，直到评审满意；学者做学术报告，会被不断提问。

如果一个人连自己成果的内核都讲不明白，会非常难堪。这些本来就是我们该坚持的流程。我认为数学的核心是人的理解，所以我们必须保证研究者可以独立阐释自己的工作。所以我没有那么担心。滥用AI的后果会非常明显，很容易识别，大家自然会避开这种错误用法。

主持人：AI在数学领域的讨论两极分化，有人支持有人反对。你发表观点之后，除了正面反馈，会不会收到批评、反对的声音？

丹尼尔：当然会，这个话题本身争议极强。

我一直认为，不是所有人都必须使用AI，行业里也容得下完全不碰AI的研究者。甚至有坚决不用AI的同行，也给过我正向反馈。

但很多人是焦虑的：担心工作岗位、担心研究不再有趣。还有人对数学本身的意义有不一样的理解。我的看法是数学是一门科学，拿到答案本身就有价值；但有些人入行，本身就是享受解题这个过程本身。AI擅长解题之后，这份乐趣的价值会被弱化，他们有理由感到失落。

这些分歧都非常合理。我们现在正在讨论的，本质上是：我们做数学到底是为了什么？大家的答案并不统一。

主持人：你说大家入行的初衷不一样，能不能讲清楚？你的初衷是什么？另一种更抵触AI的初衷是什么？

丹尼尔：我认为数学是科学。

我们在追问关于世界、宇宙最底层的问题，比如“什么是形状？”“什么是数？”。我们想要找到答案，同时理解答案背后的内涵。理解是一个过程，但我们同样看重最终的结论。

另一类同行，把数学看作艺术，更偏向人文学科。对他们来说，攻克难题这件事本身就自带价值，有点像写诗。有人形容，研究数学可以完善自我、造福社会。我觉得这个看法也有道理，它和新技术本身并不冲突，只是AI冲击了适配这套理念的旧激励体系。

还有一部分人认为：有些问题甚至不该被解开，因为研究它的过程本身就有内在价值。这是我们根本的分歧。而且这个分歧早在AI诞生之前就存在，无关AI。

我觉得行业里可以容纳所有这些视角。当然，如果有人不认同我底层的出发点，自然不会认同我的观点。但整体来看，哪怕有分歧，大家的讨论都还算理性。

让我很欣慰的是：我们的分歧大多来自哲学层面——我们怎么理解数学的意义。但落到实操层面，大家共识很多。哪怕你认为数学是人文学科，只要你同样重视保护人类研究能力、保证二十年后还有优秀的数学家，我们就可以共存。

主持人：持这种“数学如诗”观点的学者，有没有做出过划时代的重大突破？

丹尼尔：当然有，很多顶尖数学家都持有这种想法。

不是说他们不会证明定理、不会做出重大发现。区别只是驱动你的动机不同。说实话，不管是把数学当成科学，还是当成诗歌、一套自洽的体系，做数学都很难，每个人都需要给自己一个精神叙事来支撑自己坚持下去。这些自我叙事，未必和整个学科的宏观目标完全一致。我个人觉得“数学是科学”这个叙事，更贴合学科整体的方向，但行业里完全可以容纳不同的精神寄托。

主持人：非常感谢丹尼尔·利特抽出时间。下方有相关链接，包括我们提到的那篇博文。我是布雷迪·哈兰，这里是Numberphile播客。本期节目得到简街资本、Patron支持者，以及最重要的各位听众的支持。谢谢大家。

参考资料

https://www.youtube.com/watch?v=UTvwV9oPgxk

一个新生代数学家论坛网站foruma.org