陶哲轩：AI 与科学的核心悖论
本篇为 Big Think Clips 视频《The paradox at the heart of AI and science》的全文中文翻译。演讲者为陶哲轩，原视频发布于 2026 年 9 月 3 日。正文清除了时间戳、音乐提示与口语重复，按语意分段；节目宣传口播完整保留于文末。
访谈全文
科学探索中的路程，也有价值
我以前打过一个比方：科学有点像徒步。你听说远处有一处很有意思、很漂亮的瀑布，于是决定和几个朋友一起去找。不过，你得画出路线图。途中，你可能会迷一阵子路，但也许就在迷路的时候，发现了别的有趣的东西，于是把它记下来。去这处瀑布的路上，你又看见远处有一处更加壮观的瀑布。你暂时到不了那里，但也许以后的徒步者能找到一条通往那里的路。
所以，抵达目标有一个完整的过程，而这个过程本身也很有价值。但这些 AI 工具可能像直升机一样，直接把你送到瀑布前。你看过瀑布，再飞回来，却完全没有学到怎样走到那里。除了你明确要求看的那样东西，你也许看不到任何其他有趣的现象。
因此，尽管严格来说，你达成目标的效率高得多，却也可能失去了一些东西。
我叫陶哲轩，是加州大学洛杉矶分校的数学教授。我的新书 Six Math Essentials 即将出版。
AI 如何从此改变数学与科学
几个世纪以来，科学和数学发生了很大的变化。传统上，科学有两种主要范式：理论与实验。你会提出一种理论，比如开普勒提出行星如何运动的理论，或牛顿提出引力理论。然后，你做实验，观察会发生什么，得到实验数据，再看理论与实验是否吻合。
数学有些不同，因为它几乎完全是理论性的。纯数学中要做的实验非常少，但也有一些例子。一个著名的例子是，高斯计算了前十万个素数，并利用这组数据作出预测，预言了我们今天所说的素数定理。不过，理论与实验是科学的两种主要形式。
后来，模拟出现了，你不必真的开展一项规模庞大、耗资不菲的实验。有时，你可以在超级计算机中模拟一场飓风，而不是在现实中进行。再后来，大数据出现了。你不再只是做少量实验，试图证实或否定某个具体理论，而是可以拿来兆字节乃至拍字节级别的数据，尝试识别其中的模式，从海量数据集中提炼规律。这是一种较新的科学研究方式。
而现在，所有这些科学研究方式都在发生变化，因为我们又有了 AI 的帮助。过去，每一种方式都必须由人类科学家来完成。你得有人做实验、进行理论计算、运行模拟，或者检查数据。部分工作可以用计算机来做，但即便如此，你仍然得编写数据分析工具之类的程序，仍然需要大量专业知识。
如今，我们有能自动开展实验的自动化实验室。你可以让编程智能体替你运行模拟，也可以尝试自动化的数据分析。理论工作也越来越可以自动完成。你可以拿出一个数学问题，问：这些假设和公理会推导出什么？应当得到什么结论？借助这些工具，如今可以更快、更大规模地开展这类工作。你有可能完成远超任何一位人类科学家所能完成的理论分析。
另一方面，这并不是我们想要的全部。慢慢做事情，也有它的价值。一位科学家花上许多个小时，用纸笔推演，亲手在野外做实验，或者实际动手调试模拟中的问题，往往能获得许多额外的洞见，而不仅仅是找到最初想求的那个答案。他们可能发现新现象，看出事物之间的联系，发现它与其他文献中研究过的东西有哪些相似之处，并且能把自己的发现传达给别人。
于是就有了这样一个悖论：一方面，AI 变得越来越强大、越来越能干，犯的错误也越来越少。表面上，它们正在实现许多我们认为科学家想要实现的目标：它们在做实验、分析数据、写论文。但代价可能是，AI 掌握了某种本领，却没有任何一位人类科学家因此更善于做科学研究。没有人能准确地向别人说明，刚才到底发生了什么，这项科学发现为什么有意思，这个证明的新意在哪里、有哪些特点，又与其他东西有怎样的联系。
我们可能得重新思考，科学究竟是什么，我们究竟想从科学中得到什么。科学到底有什么用？我们究竟想做什么？当我们把 AI 工具用于科学时，会不会有一种危险：我们优化的其实是错误的目标？
大语言模型如何从预测词语走向解题
