数学家未来是策展人，价值不在证明里
AI 能解题、能解释、能证明定理；数学家的价值将转向判断哪条路值得走——并成为人们信任的策展人。
核心论点 · 时间戳为按文稿位置估算
IMO 金牌的局限
Grant 回顾三年前关于「IMO 金牌是否等于 AGI」的讨论，认为当时的回答正确。几何题可以被暴力求解器在 19 秒内解出，组合题仍难住 AI；2024 年 AI 之所以没拿金牌，是因为遇上了组合题。真正的差异不是「能不能做题」，而是 AI 能力呈「尖刺」状——某些领域突破级，另外大部分仍是空白。
— Grant SandersonRiemann 猜想的两种解法
Grant 把未来可能的 Riemann 猜想证明分成两类：一类是「闪电式」，用意想不到的方式连接两个领域（Montgomery-Dyson 的故事），人能轻易看懂；另一类是「造山式」，建立全新理论框架（像 Fermat 大定理），这类证明需要更高智能，而且会溢出到经济其他领域。这一区分决定了 AI 证明对人类到底有多大的解释成本。
— Grant Sanderson定义是最高阶创造
Grant 说，好数学家证定理，伟大数学家提猜想，最伟大的数学家创造定义。从 Lagrange 的直觉、Abel 的证明，到 Galois 把抽象概念固定下来，再到 Jordan 整理成现代群论，一个「定义生成」的突破经过上百年才完全被验证。RLVR 等验证机制很难捕捉「提出新定义」这种动作。
— Grant SandersonAI 证明可不可懂看类型
Grant 认为 AI 证明能否被人类消化，取决于它是「闪电式」还是「造山式」：Erdős 1196 问题那样的连接容易被理解，abc 猜想式的证明则可能像外星数学。他引用 Timothy Chow「未解决的说明问题」：证明不等于解释，而 AI 未来也许同样可以把解释做得很好。
— Grant Sanderson数学家未来如策展人
Grant 预测数学家的角色会转向策展人：AI 能解题、能解释，但在「近乎无限的想法空间」里，仍需要有人决定哪些想法值得投入时间。这个动机是社交性的——人们信任与自己有关系的人做的选择。即使 AI 更擅长策展，人类仍会偏好有关系的策展人。
— Grant Sanderson可磨性比可验证性更重要
Dwarkesh 提出：AI 在数学和编程上进步快，不只是因为结果可验证，而是因为任务「可磨」（grindability）——能把模型并行跑大量 rollout，再确定性地做信用分配。计算机使用虽然也可验证，但网站有反爬虫，很难并行；数学和代码可以容器化，现实世界却难以复制。这解释了为什么 AI 学代码、数学远快于学真实操作。
— Dwarkesh PatelLLM 解释像维基百科
Grant 说 LLM 解释目前很像维基百科：每句话都对，也很了不起，但一页里最有用的往往是底部的参考文献。好的讲解允许暂时引入稍错的内容再纠正，众包环境却会把这些编辑掉。所以他自己常问 LLM「该读谁」，而不是直接要解释，把 LLM 当成增强版 Google 来定位人类创作资源。
— Grant SandersonAI 数学价值是尖刺状的
Grant 认为 AI 数学对经济的贡献也是「尖刺状」：代数数论突破未必解锁什么，PDE 相关研究却可能直接应用。他举例一个研究组用模拟优化飞机设计，为 Boeing 节省了数十亿美元。他预测五年内会出现直接归因于 AI 数学的经济价值改进，但不愿把话说完。
— Grant Sanderson原话 · 已逐字校验
good mathematicians prove theorems, great mathematicians come up with conjectures, and the greatest mathematicians come up with definitions.
好的数学家证明定理，伟大的数学家提出猜想，最伟大的数学家创造定义。
Grant Sanderson9:00
There is a difference between proof and explanation.
证明与解释之间存在差异。
Grant Sanderson14:58
You build a man a fire, and he’s warm for one night. But set a man on fire, and he’s warm for the rest of his life.
你给一个人生火，他暖一夜；但你把一个人点燃，他暖一辈子。
Grant Sanderson38:08
It’s not even a field of math so much as it is a research ethos.
它与其说是一个数学领域，不如说是一种研究精神。
Grant Sanderson40:56
LLM explanations feel to me at the moment a lot like Wikipedia, which is to say, amazing. Imagine a world before Wikipedia, how long it would take to find and suss everything. But nevertheless, what’s the most useful part of a Wikipedia page? It’s often just the references at the bottom.
LLM 的解释目前给我的感觉很像维基百科，也就是说，很棒。想象一个没有维基百科的世界，要花多久才能找到并弄懂一切。但话说回来，维基百科页面最有用的部分是什么？往往是底部的参考文献。
Grant Sanderson1:02:15
It can’t be slop in the way that code can be slop and still produce the outcome you want.
它不能像代码那样可以写得烂但仍产生你想要的结果。
Dwarkesh Patel1:07:07
It’s a little too placating. This is ultimately that sycophantic behavior where it’s very, “Oh, what an insightful question.” You want to strip that down.
它有点太迎合了。这归根结底是那种谄媚行为，总是「哦，多么有见地的问题」。你想要去掉这些。
Grant Sanderson1:07:20
I actually think teaching is one of the most stable post-AGI jobs that there is, because it’s so relational.
我实际上认为教学是 AGI 之后最稳定的工作之一，因为它非常注重人际关系。
Grant Sanderson1:13:00
数字与实体
| IMO 几何题解决时间 | 19 秒 | 3:10 |
| Galois 去世年龄 | 26 岁 | 22:30 |
| Erdős 问题编号 | 1196 | 30:00 |
| AI 在数学进步的关键因素 | 可验证性 + 可磨性（grindability） | 53:48 |
| Lean 在 AI 数学进展中的作用 | 被高估，但仍有潜力 | 53:48 |
| DeepMind IMO 解题方式 | 第一年用 Lean，第二年用自然语言 | 53:48 |
| AI 写作差的另一个原因 | 缺乏心智模型（theory of mind） | 1:07:07 |
| Boeing 节省金额 | 数十亿美元 | 1:21:00 |
术语
- grindability可磨性
- 任务能被容器化并并行大量尝试，从而确定性地解决信用分配问题。
- theory of mind心智模型
- 对他人认知状态的感知与预测能力；写作需要它而 AI 欠缺。
- RLVR可验证奖励强化学习
- 用可自动验证的奖励信号训练模型，适用于数学、代码等客观答案任务。
- Langlands ProgramLanglands 纲领
- 寻找不同数学领域深层连接的研究精神，而非某个具体待证问题。
收听指南
想判断 AI 能力边界的创业者和工程师，尤其关心数学/代码是否比现实世界更早被 AI 接管的人。
开头 IMO 夺金回顾可跳；Riemann 两分法与 Galois 那段别错过。