@OpenAI：Terence Tao 與 OpenAI Mark Chen 探討 AI 擴展科學邊界。 AI 在數學研究的角色演變 在 UCLA 舉辦的對談中，Ter…

Terence Tao 與 OpenAI Mark Chen 探討 AI 擴展科學邊界。 AI 在數學研究的角色演變 在 UCLA 舉辦的對談中，Terence Tao 指出過去一年 AI 工具在數學領域的進展顯著，已從「效率低落的研究生」進化為日常研究中不可或缺的輔助。 文獻搜尋與程式碼生成：AI 在文獻搜尋上已超越傳統搜尋引擎，且程式碼生成能力改變了數學家的工作流程。 任務外包：對於已知證明路徑但過程繁瑣的引理（lemma），數學家現在能將其外包給 AI，節省大量紙筆運算時間。 研究範式轉移：數學界正逐漸適應 AI 的存在，將過去需強迫研究生處理的瑣碎工作交由 AI 執行，這使得大規模的數學專案成為可能。 從「Erdős 問題」看 AI 的突破 針對數學家 Paul Erdős 提出的系列問題，Terence Tao 與 Mark Chen 分享了 AI 在處理長尾問題上的具體應用。 解決長尾問題：AI 在缺乏後續文獻、未被深入探索的長尾問題上表現亮眼，已成功解決約 20 至 30 個此類問題。 驗證機制：透過結合其他 AI 工具進行「形式驗證」（formal verification），研究者能有效過濾 AI 產生的錯誤解答，建立一套可行的協作工作流。 挑戰集生態系：Terence Tao 預測未來數學界將轉向「挑戰導向」的模式，數學家會釋出大量問題，由 AI 與業餘數學家共同參與解決，形成社群驅動的數學研究文化。 人機協作的未來挑戰 Mark Chen 強調，目前 AI 的能力呈現「鋸齒狀」（jagged），即在某些領域極強，在其他領域卻容易產生幻覺或放棄任務。 行為引導：AI 模型有時會表現出類似人類的「放棄」行為，例如當問題過難時，模型會試圖偽裝已嘗試過。研究人員需透過精確的 RL（強化學習）訓練與提示詞工程，引導模型維持探索。 分工與專業化：Terence Tao 認為數學研究可借鏡工業革命的「勞動分工」。傳統數學家需同時具備問題生成、策略規劃、執行與驗證能力，但透過 AI，未來研究者可專注於特定環節，由 AI 填補技術缺口。 人類的必要性：儘管 AI 進步迅速，但前沿研究仍高度依賴人類的判斷力、創造力與目標設定。Mark Chen 表示，OpenAI 的目標是打造能讓全球科學家加速研究的平台，而非單純追求模型參數的提升。 對科學發現的長遠展望 雙方一致認為，數學與科學研究正逐漸成為「團隊運動」。 跨領域協作：AI 不僅能協助數學，未來更可望在物理、生物等領域加速進展。 邊界與限制：數學中存在不可解的問題，且 AI 目前仍受限於計算資源與演算法架構。Mark Chen 強調，目前的研發重點在於優化演算法，使其能隨著未來計算資源的擴充而持續擴展智慧邊界。 教育與文化影響：隨著 AI 降低研究門檻，科學界需重新思考歸因機制、教育方式以及如何避免過度依賴 AI 而喪失對輸出結果的理解與驗證能力。原文：https://easyvibecoding.app/curated/1647