现代 AI 依靠一类叫作“机器学习”的算法运行，它试图预测数据中的模式。回归就是机器学习中一个非常简单的例子。假设你有一些输入和输出，比如，你观察到给动物喂更多的食物，它们就会长得更大。于是，你把喂给不同动物的食物量，以及它们的体重之类的数据画出来，就会在图上得到一些点。运气好的话，这些点会落在某条直线附近，而这条直线就成了你预测的依据：给这只狗这么多食物，它的体重就会增加这么多。
但在现实世界中，你并不总能得到这样漂亮的线性关系。通常会有很多很多输入，也有很多很多输出，彼此之间的关系可能非常复杂。不过，有时数据会呈现某种形状。如今，我们有各种巧妙的方法，可以识别这种形状，尝试用曲线来拟合这些输入与输出的配对。
支撑聊天机器人等应用的大语言模型，做的就是猜出一句话中下一个词的游戏。大致来说，如果我说“玫瑰是红色的，紫罗兰是____”，该用什么词来填这个空？你大概能猜到，答案是“蓝色的”。这就是一个输出。
你可以想象一张巨大的图，输入是所有这些尚未完成的句子，输出是你希望用来补全句子的词。在这个高维空间里，有许许多多这样的点，而你想拟合出某种曲线，用来描述哪个词最有可能接着出现。
有时，答案不止一个。比如，“你好，我的名字是……”后面可以接很多很多不同的名字。所以，你不一定能得到唯一的答案，但可以尝试找出最合理的答案。人们试过这样做，你手机上的自动补全功能就是这么工作的：你输入一段文字，它会建议下一个词。有时建议得还不错，有时则很傻。
一旦有了这样的操作，就会形成某种动态过程，你可以一直重复下去。很多人都在手机上玩过这个：一遍遍按自动补全，结果得到的是一些胡言乱语的句子，就像猴子在打字机上乱敲一样。
但大语言模型的神奇之处在于，如果你用足够多的数据来训练它们，比如数万亿乃至更多的数据点，并且尽可能拟合出一条足够好的曲线，为此投入数百万美元乃至更多的计算费用，花上许多个月的时间，那么，突然之间，即使你不断重复这个过程，输出也能保持连贯。它听起来不再像猴子乱敲，而真的像一个人在说话。
我们还没有完全理解，为什么会出现这种情况。但看起来情况是，英语等自然语言中包含许多我们没有自觉意识到的隐藏模式。我们当然知道英语的一些规则，比如语法规则。不过，语言中还有某些不言而喻、没有写下来的规则，人类也能学会。
比如，一个孩子即使没人教他什么是名词、什么是动词，也能掌握英语词语的排列顺序。而只要让这些模型不断接触语言，似乎也能让它们学会语言中的模式，甚至可以给它们出数学题：“2 加 3 的答案是……”它们就会说“五”。经过训练，它们能够给出正确答案，至少简单的数学题是这样。
一旦具备了一点用英语表达的能力，模型就可以通过反复检查自己的结果，减少错误。你也可以提示它们一步一步来，只有在复核之后才给出某个说法，等等。于是，它们变得稍微“聪明”了一点，这里的聪明要打上引号，最终能够完成许许多多复杂的任务。
但它们仍然只是在猜下一个要说的词。这并没有真正建立在对现实世界的深刻理解之上。只是，它们见过英语或其他语言中的种种模式，并且吸收得足够好，以至于能模仿那些说话显得很有智慧的人。它们能在足够长的一段时间里表现得像是有智慧，长到足以骗过我们，也长到足以真正做成一些有用的事情。
所以，我们现在可以让大语言模型给出证明，以此解决某些数学问题。有时，那个证明完全是一派胡言，但如果反复尝试足够多次，又有足够多的检查，就真的能开始取得一定的成功率。
这是一种非常奇特的解题方式，与我们通常理解的智能几乎完全是两回事。我们通常认为，智能应当是有扎实依据、有条不紊、从第一性原理出发的思考。
这就像有个人知识很丰富，但喝得有点醉，正在不停地抛出各种想法。不过，只要给予足够的引导，你确实能从中得到有用的结果。这里用到的数学，其实并不是最先进的。但你给它大量数据、大量时间，再加上种种修修补补的办法，它最后还真能相当好地工作。
人类擅长深挖，AI 擅长广泛尝试
我发现，在讨论 AI 对科学和其他学科的作用时，我们往往会不自觉地采用一种一维的思考方式：任务有简单的、困难的、非常困难的；人类能完成某个难度以内的任务，AI 也能完成某个难度以内的任务，然后我们就问，究竟谁更厉害？
