Lex Fridman这期拆成了13个主题。嘉宾有三位：
华盛顿大学研究流体力学的Steven Brunton
MIT做理论计算机的Ankur Moitra
罗格斯大学研究数论和Lean的Alex Kontorovich。
视频讨论了纳维-斯托克斯方程，黎曼猜想和计算复杂性理论，起因是几周之内，AI 宣称接连拿下了这些领域里悬而未决的难题。
三位数学家从各自的专业出发拆解了几件事：这些成果到底有多大分量，AI 是在创造新思想还是在重组旧方法。当「解题」可以交给机器之后，数学家还剩下什么……
我看了视频感到很受打击，突破是真的，边界却参差。Moitra提到，据说AI被拿去试了数千个问题，成功率只有约一成，放出来的全是成功的那些。"解决数学题"和"理解数学"正在脱钩。门童谬误提醒我们，人的价值在于提出问题，发明概念和讲好故事。
而Navier-Stokes那句"百万美元的数学题和万亿美元的工程难题"，最能说明数学上的突破不等于现实问题的解决。有趣的花絮是，Kontorovich周三刚说"至少三年"，周五就被1300万行Lean打脸。反转来得太快，一周都没结束。
这里的教训不是专家不可信，而是此刻每个人都在实时更新自己的模型。面对不确定，保持好奇，学会真本事，珍惜人与人的连接。
Lex一开口就把这期定性为"紧急节目"。短短几周，机器宣称攻下了Navier-Stokes，准黎曼猜想，唯一博弈猜想和几百个其他结果。他请来三位数学家，自嘲这是一个"人脑组成的迷你多智能体集群"，一起解读刚刚发生了什么。
AI引发的数学危机：从纳维-斯托克斯方程到黎曼猜想一. 开场
Lex先道了个歉，说一上来就问感受不太专业，接着把问题抛给了Alex。
Kontorovich：我不太愿意叫它"危机"，危机里有很多机会。几千年来，我们就像举着一支蜡烛在树林里走，只看得见眼前一小块。现在手里有了手电筒。
Lex没让他轻描淡写，翻出他在推特上的反应："如果是人类做到的，当场就该拿菲尔兹奖。"他还补了一句，原话里大概还带着一句感叹词"holyshit"。
Moitra的心情要复杂一些。他说那晚成果发布并不完全意外，因为几周前圈子里就传开了，说他领域里最大的两个问题，唯一博弈猜想和RL=L，都在那批成果里。
Moitra：AI就像一位随时待命的世界级专家，用我自己的语言给我讲别的领域，这很棒。可我也越来越不知道该让学生和博士后做什么题才能出名。我很兴奋，但在智识上也比以前更孤独了。
随即，Lex读了陶哲轩的一段话：研究生和博士后多年耐心，刻意放慢的研究，被这样一次发布轻易打乱，他对此感到"惊恐"。
看上去，Brunton是三人里最乐观的一位。他说：我是工程师，关心的是人工心脏和飞机。我们解决实际问题的能力会好得多。至于人的意义，本来就不在成名或拿菲尔兹奖，而在好奇，帮助别人，想弄懂这个世界。
二. AI会"解决"数学，还是"杀死"数学？
Lex请大家为两种未来各自做最强论证。Kontorovich先把"解决数学"和"毁掉数学"拆成两件事，然后讲了国际象棋的故事。
Kontorovich：象棋引擎刚出来那几年，流行过人机合作下棋。后来引擎太强，人能做的只剩"接受第一步，接受第一步"，没意思了，现在也没人下了。
他和同事把这个论证"公理化"，提出了一条"solved公理"：凡是人机协作能解的题，AI单独也能解。
不过，他后来特意澄清，自己并不相信我们已经到了那一步："我能证明一个定理，却不明白为什么这个证明成立，那就还没完。"
Moitra提醒大家，别只盯着一个目标函数。他讲起住在纽约时，常和楼里的门童聊天。如果把门童的工作简化成"开门"，你会以为装个感应门就能取代他。这就是"门童谬误"。
数学家也一样，证明猜想只是深度思考的副产品，我们还在建立新理论，发明新概念。
Lex当场用Perplexity查了一下门童到底做什么，读到"彰显品牌价值"这一条。Moitra笑着接话："那我跟门童的共同点可太多了，我不彰显品牌价值，还真不知道自己在干嘛。"
