IT之家 6 月 4 日消息，由来自全球 15 所大学的 16 名数学家联合撰写《莱顿宣言》（Leiden Declaration）， 警示 AI 正挑战数学的可靠性、署名、公平性与研究自主。 《宣言》源自 2025 年 9 月莱顿大学洛伦兹中心的“Mechanization and Mathematical Research”工作坊，约 60 名来自 10 国的数学家、计算机科学家、人文社科研究者和政策人士参与讨论。 该《宣言》已得到国际数学联盟（IMU）等机构背书。 《宣言》强调，数学不只是结果集合，更是培养理解、清晰表达和判断力的人类活动。数学研究的核心价值包括证明带来的高确定性、作者责任、第三方可验证性、共同体评价标准，以及自主塑造研究问题的能力。 《宣言》没有要求禁止 AI，而是呼吁数学共同体建立清晰规范。研究者已用 AI 辅助论文写作、生成证明和同行评审，关键问题在于让工具服务学科，而不是削弱证明严谨性、署名秩序与学术责任。 宣言列出 5 类威胁： AI 生成的证明可能看似可信却含隐蔽错误； 模型可能复用人类成果却缺少引用； 昂贵专有工具会扩大研究者差距； 媒体宣传可能高估 AI 能力； 商业利益还可能改变数学议程。 其中资源差距也是关键问题。能使用先进专有 AI 和高价算力的研究者可能占优，招聘、资助和评价体系也可能向 AI 使用倾斜；而无法使用或不愿使用相关技术的研究者，可能在学术竞争中处于弱势。 宣言还担心，AI 数学成果经由新闻稿和博客放大宣传，会高估 AI 能力，低估人类既有贡献。若技术企业影响增强，数学界可能优先追逐易自动化、利于展示产品的问题，导致边缘化真正具有深度的问题。 IT之家附上参考地址 AI 人工智能与数学莱顿宣言
刚刚刷B站看到这个视频 数学家老田，已上线！！_哔哩哔哩_bilibili ，加上我日常和人聊天发现，大部分人在日常遇到一些带根号的数字，都会下意识拿出手机算，即便是数学课上老师也是用手机算，没见几个人尝试口算的。 这里推荐一个简单的计算方法，可用于简单口算拆根号，如果是考试遇到根号也能用（ 别看公式多，实际上非常简单 ） 原理是一个有理化公式的嵌套 原式： \sqrt{a^2+b}=a+\frac{b}{\sqrt{a^2+b}+a} 把 \sqrt{a^2+b} 不断代入得到一个套娃公式（连分数） \sqrt{a^2+b}=a+\cfrac{b}{2a+\cfrac{b}{2a+\cfrac{b}{2a+\cdots}}} 在这个基础上，我们只要截取任意一层，就能算出这一层对应的估算值 从结构上可以看出，随着层数不断增加，虽然估算值越来越精确，但变化幅度也越来越小，对于日常口算而言，像是 \sqrt{51} 这样的数需要精确到小数点后4位算两层就够了 \sqrt{51}=\sqrt{7^2+2}=7+\cfrac{2}{14+\cfrac{2}{14+\cfrac{2}{14+\cdots}}} \sqrt{51} =7.141428 只算一层时，结果略大于真实值： \sqrt{51}\approx7+\cfrac{2}{14}=7.142857 算两层结果更精确，且略小于真实值： \sqrt{51}\approx7+\cfrac{2}{14+\cfrac{2}{14}}=7+\cfrac{28}{196+{2}}\approx7+\cfrac{14}{99}=7.141414 大部分情况下，只需要算一层，就可以得到精确到小数点后一两位的估值了，口算也非常简单，在别人掏出手机到计算出结果的时间里就能算出来 比如看到 \sqrt{87} ，想起87-81=6，那么a=9且b=6， \sqrt{87} 略小于 9+\cfrac{6}{18}=9.33 （真实值是9.327） ——————————— 不会用markdown所以看着有点奇怪的分割线 ——————————— 下面是一些补充内容，可作为知识扩展（考试不考） 1.关于b的正负取值 通常取b>0的数，这样在算精度范围时，可以先算第一层，再算第二层，真实值就在两次结果中间。如果b<0，算出的结果都略大于真实值 通常只在b取负值绝对值比正值更小时，才取负值，比如 \sqrt{80} 取a=9,b=-1时，精度比a=8,b=16要高得多。 2.误差率的计算 误差率 r_n 的公式如下 设 \varepsilon=\frac{b}{a^2} ，n为计算层级时 通式： { r_n\approx \frac{\left|\varepsilon\right|^{n+1}}{2^{2n+1}} } 可见想要提高精度，需要 \varepsilon ,也就是 a^2 和 b 比值降低，或者说 a^2 越接近根号内的值，精度越高 3.