【分享】魏哲巍:AI时代数学三问
三句話摘要
AI 正在從根本上挑戰數學的三項基本假設:優雅性、人類直覺的可靠性、以及應用反饋的時間週期。 --- AI 不僅在改變數學的應用速度,更在根本上挑戰數學家引以為傲的三項特質——優雅性、直覺可靠性與反饋時間——迫使我們重新定義何謂「真正的」數學。 AI 摧毀了傳統領域的美學認知。圍棋曾被視為兩人共同創作的藝術,但 AlphaGo 透過超越人類的棋力,證明了人類心中的「美」只是認知侷限。例如 Master 程式下出 6 顆黑棋一直排列的著法看似荒唐,卻蘊藏人類完全看不見的戰略優勢——這意味著我們對數學優雅性的理解可能同樣膚淺。
重點整理
AI 摧毀了傳統領域的美學認知。圍棋曾被視為兩人共同創作的藝術,但 AlphaGo 透過超越人類的棋力,證明了人類心中的「美」只是認知侷限。例如 Master 程式下出 6 顆黑棋一直排列的著法看似荒唐,卻蘊藏人類完全看不見的戰略優勢——這意味著我們對數學優雅性的理解可能同樣膚淺。
人類對數學複雜度的直覺被反覆推翻。3SUM 問題曾作為「3SUM 猜想」成為眾多頂級論文的基石,所有人都相信它是 n² 複雜度,直到 2026 年才被發現真相為 n^1.999292;TSN 色點問題的最優破解方案完全隨機排列,違背所有專家的邏輯預期,卻被 GPT-4 在數十小時內發現。
AI 可能將數學應用的反饋週期從百年縮短至數小時。Radon 變換從 1917 年的發現到 1971 年才應用於醫學成像,耗時 54 年;未來物理學家或工程師若能正確表述問題,AI 可能在數小時內提供跨世紀的解答,重塑數學作為基礎科學的角色。
--
實用技巧與重點
- 具體案例與數據:
- 3SUM 問題:傳統算法 O(n²) → 新算法 n^1.999292(2026年,Chan et al.)
- AlphaGo vs 李世乭第二局第 37 手「肩衝」:人類專家評估被選中概率 1/10,000
- Radon 變換應用延遲:發現於 1917 年 → 應用於醫學成像 1971 年(相隔 54 年)
- TSN 問題(色點著色問題):傳統假設 O(log N) → 實際為 (log N)³
- GPT-4 求解 TSN 耗時:約數十小時
- 關鍵概念:
- 3SUM 猜想、TSN 問題、Radon 變換、AlphaGo、GPT-4
- --
結論
AI 不僅在改變數學的應用速度,更在根本上挑戰數學家引以為傲的三項特質——優雅性、直覺可靠性與反饋時間——迫使我們重新定義何謂「真正的」數學。
完整解析
演講者是北京大學數學科學學院的學生,同時從事 AI 與理論計算機科學研究。他不是來提供答案,而是拋出三個深刻問題,探討 AI 如何改變了我們對數學本質的理解。
第一個問題涉及數學的美學性。數學家往往因數學的優雅與對稱而獻身此學科,拉普拉斯方程、Ramanujan 公式等都被奉為美的典範。然而圍棋的例子揭示了一個殘酷的事實:當 AlphaGo 與 AlphaZero 遠超人類時,人們才發現曾經推崇的「藝術性」不過是人類認知的侷限。AI 程式 Master 在某局中下出 6 顆黑棋一直排列,看似荒唐,實則暗藏深層戰略。人類棋手完全無法理解,更遑論欣賞。這個轉折極具啟發性:如果圍棋的「美學」能被 AI 如此輕易摧毀,那麼我們對數學優雅性的理解是否也同樣脆弱?
第二個問題直指人類數學直覺的可靠性。演講者以 3SUM 問題為例說明。這個問題看似簡單:給定數字集合,判斷是否存在兩個數之和等於第三個數。直觀的 O(n²) 演算法長期被認為最優,甚至衍生出了「3SUM 猜想」,成為無數頂級論文的基礎。但 2026 年,Chan 等人發現真正的複雜度是 n^1.999292。演講者指出,1.9992 根本沒有 n² 的對稱美感,這還算優雅嗎?他進一步分享了親身經歷:在 AI 協助下解決 TSN 色點著色問題。傳統認知認為其複雜度為 O(log N),因為連續版本就是如此。但 GPT-4 在數十小時思考後發現真相是 (log N)³,而最令人震驚的是,那些最難著色的點配置方式完全是隨機的——這完全違背了所有專家的數學直覺,卻被 AI 「大膽地」想到了。
第三個問題涉及數學應用的反饋週期。一位 Nobel 獎得主曾提到,Radon 在 1917 年發現的 Radon 變換用了 54 年才應用於醫學成像。演講者想像未來的情景:物理學家或流體力學家遇到無法求解的方程式時,只要能正確表述為數學問題,AI 就可能在數小時內提供解答——這意味著百年級的反饋循環將被壓縮為數小時。當這樣的加速發生時,數學學科將何去何從?演講者認為,數學可能迎來與物理、與所有工程領域深度融合的新時代,而不再是象牙塔中的純粹學問。
---