Kontorovich：直到五秒钟前，"能解深刻的新定理"和我们真正想要的"美，理解，深度"几乎完全挂钩。现在按个按钮就能出定理，这两者脱钩了。
Brunton：比回答问题更早一步的，是提出对的问题。
Moitra：完全同意。我只想补一句：提出对的问题，本身就需要大量数学洞察，别小看这一点。
三. 它是真有新思想，还是只在打转？
Lex问：AI是不是只是把几千篇论文里的线头串在了一起？
Kontorovich：那700篇我没全看。以准黎曼猜想为例，它用的每一步都是人类已知的招数，但那条长长的推理链看下来真让人惊叹："天哪，太美了，你是怎么想到的？"
他打了个比方：把人类已有的想法看成一个气球，气球内部就是"凸包"，也就是已知方法的各种组合。
有人说AI的成果都在气球里，他觉得这种说法也不算错。他还提到，二十年前就有人往这个方向想过，两年前三次theta函数和三次高斯和又有了突破，AI走的正是这条路，"不少人现在肯定在懊恼"。
Moitra：气球的关键在边界。说它带贬义，是因为边界看上去没动。可单单知道一个结论成立，就足以改变整个领域。
他举了一个最好懂的例子。
这个例子不在OpenAI那批成果里，是Anthropic的结果，由他的同事Virginia Vassilevska Williams和Josh Alman整理成文：面试常考的3SUM问题，原来可以比所有人以为的解得更快。细粒度复杂性理论有一整套"如果它很难，那么这些问题也都难"的推论，地基一下子就松了。
Kontorovich顺势设想了一个场景：要是那700个结果里有一个是"多项式时间分解大数"，信用卡就用不了了，电子商务和加密通信全都完蛋。
Brunton的态度更正面：即便AI只是在人类知识内部插值，能拨开迷雾，给数学家装上雷达，看清地平线那头有什么，已经很了不起，不该当成贬低。
Kontorovich还是坚持一点：人类偶尔会引入全新的定义，那种感觉像是长出了一个新的边界点，和重新组合旧想法是两回事。
四. 期刊，arXiv，那1300万行Lean
Lex拿开源社区做类比：维护者被如潮水般的合并请求压垮了。Kontorovich说，数学期刊在AI之前就已经不堪重负。
Kontorovich：我们求真的方式本来就是刻意放慢的。佩雷尔曼把证明挂上arXiv之后，跑遍世界去讲三小时的即兴报告，可能一小时讲自己的思路，剩下两小时是别人问"第247页，引理412，我没看懂"。
Moitra则主张"别浪费一场好危机"：论文不必是作者独占的定稿，AI证明也可以由社区一起协作验证。被问到"引理57"时，他坦白自己"根本不记得"，真正想讲的只是那个关键想法。
接着话题转到Lean，也就是让计算机逐行检查每一步逻辑的"交互式定理证明器"。
Kontorovich讲了这期最戏剧性的故事之一。
Kontorovich：我在普林斯顿数学系做了一场报告，详细讲了Lean和Mathlib（Lean的公共数学库），还讲AI只要离库里已有的内容远出三四步就会乱套：它为两个用途分别定义同一个对象，两套定义缝不到一起。
费马大定理离Mathlib太远了，Kevin Buzzard拿着百万美元经费，打算花五年完成。我觉得至少还要三年。报告是周三。
周五，Anthropic放出了1300万行代码，从公理出发，证明了费马大定理。我在报告里说的每一句都错了。
Lex：有多少人类参与？
Kontorovich：据我所知两三个人，主要工作是不停地说"继续"。
那个周五正好赶上劳动节，他带孩子去了海边，几天不看手机，"把孩子扔进海里玩"。他说，类似的心理冲击一个月前已经经历过一次。
他的结论是：自动形式化基本被解决了，只是AI写出来的东西到处是临时拼凑，离Mathlib那种"规范"质量还很远。
Moitra最后补了一个他很在意的观点：数学不是"定理越涨越高的潮水"。和好问题搏斗时，问题也会反过来跟你搏斗，你正是在这个过程中学到东西。
五. 黎曼猜想：从威士忌到7/8