精确到哪一位小数 让GPT简单算了一下，大概可以得出这个结论： 个位数开根号:计算第一层不能精确到1位小数，第二层精确到1位小数 两位数开根号:计算第一层精确到1位小数，第二层精确到2位小数 三位数开根号:计算第一层精确到1~2位小数，第二层精确到3位~4位 数字越大，计算出的结果越精确 或者换种说法，如果你想要计算的结果精确到小数点后2位，那么0~9的数字要算三层以上，10~600的数字要算两层，601~999的数值要算一层 8 个帖子 - 5 位参与者 阅读完整话题
IT之家 5 月 12 日消息，苏州大学金融工程研究中心今日发布讣告，我国著名数学家、教育家，苏州大学原校长、数学科学学院名誉院长、金融工程研究中心主任，同济大学数学研究所原所长、教授、博士生导师姜礼尚教授于 2026 年 5 月 8 日在上海与世长辞， 享年 91 岁 。 姜礼尚教授 1935 年 10 月生于江苏，1954 年毕业于北京大学数学专修科，1960 年获北京大学偏微分方程方向研究生学位，先后在北京航空学院、北京大学任教。1983 年任北京大学教授，1985 年被国务院学位委员会评为博士生导师，1989 年至 1996 年担任苏州大学校长，后任职于同济大学数学系，2007 年创建并出任苏州大学金融工程研究中心主任，同时担任苏州大学数学科学学院名誉院长、应用数学研究所所长，深耕数学研究与教育一线逾七十载。 他先后荣获第七届华罗庚数学奖、第三届苏步青应用数学奖，两次获得国家自然科学三等奖，1993 年被评为全国教育系统劳动模范并授予“五一”奖章，彰显了其在学术与教育领域的卓越成就。 姜礼尚教授在数学研究领域贡献卓著， 研究方向涵盖偏微分方程理论及其应用、金融数学等 ，学术成果具有广泛国际影响力。IT之家汇总如下： 作为新中国培养的杰出数学家，他长期深耕偏微分方程领域，证明了一维两相 Stefan 问题古典解的存在唯一性以及自由界面的无穷次可微性，为该领域的发展奠定了重要理论基础； 他积极推动数学与实际应用的深度融合，早年参与葛洲坝船闸设计计算、石油渗流问题研究，建立贴合实际的数学模型； 晚年深耕金融数学领域，带领团队开创同济大学金融数学专业，主持建设的《金融衍生物定价》课程 2008 年获评国家精品课程，推动金融数学学科跻身全国领先行列。 他编写《 期权定价的数学模型和方法 》《 数学物理方程讲义 》等多部经典教材，发表学术论文数十篇，其学术团队被国际同行誉为“Jiang's Family”，成为中国数学界的一段佳话。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
原标题：《 华人数学家封神！王虹、唐云清斩获数学界「奥斯卡」 》 今天，素有「数学界奥斯卡」美誉的 2026 年突破奖出炉了！在本届名单中，数学新视野奖（New Horizons in Mathematics Prize）表现尤为亮眼。 四位顶尖青年学者共享殊荣，其中半数席位由华人女性数学家占据，她们分别是纽约大学的王虹，UC 伯克利的唐云清。 另外两位顶尖头脑，则是斯坦福大学的 Otis Chodosh，以及唐云清的科研搭档 Vesselin Dimitrov。 这几位数学家，分别因哪些贡献获奖？ 北大疯人院的 90 后，证明「挂谷猜想」 先说最炸的这一位 —— 王虹（Hong Wang）。如果你关注数学圈，这个名字你一定不会陌生。 就在 2025 年 2 月，她和合作者 Joshua Zahl 一起，用一份长达 127 页的论文，正式宣告了困扰数学家超一个世纪的「挂谷猜想」在三维空间中尘埃落定。 菲尔兹奖得主陶哲轩曾激动发文，称这是「几何测度论中最受瞩目的突破」。 不得不说，王虹的人生故事本身就是一个传奇。 1991 年，她出生在广西桂林平乐县沙子镇。小学跳级，16 岁就以 653 分的高分考入北京大学。 但她最初进入的是地球与空间科学学院 —— 对，不是数学系。 一年后，出于对数学的热爱，她毅然转入北大数学科学学院。 结果呢？ 本科毕业后，她先去了法国巴黎综合理工学院，又拿了巴黎南大学的硕士学位，然后在 MIT 完成博士学位，导师是 Larry Guth。 之后是普林斯顿高等研究院博士后、UCLA 助理教授，现任纽约大学柯朗数学科学研究所教授，同时还是法国高等科学研究所（IHÉS）数学终身教授。 