數學家未來是策展人，價值不在證明裡
AI 能解題、能解釋、能證明定理；數學家的價值將轉向判斷哪條路值得走——併成為人們信任的策展人。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 時間戳為按文稿位置估算
IMO 金牌的侷限
Grant 回顧三年前關於「IMO 金牌是否等於 AGI」的討論，認為當時的回答正確。幾何題可以被暴力求解器在 19 秒內解出，組合題仍難住 AI；2024 年 AI 之所以沒拿金牌，是因為遇上了組合題。真正的差異不是「能不能做題」，而是 AI 能力呈「尖刺」狀——某些領域突破級，另外大部分仍是空白。
— Grant SandersonRiemann 猜想的兩種解法
Grant 把未來可能的 Riemann 猜想證明分成兩類：一類是「閃電式」，用意想不到的方式連接兩個領域（Montgomery-Dyson 的故事），人能輕易看懂；另一類是「造山式」，建立全新理論框架（像 Fermat 大定理），這類證明需要更高智能，而且會溢出到經濟其他領域。這一區分決定了 AI 證明對人類到底有多大的解釋成本。
— Grant Sanderson定義是最高階創造
Grant 說，好數學家證定理，偉大數學家提猜想，最偉大的數學家創造定義。從 Lagrange 的直覺、Abel 的證明，到 Galois 把抽象概念固定下來，再到 Jordan 整理成現代群論，一個「定義生成」的突破經過上百年才完全被驗證。RLVR 等驗證機制很難捕捉「提出新定義」這種動作。
— Grant SandersonAI 證明可不可懂看類型
Grant 認為 AI 證明能否被人類消化，取決於它是「閃電式」還是「造山式」：Erdős 1196 問題那樣的連接容易被理解，abc 猜想式的證明則可能像外星數學。他引用 Timothy Chow「未解決的說明問題」：證明不等於解釋，而 AI 未來也許同樣可以把解釋做得很好。
— Grant Sanderson數學家未來如策展人
Grant 預測數學家的角色會轉向策展人：AI 能解題、能解釋，但在「近乎無限的想法空間」裡，仍需要有人決定哪些想法值得投入時間。這個動機是社交性的——人們信任與自己有關係的人做的選擇。即使 AI 更擅長策展，人類仍會偏好有關係的策展人。
— Grant Sanderson可磨性比可驗證性更重要
Dwarkesh 提出：AI 在數學和編程上進步快，不只是因為結果可驗證，而是因為任務「可磨」（grindability）——能把模型並行跑大量 rollout，再確定性地做信用分配。計算機使用雖然也可驗證，但網站有反爬蟲，很難並行；數學和代碼可以容器化，現實世界卻難以複製。這解釋了為什麼 AI 學代碼、數學遠快於學真實操作。
— Dwarkesh PatelLLM 解釋像維基百科
Grant 說 LLM 解釋目前很像維基百科：每句話都對，也很了不起，但一頁裡最有用的往往是底部的參考文獻。好的講解允許暫時引入稍錯的內容再糾正，眾包環境卻會把這些編輯掉。所以他自己常問 LLM「該讀誰」，而不是直接要解釋，把 LLM 當成增強版 Google 來定位人類創作資源。
— Grant SandersonAI 數學價值是尖刺狀的
Grant 認為 AI 數學對經濟的貢獻也是「尖刺狀」：代數數論突破未必解鎖什麼，PDE 相關研究卻可能直接應用。他舉例一個研究組用模擬優化飛機設計，為 Boeing 節省了數十億美元。他預測五年內會出現直接歸因於 AI 數學的經濟價值改進，但不願把話說完。
— Grant Sanderson原話 · 已逐字校驗
good mathematicians prove theorems, great mathematicians come up with conjectures, and the greatest mathematicians come up with definitions.
好的數學家證明定理，偉大的數學家提出猜想，最偉大的數學家創造定義。
Grant Sanderson9:00
There is a difference between proof and explanation.
證明與解釋之間存在差異。
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.
你給一個人生火，他暖一夜；但你把一個人點燃，他暖一輩子。
Grant Sanderson38:08
It’s not even a field of math so much as it is a research ethos.
它與其說是一個數學領域，不如說是一種研究精神。
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 的解釋目前給我的感覺很像維基百科，也就是說，很棒。想像一個沒有維基百科的世界，要花多久才能找到並弄懂一切。但話說回來，維基百科頁面最有用的部分是什麼？往往是底部的參考文獻。
Grant Sanderson1:02:15
It can’t be slop in the way that code can be slop and still produce the outcome you want.
它不能像代碼那樣可以寫得爛但仍產生你想要的結果。
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.
它有點太迎合了。這歸根結底是那種諂媚行為，總是「哦，多麼有見地的問題」。你想要去掉這些。
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.
我實際上認為教學是 AGI 之後最穩定的工作之一，因為它非常注重人際關係。
Grant Sanderson1:13:00
數字與實體
| IMO 幾何題解決時間 | 19 秒 | 3:10 |
| Galois 去世年齡 | 26 歲 | 22:30 |
| Erdős 問題編號 | 1196 | 30:00 |
| AI 在數學進步的關鍵因素 | 可驗證性 + 可磨性（grindability） | 53:48 |
| Lean 在 AI 數學進展中的作用 | 被高估，但仍有潛力 | 53:48 |
| DeepMind IMO 解題方式 | 第一年用 Lean，第二年用自然語言 | 53:48 |
| AI 寫作差的另一個原因 | 缺乏心智模型（theory of mind） | 1:07:07 |
| Boeing 節省金額 | 數十億美元 | 1:21:00 |
術語
- grindability可磨性
- 任務能被容器化並並行大量嘗試，從而確定性地解決信用分配問題。
- theory of mind心智模型
- 對他人認知狀態的感知與預測能力；寫作需要它而 AI 欠缺。
- RLVR可驗證獎勵強化學習
- 用可自動驗證的獎勵信號訓練模型，適用於數學、代碼等客觀答案任務。
- Langlands ProgramLanglands 綱領
- 尋找不同數學領域深層連接的研究精神，而非某個具體待證問題。
收聽指南
想判斷 AI 能力邊界的創業者和工程師，尤其關心數學/代碼是否比現實世界更早被 AI 接管的人。
開頭 IMO 奪金回顧可跳；Riemann 兩分法與 Galois 那段別錯過。