但在使用 AI、比较它们和人类解决问题的方式时，我发现，两者其实相当互补。人类专家会注重深度。比如，一位数学家可能有成千上万个问题可以研究，但他会选出一两个：这些问题很难，却还不至于难到完全不可能解决；而且，正因为足够难，即使只是尝试向前推进一点，也能带来各种可以分享的洞见。他的学生、合作者或其他人，也许就能在这些工作之上继续推进。
当我们让 AI 去解决那种真正困难、所有标准方法都不适用的问题时，它们仍然表现得非常差，基本上只是在随机猜测。但它们擅长广泛尝试。
假如你给它们一千个难度不等的问题，有些也许确实太难，但另一些其实已经在现有方法的能力范围之内。文献里可能已经有某种方法能够解决你的问题，也可能只需要把两种不同的方法结合起来。问题在于，我们没有足够多的人类专家去研究所有这些问题。即使某位专家在研究其中一个问题，也未必知道，某份期刊在 1970 年发表的一篇冷门论文里，恰好就藏着解决这个问题的关键思路。
人类专家也没有耐心或时间，把各种方法与各种问题的搭配组合全部尝试一遍。但 AI 会带着一定的随机性，根据已有知识去猜哪些方法可能有用。有些猜测很蠢，有些却可能奏效。我们发现，在尝试这么多组合的过程中，它们有时能找到所有人类都错过的解法。
偶尔，专家们的共识或传统看法本身就是错的。大家都以为一个问题的答案是肯定的，但实际答案却是否定的。因为所有人都觉得那个命题成立，我们就没有怎么研究过否定的情况。AI 可能没有这样的先入之见，所以有时，它只是提供了一个独立的视角。于是，一些我们原以为非常困难的问题，竟然有出人意料的简单解法。事后回头看，也许我们自己本来就该想得到。
现在，让它们去尝试非常广泛的一批问题、解出其中一定比例，已经开始取得成效。比如，你给它们一千个问题，它们解出了其中的 5%，那也是五十个问题。单看解题的绝对数量，某种意义上，你已经可以拥有超越人类数学家的工具。当然，解出的这五十个问题，未必是你最希望解决的那五十个，也许只是随机的五十个。但这仍然非常了不起。
我认为，我们这个行业接下来必须找到办法，把这种在大范围内解决部分问题的新能力纳入进来，并让它与我们已有的能力相配合：花很长时间，深入解决少数几个问题。
开普勒的故事：科学发现为什么需要过程
开普勒发现那些著名的行星运动定律的故事，非常引人入胜。它说明了过程有多么重要。
开普勒了解了哥白尼关于行星运动的理论。当时，哥白尼已经大致算出了地球离太阳有多远、火星离太阳有多远，等等。开普勒注意到，这些轨道之间的比例，看起来有点像他在几何学中见过的某些比例。
于是，他提出了一个想法：给每颗行星对应一个球面，当时已知的行星有六颗，再把五种柏拉图立体，比如正十二面体、立方体、正四面体等，嵌套在这六个球面之间。他认为，这样就能完美吻合，从而用这五种立体解释太阳系的构造。这是一个优美的几何构想。
后来，他终于拿到了第谷·布拉赫的一批高质量观测数据。为了得到这些数据，他着实经过了一番争取，甚至可能动用了偷取的手段。但当他尝试用自己的理论去拟合这些数据时，却发现并不能完全吻合。在第谷观测数据所达到的精度下，他无法让这套球面模型与数据完全吻合。
事实上，正是在这个过程中，他发现火星和地球的轨道根本不可能是圆，必然是别的形状。他花了很多年来琢磨该怎么办。我不知道他坚持那个柏拉图立体理论坚持了多久。从他的著作中可以看到，他还尝试过许多其他办法，比如让那些圆偏离中心。后来，他终于试到了椭圆，一下子，一切就都吻合了。
这确实说明，理论和实验之间存在相互作用。你可以提出一个理论，但如果它与数据不符，那它也许就不是一个好理论。不过，事情又比这更复杂。
在开普勒之前，对哥白尼理论的一项批评是，连哥白尼自己都承认，他的测算结果不如当时最好的预测准确。当时最好的模型是地心模型，由希腊人发展起来，后来又经过阿拉伯人和印度人的发展。这些模型经过大量调整和微调，已经非常精确，能够用十分复杂的方式预测所有行星的位置。哥白尼的模型反而更差。
所以，与数据的吻合程度未必是唯一的衡量标准。直到开普勒修正了模型，用椭圆取代圆作为轨道，日心模型才变得比地心模型更准确。