Kontorovich：黎曼发现了一件很疯狂的事：一个输入和输出都是复数的函数，竟然掌管着素数的分布。
你可以这样想：麦克风把我的声音拆成一串数字，扬声器再把它还原。ζ函数对素数做的就是这件事。
Lex问他看到成果那一刻在做什么。
Kontorovich：我在纽约国家数学博物馆的晚宴上，一手拿着威士忌，一边和人寒暄，一边不停刷新页面，因为我知道美东时间六点左右会发布。
当时正和一位记者闲聊，猜会放出三四百个结果，后来知道是700个。然后我看到了：准黎曼猜想？我完全没法处理这个信息。
他接着解释了这项成果的分量：黎曼猜想说的是ζ函数的非平凡零点全都在实部为1/2的直线上。
过去我们只知道，贴着实部为1的直线有一条越来越细的无零点带子，七十年没动过。他原本最多期待这条带子变厚一点。
AI却直接给出了一整条无穷竖直带：实部在7/8和1之间没有零点。另一份证明做到大约11/12。
Kontorovich：但这个方法本质上推不到1/2。要证完整的黎曼猜想，还需要新的想法。
Moitra插进来讲了一个小故事：1950年代有位数学家写过一部剧，冯·诺依曼死后上了天堂，问上帝黎曼猜想对不对。上帝说，零点都在1/2那条线上。冯·诺依曼并不满足，他想知道为什么。
Kontorovich：数学从来不是事实，而是"为什么"。只告诉我结论为真，对我的理解毫无贡献。
Brunton说素数迷人在于三岁小孩都能懂。
Kontorovich马上讲了自家儿子：两三岁时玩20块积木，能拼成4×5，也能拼成10×2，后来一块滚到沙发底下，剩19块，怎么也拼不成长方形，急得不行。
Brunton接了一句："这到现在还让我难受。"
六. Navier-Stokes：花样滑冰的涡旋
Lex提起Brunton讲过的那个让他爱上流体力学的"汤"的故事，然后问他Navier-Stokes方程为什么这么难。
Brunton：说到底，它就是流体版的F=ma，也就是动量守恒。单摆的方程很好写，再挂一个摆就复杂多了，而流体是无穷多个摆。方程写起来简单，要真正搞懂流体怎么动却极难。
Kontorovich问了一个物理学家式的问题：广义相对论的方程出现奇点，后来被证明对应真实的黑洞。那Navier-Stokes出现爆破，是会揭示水的什么新性质，还是只说明方程在原子尺度上失效？Brunton给的是"工程师的答案"：这些方程在某个尺度上是极好的模型。
Brunton：最简单的爆破例子是dx/dt=x²，只要有平方项的反馈，解就会在有限时间内冲到无穷。问题在于黏性，也就是像蜂蜜那样的内部摩擦，是不是总能在爆破之前把它压住。
这次被证明的是Clay问题四个版本里带光滑外力的那一个。
Brunton：精心设计的外力抵消掉方程里的某些项，形成一个涡旋，它的半径越缩越小，就像花样滑冰运动员把手臂收回来转得越来越快，而且收缩的速率恰到好处，能量始终有限，速度却趋于无穷。这只可能发生在三维中。
Lex问这对工程意味着什么。
Brunton：日常的流体工程几乎完全没变，流体还是和一两个月前一样难模拟。我喜欢说一句俏皮话,我们解决了百万美元的数学题，可还有一个万亿美元的工程问题，就是怎么又快又准地预测流动，反过来设计外形。
他说真正的大谜题是湍流：大涡，中涡，小涡，每个尺度都有影响，就像达·芬奇画的那些水流。
气体有温度，压力，密度几个数就能描述，湍流却没有这样一组数。Lex问，答案会来自数学，还是让AI盯着流体看一阵？
Brunton：两者都要。所有伟大的物理突破之前，都先有一次坐标变换。用海量数据去找那个最简单的坐标，正适合AI。
七. 自然界怎么"算"
Moitra接过话头：自然界本来就能解哪些计算问题？
他引用了KamalJain的一句话："我的笔记本算不出来的，市场也算不出来。"纳什均衡很难计算，这让人怀疑它是否真能解释人们实际怎么博弈。
Brunton举了昆虫的例子：昆虫没有流体力学博士学位，也不跑超算，却能在阵风和雨里稳稳地飞。
