正在加载视频...

视频加载失败

Sam Altman正面回应:为什么数学家对OpenAI内部模型狂解数学题如此愤怒?! 他没回避直截了当的说:真正让数学家们愤怒的不是失业,而是那份“我解了超极难的题、我变强了”的成就感正在消失。 他还补充:编程当年被喊“没工作了”,结果软件需求爆炸,程序员更忙、更赚钱。 而数学不一样:AI可能把“独立发现新定理”这件事基本做完了。 现在的新工作变成:把AI甩出来的“人类看不懂的证明”翻译成漂亮、可理解的版本。 有人在哀悼,有人在转型。数学的浪漫时代,可能真的结束了。 你觉得这是进步,还是某种美好的终结? #AI #OpenAI #SamAltman #数学 #AGI #AI革命 #数学家 #内部模型

25,455 次观看 • 24 天前 •via X (Twitter)

21 条评论

Avyn 👾 的头像
Avyn 👾24 天前

mathematicians aren't mad about losing jobs, they're mad the model didn't suffer for the proof

SuSu_酥酥👅 的头像
SuSu_酥酥👅24 天前

没错,AI太凡尔赛了吧😂

Avyn 👾 的头像
Avyn 👾24 天前

haha right?? the labs flexing on each other is the best free entertainment on this app

Light@白酒云 的头像
Light@白酒云24 天前

编程那个类比有点偏。软件需求会爆炸,是因为每家公司都缺系统;数学定理没有甲方。往后数学家可能更像审稿人,AI 甩出来几十页证明,得有人判断哪条值得写进教科书。

SuSu_酥酥👅 的头像
SuSu_酥酥👅24 天前

以后只剩下会用AI的数学家

知遥 的头像
知遥24 天前

磨了半辈子的成就感,AI 五分钟就给你刷新了

SuSu_酥酥👅 的头像
SuSu_酥酥👅24 天前

抓紧转行吧

安叫兽|Bird🕊️ 🔶 BNB 的头像
安叫兽|Bird🕊️ 🔶 BNB24 天前

数学家气的可能不是失业,是连证明“我能解”都不再稀罕了

SuSu_酥酥👅 的头像
SuSu_酥酥👅24 天前

数学家们头疼🤦

小動物管理員 的头像
小動物管理員24 天前

世界上有很多东西是个体再聪明也无法改变的,打不过就加入

Avyn 👾 的头像
Avyn 👾24 天前

he's right and it's the same cycle every time. 'this kills jobs' becomes 'demand explodes'. achievement just moves up a level

Bitget70%省费管家 的头像
Bitget70%省费管家24 天前

这种成就感缺失确实比单纯丢工作更让人焦虑

CiCi 的头像
CiCi24 天前

这么一说数学家就更生气了😤

aJin 的头像
aJin24 天前

根本不是这个理,核心点是认知萎缩了,向上阶梯被抽了,下一代人依赖AI就像手机一样了,心智甚至会退化

Avyn 👾 的头像
Avyn 👾24 天前

the mathematicians aren't mad the model solved it. they're mad it solved it without the beautiful suffering part

杰尼斯威克斯 的头像
杰尼斯威克斯22 天前

数学像是当年 alphago 出现的困境,围棋并没有消失,不过大家都在学习 ai 的谱了

Albert Xi 的头像
Albert Xi24 天前

就是搶飯碗 數學家氣急敗壞 就這麼簡單

Olivier 的头像
Olivier23 天前

Prouver ces 700 theoremes leur a coute 700 × 300000 € en 700x3h intense de data center A ce prix la, on peut engager 7 genies pendant 100 ans pour montrer bien plus que 700 theoremes... Les mathematiciens savent compter ;)