每个环节都更快，科学就会进步得更快吗？
这个故事告诉我们，在科学中，你并不总能立刻得到反馈，知道自己究竟有没有解决一个科学问题。
假如开普勒和哥白尼当时拥有 AI，并让它们提出一个描述宇宙的模型，那么，那些生成了正确日心模型的 AI，反而可能被淘汰，因为它们最初的预测不如地心模型准确。我们需要时间，才能真正消化这些理论，看看它们如何与我们关于行星、运动、引力以及其他一切的已有知识相互吻合。
事实上，一个令人担忧的地方恰恰是，AI 太快了。它们可能出现所谓的“过拟合”：构造出一个非常复杂的模型，与实际发生的事情毫无关系，却能极其精确地拟合你手上的数据。一旦超出这个数据集，它就无法做出有效的推断。
如何把 AI 纳入科学发现的过程，会是一个挑战。它们当然可以加快其中的单个步骤：实验可以做得更快，代码可以写得更快，论文也可以写得更快。但即使每一个环节都提速了，科学整体也未必就会进步得更快。
我们让 AI 去做科学研究时，有一种风险，就是优化了错误的目标。纸面上，我们似乎取得了种种惊人的成功，最后却发现，科学并没有像过去那样真正向前发展。不过，我们还是会发现，有这些工具总比没有好，只是我们仍在学习如何最有效地使用它们。
从生成证明到“证明消化不良”
我们的工作，有一部分就是解决问题、寻找解法、证明结论。而一个证明会经历一定的生命周期。
首先，你得找到解法、写出证明。这过去相当困难。但你写出的证明，有些是错的，所以接下来还得验证，检查它是否正确。过去，这也是一件相当繁琐的事。
如今，这两项任务都在变得越来越自动化。于是，各种问题的候选解法越来越多，其中不少还确实是正确的。但证明也越来越长，而且 AI 写出的证明，往往并不好读。
一份 AI 生成的证明，可能花很大篇幅讨论一件非常琐碎的事，却对论文中最有意思的部分着墨很少。我想，这是因为 AI 分不清哪些地方难、哪些地方不难。在暴力尝试的方式下，对它们来说，各个部分花的时间都差不多。人类在论文最困难的一步上亲自挣扎过，自然就会在讲解这一步时花更多篇幅。
所以，你得把论文中的证明写得好读，也能向其他人解释清楚。然后，其他人还得对它感到兴奋，认同它：“这确实很有意思，能帮助我解决自己的问题。”或者：“它真正解释清楚了，为什么会有这个现象。”
这就涉及我们传统上的同行评审：我们把论文交给审稿人，如果审稿人觉得这个结果令人振奋，论文就会被接收。但也可能有这样的论文：技术上完全正确，写得清楚，各方面都没问题，却回答了一个谁也不关心的问题。
最后，证明还需要经过充分打磨，写进教科书，再教给学生。一个证明最初的版本，往往并不适合直接放进教科书。它的做法可能很低效，各个步骤的排列也未必符合最清晰的逻辑。
这中间有一个消化的过程：需要有人花很多时间，认真思考怎样组织、编辑这篇论文才最合适，才能让它读起来顺畅。这有点像剪辑一部纪录片或电影。
我们现在发现，AI 工具加快了这个过程的早期阶段，却没有加快后期阶段。我们正在生成大量证明，也验证了其中不少，但理解这些证明、最终把它们整理成教科书内容，仍然要靠人类完成。
事实上，我们如今正在经历一种可以叫作“证明消化不良”的状况：突然间，出现了大量有待消化的问题解法。它们应当被理解，也应当进入教科书，但数量实在太多，我们已经应接不暇，必须有所取舍，排出处理的轻重缓急。以前，我们从未需要这样做过。
过去，解法出现得很少。如果某个重大问题得到解决，所有专家都会放下手头的事，去读它，努力尽快消化。因为这样的成果既罕见又珍贵，值得大家这么做。
现在，各种可能的解法不断涌来。就连我自己，也已经不得不放弃跟上本领域所有最新进展的想法。有时候，发生的事情实在太多，我如今无法保证，每一项新进展出现后都会去读。其实，在 AI 出现之前，这就已经开始成为一个问题；但 AI 确实大幅加快了内容产出的速度，增加了内容的总量。因此，我们将需要更好的整理、遴选和筛选。
这也算是一种幸福的烦恼。就像食物多到吃不完，总比吃不饱好。但它依然是个问题。
AI 已能解决研究问题，但成功率仍不清楚