翅膀被风吹弯，肩部肌肉里的神经元就地完成计算并做出修正，比信号传到大脑再传回来还快。
Moitra是棒球迷，他记得一篇论文：外野手并不直线跑向落点，而是走一条略带弧度的路线，边跑边根据球的轨迹调整。
Moitra：自然找到的解往往很稳健。难的不是优化本身，而是一开始怎么把问题表述对。
休息前，Lex抛出一个他自己说是"飘了的想法"：也许Navier-Stokes的奇点在穿越两个相连的黑洞时才会派上用场。他自嘲道，万一将来证明这是他唯一一次说对了呢。
八. 唯一博弈猜想：作者说他不会去读
Lex请Moitra讲唯一博弈猜想。
Moitra：先从SAT说起：给一堆"或"子句，比如"x1或非x3或x7"，找一组真假赋值让它们全部成立。别人给你答案，你很容易检查；让你自己找，可能就很难。
接着他讲了1990年代上过《纽约时报》头版的PCP定理：证明可以写成一种格式，检查者只要随机抽查几个子句，就能以很高概率抓住撒谎的人。唯一博弈猜想是更强的版本，如果它成立，一大批问题"最好能近似到什么程度"就都有了定论。
他回忆起2010年代大家的看法反复摇摆，直到同事DorMinzer和IritDinur等人证明了较弱的2-to-1版本，"一声枪响震动全场"。
Moitra：说实话，我曾经站在怀疑者那边，因为它听起来好得不像真的。
最妙的是一个巧合：发布当天，他在纽约顺道去NYU拜访了提出这个猜想的Subhash Khot，随口问："如果他们放出一个肯定的证明，你会去读吗？"Khot回答："不会。"
Moitra担心的是，原本有望走通的人类路线会被放弃，大家失去热情。那晚在数学博物馆，正好有埃舍尔的画展开幕，他不断想起人们做数学的初衷，就是玩，就是认识世界。
Moitra：年轻人要问问自己：你的好奇心比聪明多，还是聪明比好奇心多？好奇心一定要排第一。
九. 数学家怎么思考，数学是发明还是发现
他们谈论，奥运冠军夺金后常会陷入低落。三十年前怀尔斯（证明费马大定理的人）的纪录片：他坐在书桌前，回忆顿悟的那一刻，说自己这辈子再也不会有那样的时刻，说着说着哽咽到讲不下去。
Kontorovich：按一下按钮就给你答案，你能得到那种感觉吗？绝对不能。
Moitra讲了自己带学生的办法：故意出偏离自己领域"一二十度"的题，让学生去读重要论文，再讲给他听，在这个过程中找到自己看问题的角度和新问题。
现在AI也能把一个领域用他的语言讲清楚，"少了那一层人的东西，有点伤感"。他还说，学生被AI浪潮和"以后还有没有工作"压得只敢想三到六个月以内的事。
Brunton：我会紧咬一个工程问题不放，但也要给自己留出用余光四处看的自由，生物，材料这些相邻领域的混乱和复杂，常常就是灵感的来源。
聊到"数学是发明还是发现"，Brunton的回答是"两者都是"：我们创造形式化工具，而它们出奇地有效，这本身就是奇迹。他说自己至今还在纠结整数到底存不存在。
Kontorovich接着补充：人类花了几千年才发现零；西方数学家接受负数，居然还在接受复数之后；微积分让人第一次认真面对无穷，到19世纪柯西和傅里叶证出互相矛盾的定理，"无穷"才被迫专业化，今天博士一年级的很多课程就是那场危机留下的。
十. PvsNP：最坏情况，就像用最坏结果来决定婚姻
Moitra：PvsNP大概最难撼动。我们甚至证明不了SAT需要比"把输入读一遍"更多的时间，尽管大家相信它需要指数级时间。
Lex打了个比方：复杂性理论里说的"难"是指最坏情况，这就像靠"最坏能发生什么"来决定要不要和一个人结婚，放在人际关系上恐怕不是好办法。
Moitra借秘书问题解释"在线算法"：候选人一个个来，你必须当场决定录不录用，目标是尽量选到最好的那个。他又举了电脑缓存的例子：笔记本时时刻刻都在猜接下来要读哪些数据。他认为一个重要方向是弄清现实中的输入为什么不是最坏情况，这是一个"反问题"，需要把世界粗粒度化，粗到刚刚好的程度。
Kontorovich补了一个例子：随机挑一个大数，分解它很容易，一半都是偶数。真正难的是两个大素数相乘得到的那种特殊数。
