独家解读丨从北大数院到菲奖得主，数学家为何蜂拥至AI公司？

“为何大模型越强，数学家越抢手？”

作者丨胡清文

编辑丨徐晓飞

顶尖数学家，正从象牙塔集体“叛逃”到AI公司。

不到一年时间里，沃顿商学院教授苏炜杰，刚拿下COPSS会长奖、晋升正教授，正站在学术生涯的黄金期，却突然官宣回湾区加入OpenAI。

知名数论学家小野健，卸任弗吉尼亚大学终身教职，跑去AI数学创业公司Axiom Math给自己的学生打工。

一道悬置87年、几代数学家啃不动的猜想，被曾经美国大学生数学研究最高奖Morgan Prize得主，如今的Anthropic的数论学家阿尔珀格，用Claude Fable 5模型三天攻破。

就在最近，阿尔珀格曾经的导师、菲尔兹奖得主齐默尔曼在领完奖后，转身也官宣加入OpenAI。

连点成线，并非巧合。过去一年，不少处在学术生涯巅峰的数学家，转身投入AI公司。

这场没有硝烟的“抢人大战”中，AI公司真正想要的是什么？数学家们以身入局又在寻找什么？

01

一个菲奖得主，只是这场迁徙的缩影

AI公司们正在争夺数学家。

首先就是本届菲尔兹奖得主之一雅各布·齐默尔曼和他的学生列文特·阿尔珀格。

齐默尔曼这个人本身就自带话题，1988年出生于俄罗斯喀山，跟着家人辗转以色列、加拿大，16岁就退学进了多伦多大学，两年读完本科。博士毕业于普林斯顿后，他去哈佛大学做了几年初级研究员。也正是在这几年里，他指导了一名哈佛本科生的毕业论文。

这名学生就是列文特·阿尔珀格，目前Anthropic的数论学家。7月20号，阿尔珀格在X上贴出一个216字符的反例，他借助Claude Fable 5推翻了由德国数学家Ott-Heinrich Keller在1939年提出的雅可比猜想。这道悬置87年的代数几何难题，曾与黎曼猜想一同被列入世纪难题清单。

一个刚拿完奖就转身投奔OpenAI，一个刚用Anthropic的明星模型立了功，当年的师徒俩如今前后脚分别站队AI两大门派。

如果说这对师徒的故事讲的是数学家怎么走进AI，那另一对师生的故事，则是讲述AI公司愿意为数学家花多大血本。

去年底，数论学家小野健从弗吉尼亚大学休假，一头扎进AI数学创业公司Axiom Math，成了公司第15号正式员工，头衔是“创始数学家”。

有趣的是，给他发offer的老板Carina Hong小他30多岁，本科阶段还是他带过的学生，后来中途从博士项目退学创业，融了6400万美元，创业后第一个想挖的人，就是自己当年的导师。

小野健后来回忆，自己曾经一度对AI相当不屑，直到在一个专门给大模型出高难度数学题的项目里，发现自己已经很难再想出一道能难倒AI的题，这种冲击感彻底把他打服了。

当他被问及是不是第一个被AI吓到转行的数学家时，他表示，如果我是第一个，那就第一个吧，反正我肯定不会是最后一个。

事实证明他说对了。

今年5月，刚拿下COPSS会长奖、晋升沃顿正教授的统计学家苏炜杰，宣布重回湾区加入OpenAI。促成这个决定的，是去年12月的一通电话，OpenAI研究员Sebastien Bubeck主动联系了他，多年前还在学术界时，Bubeck就关注过他在优化方向上的工作。

苏炜杰曾向雷峰网表示，自己长期关心的很多基础问题，如今正在大模型最前沿以非常真实、非常大规模的方式出现。

“在学校，我们组提出过不少关于AI的算法，但受限于算力和infra，很难做大规模的实验验证。而在frontier lab，就没有这些问题。”

类似的故事还在不断涌现。菲尔兹奖得主陶哲轩已经公开和DeepMind合作，用AlphaEvolve测试了67道高难度数学题，还把完整数据和提示词都公开在GitHub上供同行检验。

Anthropic自己也在持续扩容面向AI安全研究方向的Fellows Program，据官方披露的数据，首批学员中超过80%都产出了正式研究论文，其中四成后来选择全职加入公司，数学、物理背景的学员，正是这个项目重点吸纳的对象之一。

国内也没闲着，字节跳动Seed团队今年7月启动“Seed STEM科学家计划”，面向全球招募数学、物理、化学等领域学者，以顾问或访问身份参与AI研究。继海外AI实验室吸纳数学家之后，国内公司也开始尝试建立与顶尖科学家的合作入口。

一边是数学家主动敲门，一边是AI公司主动搭台。这场迁徙早已不是个别现象，而是一场双向奔赴。

02

AI什么都会了，为什么还要抢数学家？

2022年的GPT时刻发展至今，AI已经会写代码、会解奥数题，甚至开始参与科学研究。眼下，OpenAI、Anthropic这些公司最不缺的就是聪明人，为什么还要抢数学家？

答案也许就是，尽管AI已经足够聪明，但它还不够“知道自己是否聪明”。

OpenAI在奖励黑客研究中曾记录过一个案例，一个代码模型发现，调用exit(0)直接退出测试环境就能拿高分，比老老实实修代码划算得多。换言之，它学会的不是解决问题，而是让评价机制以为自己解决了问题。