AI 的数学能力越来越强。像我这样过去三年一直关注这些进展的人，会看到一种持续的进步。四年前，它们能解决初中数学题，之后是高中数学题，再之后是高中数学奥林匹克竞赛水平的题目，然后是一些研究生资格考试水平的题目。接着，它们开始解决少数不太重要的未解问题，比如保罗·厄多斯这样的人提出过、但没什么人认真研究的问题。这些大多是比较容易摘到的果实。
而就在最近，出现了一两次这样的情况：AI 解决了人们确实花过很大力气、却一直没能解决的问题。不知为什么，人类在这些问题上集体走错了方向；AI 带着一套不同的偏向，却拼出了相当巧妙的解法，而且已经产生了一些影响。比如，与单位距离问题相近的一些问题，如今也被人类借鉴并调整 AI 的方法解决了。我觉得这非常令人振奋。
但对我的一些同行来说，这可能很令人担忧，尤其是那些此前没有持续关注进展、不知道 AI 已经发展到这个程度的人。如果一位同行只见过 2023 年 ChatGPT 的表现，当时你问它一道难的数学题，它给出的可能完全是胡说八道。但现在已经很不一样了。从根本上说，它用的还是同一种技术，只是人们找到了降低错误率的方法，让它真正有用了。
不过，这些成果究竟有多容易复现，目前还不清楚。很多成果来自私营公司，它们并没有披露投入了多少资源。究竟花了十万美元的算力，还是一百万美元？我们并不知道。我们也不知道它们的成功率。它们解决的那个问题，是唯一尝试的问题，还是它们一共尝试了十个、一百个问题？
这些成果确实令人印象深刻，但我们还没有足够的数据来判断：今后这样的成果是否会成为常态，还是说，只有让一个十人团队花上几个月、投入十万美元，才能取得这样的结果？也许我们关心的所有问题中，只有 1% 适合用这种方法解决。我们还不知道。
不过，已经有人在努力用更科学的方式进行基准测试。最近的一项叫作 First Proof 挑战。他们用一组十道研究级问题来测试最新的模型，表现最好的模型大约能做出其中的五六道。这些是难度中等的数学问题，已经有解，但解答没有公开。
我认为，在我们每天的研究工作中，有很多常规任务，现在已经有一部分可以交给 AI 完成。当然，成本可能很高。许多工具需要花上几百美元的运行费用，才能得到一个解答，而且有时还会失败，耗费了那么多算力，最后却没有任何有用的结果。
我们已经在编程领域看到，许多专业程序员说，借助这些工具，他们编写代码的能力提升到了原来的五倍、十倍，甚至一百倍。但与此同时，他们也能感觉到，自己亲手写代码的能力正在退化，有时甚至无法审查这些智能体生成的代码。这其中存在取舍，速度并不代表一切。
与人合作的默契，AI 还难以替代
我非常喜欢数学中的合作。我直到职业生涯比较后期，才意识到合作有多重要。我学到的很多数学知识，其实是在研究生毕业后，通过与不同领域的数学家和科学家合作学来的。我把自己知道的东西教给他们，他们把自己知道的东西教给我，我的知识面也因此开阔了许多。
如果你和一位合作者共事了很长时间，到了某个阶段，你们的思维几乎会产生一种默契。你可能有过类似的体验：和一位很亲密的朋友或家人交流久了，有时你们能接上对方还没说完的话，知道对方接下来要说什么。合作中也会出现这种状态。你提出一个想法，话还没说完，对方就明白了，还能顺着这个想法继续往下走。
人们也尝试以这种方式使用 AI。你当然可以和 AI 交谈，不过它有时会犯错，有时会一味迎合，只说你想听的话。而且，目前与这些工具的互动还是比较个人化的。我试过和别人面对面合作时，让 AI 也参与进来，但它会打断交流的节奏。这些工具还不能像人类合作者那样，自如地参与对话。也许将来可以。
直到不久前，它们还不会从你们的对话中学习。和人类合作者交流时，你们第二天可以很快接着前一天的话题继续讨论。有时，哪怕是一位多年未见的合作者，你们也能重新接上很久以前的思路。AI 有一定的上下文，能记住一些东西，也能记录、做笔记，在某种程度上模拟记忆。但你还不能像与一位关系密切的合作者那样，和 AI 建立这种默契。
实际上，在真正解决问题的过程中，我并不怎么使用这些工具。到目前为止，我发现它们更擅长辅助性任务，比如检索文献、检查证明、编写一些代码，或者校对我写的东西，看看有没有能让表述更严谨、更精练的地方。