十一. LLM为什么好用：爱猫头鹰的模型
Lex再次深究深度学习为什么管用。Moitra坦言，现有理论里没有哪个界限能解释LLM，关键在于自然数据"很友好"。
Moitra：蛋白质折叠在最坏情况下是计算难题，可大自然天天在折。我的看法是，演化本身挑出了那些好折的蛋白，就像我们的语言也演化得让这些问题变容易了。
然后，他讲了一个让人背后发凉的实验：
Moitra：给模型A一个系统提示，说"你特别爱猫头鹰，一有机会就提猫头鹰"，然后只让它输出一串数字。再用这些数字去微调模型B，结果B开始在每次对话里提猫头鹰。这叫"潜意识学习"。
他用自己的低秩模型解释：概念以向量的形式线性地嵌在模型内部，维度不够时这些向量并不完全正交，在一个方向上微调，就会对其他方向产生小小的外溢。
他把这比作小时候玩的通灵板（Ouijaboard）：每个人的手都只是轻轻一推，合在一起，指针就拼出了字。
Lex作为主持人，把话题拉回来。
我们的文明很脆弱，这种隐藏的"猫头鹰"倾向必须弄懂。
Brunton给了一个两轴框架：一条轴是AI输出有多可信，另一条轴是错了代价有多大。"AI给出一个错误的证明，没有人会因此断电。"但高风险的领域必须有验证的防火墙。
十二. AI暂时解不了的问题，以及佩雷尔曼
Lex又问：未来一两年最不可能被解决的问题是什么？
Moitra：我还是押PvsNP。
就算P=NP，如果算法慢到不实用，也就影响有限。他引用《安娜·卡列尼娜》的开头：幸福的家庭都是相似的，不幸的家庭各有各的不幸。
他的担心是，许多问题其实比我们以为的容易，困难的实例却各有各的难。
Kontorovich：准黎曼猜想已经让我很震撼，但它不是黎曼猜想。
Lex又提起了佩雷尔曼，那位说"证明是对的，就是我需要的全部认可"，拒绝了菲尔兹奖的人。
Kontorovich：我完全预测不了佩雷尔曼会怎么做。我没想到他会拒绝菲尔兹奖，也没想到他会拒绝百万美元的克雷奖。
他说奖项的意义在于表彰"我们认为重要的东西"。他现在天天和AI聊数学，学得比以前快得多。以前读不懂论文，得有人教你跳过开头，直接从引理3倒推；以后直接把论文丢给LLM问就行。
Lex的担忧更日常：初中作业开始变难的那个时候，孩子为什么还要自己做？Kontorovich回答，计算器出现几十年了，我们仍然教乘法表。
Kontorovich：孩子第一次学会系鞋带时有多开心？你会觉得不就是鞋带吗。不，那是世界上最棒的事。
最后给年轻人的建议
Kontorovich：对数学博士生，我的建议很简单：照旧，学你脑子能装下的最难，最抽象的数学。我还观察到，有的孩子把笔记丢给AI说"考考我"，成绩好得多；有的说"作业一小时后交，直接告诉我答案"，那就是另一回事了。
Brunton：超级智能并不意味着超级道德。还是要好奇，把线性代数，微积分这些基础学扎实，即使电脑算得比你好。
Lex补了一句：好奇心正在被注意力经济偷走，让你好奇的那台引擎，也正是让你停不下刷手机的那台。
轮到Moitra最后发言，他自己笑说"最后一个讲，好建议都被说完了"。
Moitra：我上大一时，拿小本子排四年课表，只为了大二能上光子学，其实根本不知道光子学是什么，只觉得听起来很酷。
现在的社会从高中起就教你优化AP和课外活动，进名校，为前沿实验室的面试翘课，拿股票……你每一关都赢了，那又怎样？Sanjeev Arora当年告诉我："拿终身教职最简单的办法，就是假装已经拿到了，去做你一直想做的事。"
Lex坦言自己是在和三位"幸存者"对话，并把Moitra的话总结成面对恐惧的方法：想象你已经赢了，那个赢了的人现在会做什么？
最后，Brunton来收尾：我们做了大约三十年的实验，看机器能做多少事；现在机器能做的太多了，他希望我们会发现，自己其实更愿意和人一起做事。
Lex接着说，当AI让智能变得廉价，要知道，智能和那些谜题不过是锦上添花，真正重要的是生活本身，和生活里的人。