说白了就是 —— 学术履历直接拉满。 一根针，引发的百年战争 那王虹到底证明了什么？ 挂谷猜想源于日本数学家挂谷宗一在 1917 年提出的一个问题： 一根针在空间中旋转一圈，覆盖所有方向，最少需要占多大的空间？ 听起来简单？但这个问题折磨了数学家整整一百多年。 在二维空间中，答案已经被证明是 —— 面积可以无限趋近于零。非常反直觉。 但三维空间中的情况完全不同。挂谷猜想预测，在三维空间中，这样的集合不可能「太小」—— 它的维度必须是 3。 之前无数数学家尝试过，包括菲尔兹奖得主 Jean Bourgain、MIT 的 Larry Guth 等顶级大牛，都只能推进部分结果。 2025 年 2 月，王虹和 Joshua Zahl 直接放出了终极答案 —— 三维挂谷猜想，证毕。 论文地址： https://arxiv.org/ pdf/2502.17655 纽约大学柯朗研究所主任 Eyal Lubetzky 的评价只有一句话：「这是 21 世纪最顶级的数学成就之一。」 而这一次突破奖的颁奖词更是把她的贡献写得清清楚楚 —— 表彰她在调和分析、偏微分方程和几何测度论中的卓越工作，包括局部平滑猜想、Furstenberg 集合猜想和挂谷猜想。 这三个猜想，每一个单拎出来都是数学界的「骨头级」难题。 王虹不是解决了一个，而是 一串 。 数论领域的「爆破专家」 再来看另一组获奖者 ——Vesselin Dimitrov 和唐云清（Yunqing Tang）。 他们的战场在数论 —— 数学中最古老也最深邃的分支之一。 两人与合作者 Frank Calegari 一起，干了两件大事： 第一件，证明了关于模形式的「无界分母猜想」（unbounded denominators conjecture）。模形式是数学中一类极其基础和重要的对象，这个猜想困扰了数论学家几十年。 更重磅的是 —— 他们使用的方法让领域内的专家都感到震惊，完全出乎所有人的预料。 第二件，他们证明了一个与基础无穷级数相关的常数的无理数性质。 这个结果有多重要？这是自 45 年前著名的阿佩里（Apéry）证明以来，该领域的首个此类突破。 45 年，整整 45 年没有人能往前推进一步。Dimitrov 和唐云清直接打破了僵局。 微分几何的「终结者」 第三位获奖者是来自斯坦福大学的 Otis Chodosh。 他在微分几何领域解决了多个自上世纪 70 和 80 年代以来一直悬而未决的核心问题。 他与华人数学家 Chao Li 合作，证明了关于「非球面流形」的核心猜想 —— 这是一类广义的高维空间，长期以来被视为微分几何的核心战场。 此外，他与 Christos Mantoulidis 合作，解决了极小曲面几何分析中的关键难题。 极小曲面就像肥皂泡薄膜一样，是局部面积最小的曲面。这类问题的解决，直接推动了整个变分学领域的发展。 1875 万美元，堪称科学盛宴 除了数学新视野奖，今年的突破奖阵容同样星光熠熠 —— 数学突破奖 （300 万美元）颁给了法国数学家 Frank Merle ，表彰他在非线性演化方程领域的开创性贡献。 他证明了某些长期被认为「行为良好」的方程，实际上会在有限时间内「爆炸」—— 这个发现彻底颠覆了该领域的基本假设。 物理突破奖（300 万美元）颁给了三个跨越六十年的「μ 子 g-2」实验合作组（CERN、布鲁克黑文国家实验室和费米实验室），精度达到了 1270 亿分之一 —— 比 1965 年的首次实验精确了 3 万倍 。 生命科学突破奖 （三项，每项 300 万美元）则表彰了基因治疗先天性失明、镰状细胞病和 β-地中海贫血的突破，以及发现 ALS 和额颞叶痴呆最常见遗传原因的成就。 今年的总奖金池高达 1875 万美元 ，使得突破奖 15 年来累计颁发的奖金总额超过了 3.4 亿美元 。 下一站：菲尔兹奖？ 回到最让人关注的话题 —— 王虹距离菲尔兹奖还有多远？ 她已经手握塞勒姆奖、ICCM 数学奖金奖（被称为「华人菲尔兹奖」），如今又拿下突破奖数学新视野奖。 2025 年她回北大做了三天讲座，韦东奕全程坐在第一排。 此前，王虹一度登上 2026 菲尔兹奖得主赔率榜首 1991 年出生，今年刚 35 岁。菲尔兹奖的年龄限制是 40 岁以下。时间，站在她这边。 参考资料： https://x.com/brkthroughprize/status/2045643285901767158 ?s=20 https://breakthroughprize.org/News/98