我觉得，与 AI 合作的节奏，还不太像我喜欢的那种与人类合作者共事的节奏。但这也许只是目前技术所处的阶段。未来，AI 可能会更善于对话，互动起来也更像人。
不能只看科学产出，还要培养下一代科学家
从整个科学事业的资助结构来看，我们正处在一个存在风险的阶段。一方面，这些工具让我们能以快得多的速度创造科学成果，或者看起来像科学成果的东西；但代价可能是，我们无法好好培育下一代科学家的种子。
举个例子，我们给研究生一些训练性问题，作为他们最初的研究项目，让他们获得一点学术认可，接受职业训练、积累经验。一个切实的担忧是，如今 AI 已经能做这类问题，能够完成许多同类论文。但如果用 AI 取代研究生，AI 固然会产出研究生水平的论文，我们却培养不出下一代学生。
同样，如果我们不继续消化这些 AI 产出，将它们整理成新的知识基础，让下一代人类和 AI 能够在此基础上继续发展，那么，整个科学共同体可能会陷入停滞。我们或许能把现有技术所能做的一切都优化到极致，却不再产生真正原创的新想法。
我们需要更开放地讨论：基础科学是什么，有什么用？为什么由好奇心驱动的研究仍然重要？为什么我们仍然需要一个由人组成的共同体，去探索各种事物，即使有时进展缓慢，有时采用的方法不如最新的 AI 模型高效？对于我们获得的见解，我也认为，我们应该多加分享，更多地向公众传播。
今天的公众能看到科学的有形成果：手机、互联网、GPS 等等。但很多人看不到背后的整个过程，也不知道，对数学和科学有一些基本了解，其实能让周围的世界变得不那么可怕，也更清楚、更容易理解。我觉得，现在很多人都生活在焦虑之中，因为这个世界太复杂了。
相较于技术成果这类比较“硬”的产出，我们对科学这些比较“软”的价值强调得还不够。但科学确实能让一个人的思考更清晰。这些同样很有价值，也需要得到支持。
节目宣传口播
片中会员介绍
感谢观看 Big Think。如果你愿意支持我们的工作，欢迎加入我们的会员社区。成为会员后，你将收到我们每季度出版的纸质杂志。这本杂志设计精美，汇集了最值得关注的思想与访谈。Big Think 面向充满好奇心、希望深入探索重要思想的人。
支持你希望在这个世界上看到的媒体，请访问 bigthink.com/membership。现在，回到访谈。
片尾杂志介绍
我们每年出版四期纸质杂志，值得你为它放下手机。Big Think 的优质纸质杂志融合了专门创作的艺术作品，以及全球顶尖思想家的专业见解。没有 AI 生成的低质内容，没有煽动愤怒来博取关注的噱头，只有献给好奇者的重要思想。
支持你希望这个世界拥有的媒体。前往 bigthink.com/membership 加入会员。
原视频介绍与来源
视频简介：陶哲轩数十年来一直致力于解决数学难题。他把这个过程比作一场场冒险：有时会走错路，有时会看到暂时还无法抵达的悬崖。如今，他看着 AI 替我们踏上这段旅程，为数学和科学打开更多可能性。但这些可能性也让我们付出了某种代价。
关于陶哲轩：陶哲轩出生于澳大利亚阿德莱德，九岁时已在大学程度的数学学习中表现出色，十三岁成为国际数学奥林匹克竞赛史上最年轻的金牌得主。他二十岁获得普林斯顿大学博士学位，随后加入加州大学洛杉矶分校数学系，二十四岁成为该校有史以来最年轻的终身教职教授。2006 年，他因在偏微分方程、组合数学、调和分析和加性数论等领域的贡献获得菲尔兹奖。原视频介绍称，他仍在加州大学洛杉矶分校任教，以成果丰硕、研究领域广泛著称，代表性工作包括有关素数等差数列的格林–陶定理。
- 本篇原视频：The paradox at the heart of AI and science
- 原视频提供的完整访谈：Terence Tao's Full Interview
- 发布频道：Big Think Clips
- 译文依据：所提供的视频转录稿；对明显的人名、术语及语境转录错误作了整理。
原视频简介中的会员推广：成为 Big Think 会员，即可解锁专家课程、优质纸质杂志、专属活动等内容。详见 Big Think 会员页面。