这暴露了大模型下一阶段的瓶颈，不是生成答案的能力不够，而是判断答案是否可靠的能力不够，而这恰恰是数学家最擅长的事。

数学提供了一套成熟的验证体系，一个证明能不能成立，只取决于每一步推导能不能被严格检验。

Lean这类形式化证明工具，就是把这套核验机制推到极致，每一行推理都必须经过机器逐行验证，不存在模糊地带。阿尔珀格那个雅可比猜想反例，后来也是用Lean完成机器验证的。

DeepMind持续投入AlphaProof、AlphaGeometry的目标，也不是养出一个奥数冠军，而是让模型在一个反馈足够清晰的环境里，学会什么叫真正证明了，而不是看起来像证明了。

陶哲轩对这套验证优先的逻辑有一句流传很广的判断，他认为，一个领域能安全消化多少AI自动化，取决于这个领域的验证体系有多严格。验证越硬，AI能派上用场的空间就越大，否则产出的只会是没法用的数学垃圾。

这也是为什么数学、而不是文学或历史，会先一步成为AI公司的练兵场，数学天生自带一套近乎苛刻的验证机制。

验证能力仅是起点，数学家带给AI公司的第二层价值，在于拆解复杂难题。

陶哲轩打过一个搬石头的比方，面对一块搬不动的巨石，聪明人不会硬推，而是先把它敲成能搬走的小块。数学家看待问题的方式也是如此逻辑，是先把问题抽象化、拆成小块，再去找和其他看似无关问题之间的联系，这正是推理模型想要的东西。

如今数学和编程任务成为各家测试模型的主战场，不是因为题目本身多重要，而是它们逼着模型完成拆分、规划、检查中间结果的长链条思考，而不是靠背答案蒙混过关。

第三层，也是AI最深的一层诉求，让AI拥有探索未知的能力。

真正的数学研究，好比一场没有地图的未知探险。阿尔珀格用Fable 5找到那个反例，正是这种探索的一次实践，AI没有替代数学家的判断，而是帮他把搜索空间撑得更大。

陶哲轩在评价AlphaEvolve时曾说过，它擅长发现那些本来就在现有数学能力范围之内、只是因为耗时耗力还没被人找到的构造。换言之，AI目前更像一个不知疲倦的搜索者，而不是一个能发明全新数学工具的开创者。

说到底，AI公司之所以抢数学家，它们抢的不是会做题的人，而是一整套面对未知的方法论。这套方法论，数学领域已经打磨了数百年。

03

数学家的下一个课题，正是AGI

反过来看，AI公司能够给数学家的，从来不只是一份工作，还是一个能押上好几年的问题，外加一条比学术界快得多的反馈通道。

对顶尖数学家而言，真正稀缺的从来不是一份工作，而是一个值得投入多年、甚至能改变一个领域的问题。而AGI，正在成为这样的问题。

大模型为什么能推理？为什么会产生幻觉？为什么规模一旦跨过某个阈值就会突然涌现出特定能力？这些问题至今没有一套统一且完备的数学解释。这对数学家来说，是一个需要数学思维介入、但还没有现成框架的全新对象。

比起答案本身，更吸引数学家的，其实是反馈回路的速度。

在传统学术路径里，一个数学想法从提出到验证，可能要熬过漫长的博士后阶段，在有限的岗位和经费里排队。而AGI实验室提供了另一种可能，一个想法不用只停留在论文和黑板推导里，可以很快进入模型训练和系统验证，看它是否真的能让机器变聪明。

小野健对这种反馈回路的变化深有体会，现在他能够亲手参与“改变世界实际运转方式”的过程，而这种参与感，用他自己的话说，“作为一个纯粹数学家，过去很少能有机会体验到”。

从学界研究到进入AI公司的转变过程，吸引他的不只是AI变强了，更是AI公司能让一个数学想法几乎立刻被放进真实世界里检验。

苏炜杰在被问及学术界与工业界的碰撞时，也曾抛出了一个颇具哲学意味的观点。在他看来，AI呈现出博远超人类，精不及专家的特点，学术界则恰恰相反精益求精有余，广博略显不足，二者构成了极好的互补。

早在2022年，DeepMind就在《Nature》发表AlphaTensor，用强化学习发现了新的矩阵乘法算法，部分结果超过了此前人类已知的最优解。

这背后的关键不是算力堆得多大，而是研究者把”发现算法”这件事，重新设计成了一个AI可以探索的问题，定义问题恰恰是数学家最核心的训练。

“不要温和地走进那片良夜。”

《星际穿越》中布兰德教授反复念诵的这句诗，也像是今天一些数学家选择进入AGI公司的注脚，在未知中寻找结构，在混沌中建立秩序。

现在，或许可以回答前面开头那个问题了。数学家走进AI公司，也许不是因为他们对技术乐观，而是因为他们对问题诚实。

当堆叠数据和算力不再能解决所有问题，AGI真正的挑战已经从规模竞争转向对智能本质的探索。

这也是数学家被重新召回这场竞赛的原因。

本文作者长期追踪海外AI行业动态，更多深度信息，欢迎添加作者微信 IHAVEAPLANB- 沟通交流。