Crypto Ted | Web3 × AI 的头像
Crypto Ted | Web3 × AI23 天前

我覺得重點是成就感被拿走 不是工作被拿走 這個其他行業很快也會遇到

ShinCi 的头像
ShinCi24 天前

数学家都要崩溃了

lee 的头像
lee24 天前

他以为他们很先进,其实只是算力领先而已,同等算力下,中国可以超越美国

相关视频

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上,陶哲轩做了一次 AI 和数学的演讲,非常精彩,从数学使用计算计算机的历史开始讲起,一直讲到大语言模型,干货相当多,尤其适合对数学有兴趣的同学。 (对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看) 先摘录几个冷知识: 1. 我们使用机器做数学计算已经有数千年,最早的机器辅助计算可能是罗马人,然后是中国的算盘 2. 二战时就有人肉“计算机”,计算弹道和其他任务,多位女孩子,因为男士们在打仗,所以那时候的计算基本单位不是GPU,而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在,数学家们使用一种现代化的证明辅助编程语言,叫做 Lean。在 Lean 中有一个核心的数学库,通过众包的方式开发的,本科数学课程中看到的内容,比如微积分基础、群论基础或者拓扑学等等,这些都已经被形式化了,所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程,那就是先编写一个称为“蓝图”的详细证明计划,将整个证明分解为数百个小步骤。每个步骤可以单独形式化,然后再将它们整合在一起,这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图,然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年,陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了,使用了蓝图工具,参与的人中有概率论专家,甚至还有一些并非数学家的人,他们是程序员,但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务,并完成了它。 在数学领域,通常很难这么多人一起合作,一般最多可能五个人合作。因为在大项目上合作时,你必须相信每个人的数学都是正确的。但是,一旦超过一定规模,这就无法实现了。但现在借助 Lean 编译器,它能自动检查。团队成员无法上传任何编译不通过的内容,会被拒绝。因此,你可以与一些从未见过的人合作。 最后是讲大语言模型,首先陶哲轩就打脸了 GPT-4 的论文(我猜是微软那篇《GPT-4,通用人工智能的火花》),论文中号称 GPT-4 能解决国际数学奥林匹克问题,但实际上,这个问题不是 2022 年国际奥数竞赛的原始问题,而是一个简化版本,并且他们测试了几百道国际奥数竞赛问题,成功率只有1%,论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案: 比如 CoT(Chain of Thought),也就是 LLM 做简单的算术运算都做不对,但是如果让它一步步解释,可能就对了。还可以教 AI 一些解题技巧,比如尝试简单的例子,反证法,尝试逐步证明等。 比如让模型和编程语言或者工具连接,将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证,并且迭代的进行修正和验证,直到得到正确的结果,这可以提升大语言模型生成的效果。 即使借助这些手段,大语言模型还远远不能解决大多数数学问题,更不用说数学研究问题了! 当然陶哲轩也没太过打击大家对于 AI 的信心,表示我们在 AI 上还是在不断的取得进展,还提到了他日常是怎么用 AI 的,比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题,我尝试了几种方法,但都无法解决。于是,我尝试询问 GPT,你建议我使用什么其他方法来解决这个问题?GPT 给我提供了 10 种可能的方法,其中有 5 种我已经尝试过,或者明显没有帮助。的确,有几种方法并不实用。但其中有一种我还没尝试过的方法,那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时,我意识到这就是我漏掉的正确方法。所以,将 GPT 视为一个交流伙伴,它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码,让它自动生成下一步的证明结果,Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具,你只需要写下一半的证明,它就会尝试猜测接下来的内容。大概有 20% 的情况下,它能猜到接近正确的答案。然后你就可以说,我接受这个答案。好的,那么在这种情况下,我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行,尽管你可能看不清楚,却真的解决了这个问题。所以,你不能盲目接受它的输入,因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解,这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行,它们就能自动完成。现在已经有了这样的实验,即通过迭代地让 AI 提供证明,然后让编译器进行反馈,如果编译出错,就把错误信息反馈给 AI。通过这种方法,我们开始能够验证四五步长的证明。当然,一个大型的证明可能需要数万行。所以,我们还没有达到能够立即得到一个正式证明的程度。但是,这已经是一个相当有用的工具。 对于大家关心的问题: AI 在数学领域现在到了哪一个阶段?是否未来几年利用 AI 能直接解决数学问题? 陶哲轩也给出了他的看法: > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题,你可以定制专门的 AI 来处理一小部分问题。即便如此,它们也不是完全可靠的,但还是有用的。不过至少在接下来的几年里,它们基本上将是非常有用的辅助工具,超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向: - AI 能够非常好地生成有价值的猜想 > 比如,我们已经看到了关于结理论的例子,它们已经可以推测出两个不同的统计量之间的关系。因此,我们希望能够创建大量的数据集,输入到 AI 中,它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点,部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在,因为证明定理是如此繁琐和艰难的过程,我们一次只能证明一个定理,如果你效率很高,可能一次能证明两三个。但是有了 AI,你可以设想一下未来的情况,我们不是试图解决一个问题,而是处理一类类似的1000个问题,然后告诉AI,尝试用这个方法解决这 1000 个问题,然后报告结果,哦,我能用这种技术解决 35% 的问题。那么另一种技术呢?我能解决这个百分比的问题。或者如果结合这些方法,又能解决多少问题?你可以开始探索问题的空间,而不是一个接一个地解决问题。这是你现在根本无法做到的事情,或者是你需要几十年时间,通过数十篇论文慢慢搞清楚各种技术能做什么,不能做什么。但是有了这些工具,你真的可以开始做规模前所未有的数学研究。所以,未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好: > 我们仍然会以传统方式证明定理。事实上,我们必须这样做,因为如果我们自己都不知道如何做这些事情,就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题:如果我们自己都不知道如何构建软件,就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用,但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频:

宝玉

306,450 次观看 • 2 年前

陶哲轩给数学学不好但有兴趣的学生的建议: “现在的人必须具备适应性和灵活性。大家需要掌握那些“可迁移的技能”(transferable skills)。比如,仅仅学习一门特定的编程语言,或者数学的某个特定分支,其本身并不是一种特别有价值的可迁移技能。 但是,学习如何运用抽象概念进行推理,或者在遇到问题时如何解决问题的能力——我认为这些才是我们未来依然需要的核心能力。即便我们的工具(比如 AI)越来越强大,你仍然需要与它们协同工作。” --- 莱克斯·弗里德曼 (Lex Fridman): 接着这个话题,您会对那些在数学上遇到困难,但又很感兴趣、想要学得更好的年轻学生们提些什么建议呢?在如今复杂的教育环境下,您觉得他们可以做些什么? 陶哲轩 (Terence Tao): 是的,这确实是个棘手的问题。但有个好消息是,现在课堂之外,能让孩子们接触和拓展数学学习的资源越来越多了。在我那个年代,就已经有数学竞赛,图书馆里也有很多数学科普读物。而现在,我们有了 YouTube,还有各种专门讨论和解决数学谜题的论坛,数学也开始在更多意想不到的地方出现。 从兴趣爱好入手,数学也可以很亲民 陶哲轩: 比如,有些业余爱好者喜欢玩扑克,纯粹是为了好玩。但为了某些非常具体的原因,他们会对一些特定的概率问题产生浓厚的兴趣。实际上,在扑克圈子里,已经形成了一个业余概率学家的社群。同样的情况也出现在国际象棋、棒球等领域。数学其实无处不在。 公民科学:让公众参与到数学研究中 陶哲轩: 我其实非常希望,借助像 Lean(一个定理证明助手)这样的新工具,我们能让更广泛的公众参与到数学研究项目中来。 这在目前几乎是从未发生过的事。在其他科学领域,已经有了一些“公民科学”(citizen science) 的实践。比如在天文学,有业余爱好者发现新的彗星;在生物学,有普通人帮忙识别蝴蝶种类等等。 在数学领域,之前也只有极少数的活动能让业余数学爱好者参与,比如寻找新的素数。但过去,我们必须验证每一个贡献的正确性。因此,对于大多数数学研究项目来说,引入公众的参与非但没有帮助,反而会因为大量的错误检查工作而非常耗时。 但是,像数学形式化这样的项目有一个好处,那就是它们能把更多的人聚集起来。我相信,现在已经有高中生为 Mathlib(一个数学定理库)这样的形式化项目做出了贡献。想要参与进来,解决一个小小的、原子级别的问题,你并不需要拥有博士学位。 编程:一条通往数学的捷径 莱克斯·弗里德曼: 数学的形式化似乎也为编程社区打开了一扇大门。那些对编程感到习以为常的人,或许能更容易地走进数学世界。给我的感觉是,编程似乎比数学更容易上手。 数学,特别是现代数学,被看作是一个门槛极高的领域,而编程则不同。所以,编程或许可以成为一个很好的切入点。 陶哲轩: 是的,你可以运行代码,然后立刻看到结果,比如很快就能打印出 "Hello world"。如果编程也被当作一门纯理论的学科来教,只教计算机科学、函数理论、程序理论等等,而不让你在周末为了好玩去实际写写代码,那么它也会被认为和数学一样难。 在热爱的领域里,发现数学、应用数学 陶哲轩: 正如我刚才所说,在很多非数学家的圈子里,人们为了某个非常具体的目标而在运用数学,比如优化他们的扑克策略。对他们来说,数学因此变得非常有趣。 给年轻人的职业建议:拥抱不确定的未来 莱克斯·弗里德曼: 总的来说,对于年轻人如何选择职业、如何找到自己的定位和天赋所在,您有什么建议? 陶哲轩: 这个问题真的非常难回答。当今世界充满了不确定性。你知道,战后曾经有过一段时期,至少在西方,如果你来自一个不错的家庭背景,通往好职业的道路是非常稳定的:上大学、接受教育、选择一个专业,然后一直做下去。 莱克斯·弗里德曼: 那样的时代越来越成为过去了。所以我认为,现在的人必须具备适应性和灵活性。大家需要掌握那些“可迁移的技能”(transferable skills)。 陶哲轩: 的确。比如,仅仅学习一门特定的编程语言,或者数学的某个特定分支,其本身并不是一种特别有价值的可迁移技能。但是,学习如何运用抽象概念进行推理,或者在遇到问题时如何解决问题的能力——我认为这些才是我们未来依然需要的核心能力。即便我们的工具(比如 AI)越来越强大,你仍然需要与它们协同工作。 莱克斯·弗里德曼: 确实,您本人就是一个很有趣的案例。 完整视频:Terence Tao: Hardest Problems in Mathematics, Physics & the Future of AI | Lex Fridman Podcast #472

宝玉

88,601 次观看 • 1 年前

说实话,OpenAI这条推文我看了三遍。 第一遍看懂了"AI解了80年数学悬案", 第二遍看懂了"几何问题用数论来破", 第三遍才反应过来——最震撼的不是结果,是AI自己想出了这条路, 而咱们人类80年来都觉得这条路太冷门不值得走。 这道题叫平面单位距离问题,1946年埃尔德什提出来的。 简单说就是:平面上撒一堆点,让尽量多的点对之间距离正好是1。 80年来所有数学家都信一个结论:最优解长得像方格子,没法再优化了。 OpenAI的AI说:你们错了,它找了一整族全新的构造方法,不是方格子,效率比方格子明显高出一截。 用的什么工具呢? 就是代数数论里最冷门的那套——无限类域塔、Golod–Shafarevich理论。 因为几何和数论,这两帮数学家以前基本不聊天,AI说你们应该聊聊🤣 菲尔兹奖得主Tim Gowers写进审稿论文:如果是人写的,我直接推荐《数学年刊》接收。 数论专家Arul Shankar说:AI不只是助手,它有了原创天才想法并完整执行。 他的125页思维链已经公开,人类数学家验证通过,证明这不是噱头炒作。 以前AI在数学里的角色很清晰: 辅助验证, 帮人算, 搜索已知模式, 但这次不一样, AI自己想了一条路, 人类80年都觉得这条路太冷门、太反直觉、不值得走, AI偏偏走了,而且还走通了。 人类觉得不靠谱所以没试的路,有多少其实是通的? 这事想想有点后背发凉,但更多的是期待 hhh

AYi

31,474 次观看 • 5 个月前

千万别拿我和张雪峰这个大傻逼作对比。 网友:我想学AI相关的专业,我对AI很感兴趣,请问我应该选计算机还是数学? 我:你一定要选计算机,先把python和数据结构基础打好, 然后从deep learning这门课开始学,可以在家配置一个nvidia GPU的笔记本或者台式机,或者用google colab,先从最简单的 CNN 开始训练,找一个dataset,自己安装好pytorch和cuda、cudnn,抄一个经典CNN model,训练你的第一个神经网络, 然后可以学习transformer,学习encoder only的BERT,学习decoder only的GPT模型,从minGPT开始,训练你的最小版本的GPT模型, 如果你对训练模型感兴趣,可以读个PhD,如果你的inference感兴趣,可以多花点时间看cuda,简单学习一下nvidia tensor core architecture,可以了解GPT后续的模型的架构, 如果你对inference感兴趣,你也可以直接看vllm的架构,读里面的代码,理解vllm是如何load一个用pytorch训练好的LLM模型, 如果你对AI Agent感兴趣,可以从ReAct Agent开始看,然后看SWE Agent,知道一个Agent是如何抽象出来的,如何调用function call,如何自己做reasoning,如何把一个软件开发的任务用agentical的方式拆分和执行的, 然后你可以看codex的架构,看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。 张雪峰(下面视频中可以找到原话): 孩子,你一定要学数学,数学学好了可以转互联网、AI、科技、半导体、金融所有专业,数学是一切专业之母,所有专业的老祖宗! 孩子,deepseek就是一群纯数学博士造出来的,这些人天天研究数学,就把deepseek造出来了! 孩子,AI本质就是数学建模,就是一个个自变量,你只有研究数学,一直读到数学博士,才能把这些数学建模研究明白,计算机毕业生是永远研究不明白AI的! 我的结论是,鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝,都是彻彻底底的大傻逼。

lidang 立党 (劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人)

273,352 次观看 • 7 个月前