数学是终结了，还是仅仅毕业了？
前xAI联合创始人克里斯蒂安·塞格迪以个人经历切入，回忆自己作为匈牙利数学竞赛少年的成长与竞赛结束后的空虚。他将纯粹数学研究比作在未知丛林中的探险：绘制地图、寻找矿藏、打造工具。而人工智能如今正处于莱特兄弟时代的飞机阶段——尚显原始但进步神速，已开始在数学岩石上插旗（解决猜想）。作者认为，AI终将彻底改变数学研究的方式，数学不会终结，而是像他当年的竞赛生涯一样'毕业'，从学术界安静的角落蜕变为驱动一切科技进步的成熟产业。孤胆英雄时代落幕，大规模探索时代开启。
全部文档 / 标签: 数学
17 篇
LLMs do not guess. They optimize. Here is the difference and the math behind it
文章阐述LLM的输出并非猜测，而是优化的结果。作者从基础数学概念讲起，介绍了优化问题的本质：找到使函数最大化或最小化的输入。文章系统梳理了几个关键优化方法：牛顿法（通过切线逼近快速求零点和极值，是现代训练算法的祖先）、黄金分割搜索（无需导数、利用黄金比例实现指数级收敛，用于超参数调优）、单纯形法（1947年Dantzig发明，通过沿多面体顶点移动求解线性规划问题）。文章解释了梯度下降作为简化版牛顿法如何训练拥有数万亿参数的语言模型，并对比了单纯形法与内点法在理论与实践性能上的差异。
24天，100多道数学难题：OpenAI把题做完了，数学家更忙了
OpenAI宣布其内部模型在24天内解决了100多道长期开放的数学难题，包括纳维–斯托克斯方程相关成果。文章梳理了事件时间线：训练从8月28日开始，证明工作由约一万个并发Agent并行完成，耗时88小时，另用17小时完成Lean形式化验证。同时，陶哲轩、舒尔茨等数学家发表公开信，担忧AI过快产出证明会打乱学术规范、方法传承与人才培养。OpenAI还成立了独立的数学与AI顾问组，但无权干涉研究节奏。作者认为，解题速度加快后，证明的解读、教学与学术消化仍需数学界接续完成。
用图论降维打击魔方：拓扑轨迹背后的数学狂暴之美
文章介绍了一段爆火的动态数学动画，用图论视角重新解读三阶魔方。魔方拥有 4.3×10^19 种状态，但数学家将其视为对称置换群和凯莱图：每个状态是节点，每次旋转是有向边，解题本质是寻找通往复原状态的最短路径。通过'上帝之数是 20'的计算结论与基于群论的 Kociemba 算法，展示了抽象代数如何把复杂问题压缩到子群分层解决。作者借此升华：生活和商业中的绝境，若站在更高维度的图论视角看，混乱背后往往存在一条不超过 20 步的最短路径。
我为什么要设立孙宇晨奖
孙宇晨宣布设立以自己名字命名的数学奖。他以诺贝尔的生平类比，说明自己财富源自数学（区块链建立在椭圆曲线等密码学之上），设奖是还债。奖项规则：奖跟题走，不跟人走，人与AI均可获奖，以机器形式化验证为唯一发钱标准，题单由他定价且锁死不可更改。他引用Dario Amodei的'数据中心天才之国'理念，强调奖励'悬空但严丝合缝'的纯粹推理。奖池已打入区块链，公开可查验，其公益重心将转向此奖。
Let a billion mathematicians bloom
文章回应25位菲尔兹奖得主关于AI将损害数学的宣言。作者以AlphaGo‘第37手’为例：AI出现后职业围棋水平不降反升，因为开源引擎让每位棋手拥有超人类导师。作者认为菲尔兹奖得主担心的核心问题真实存在——AI正在把解题的成果与过程分离，但他们忽略了更深层的变化：验证成本的历史性反转。过去猜测便宜而验证昂贵，如今借助Lean等证明助手和形式化证书，验证变得廉价可复制。数学的制度体系（同行评审、长学徒制）都是围绕验证稀缺建立的。AI不会摧毁数学，反而会让数百万人得以参与，让‘十亿数学家’绽放。
从100美元开始理解Black-Scholes：期权定价背后的统计学原理
一位数学专业出身的科技分析师以通俗易懂的方式讲解期权交易背后的数学原理。文章从100美元投资示例引入对数收益率概念，解释为何对数收益率比平均收益率更能反映真实收益；随后基于股价随机波动、收益率服从对数正态分布、平均收益等于无风险利率三个假设，推导股价概率预测方法，讲解如何用累积正态分布函数计算股价超过某阈值的概率，并介绍波动率（对数收益率标准差）随时间按√N缩放的原理，为理解Black-Scholes期权定价公式和希腊字母打下基础。
Epoch AI 2030年预测：AI 将最先替代可验证的脑力工作
Epoch AI 发布119页报告《What will AI look like in 2030?》，预测到2030年AI将最先大幅推进软件工程、数学、文献调研、数据分析等可验证的脑力工作，而非全自动实验室。报告指出，AI落地速度取决于任务是否数字化、结果可验证、失败可回滚等因素，并强调软件工程、数学和桌面研究将率先被AI改造。
OpenAI公布数学与理论计算机科学十项进展：AI开始触碰长期开放问题
文章介绍了OpenAI于8月1日公布的数学与理论计算机科学领域十项新进展，涵盖高维球堆积、编码理论、Connes刚性猜想、算术电路复杂度、多色Ramsey数等长期开放问题，既有新上下界也有反例。这些结果由内部版Astra模型生成，总成本仅约2000美元，随后由人类研究者配合整理成论文，并用Lean形式化证明系统验证。作者认为AI在科研中的角色正从读论文、辅助推导走向搜索开放问题、提出新证明、形式化验证与人类审查的闭环。
两个人和他们没有见过的世界
本文讲述了两位身有残疾却成就非凡的人物：18世纪盲人数学家尼古拉斯·桑德森，他虽失明却精通光学并在剑桥教授数学；以及19世纪聋盲人海伦·凯勒，她通过触觉学会语言并成为社会活动家。文章强调，感官的缺失并不等于理解的缺失，关键在于通过触摸和反馈的循环来构建对世界的理解，而非仅仅依赖视觉或听觉。这一观点挑战了传统认知，引发对心智与理解本质的思考。
关于复杂性与涌现的数学思考
本文探讨了复杂性与涌现的数学本质，强调不连续性在系统跃迁中的关键作用。作者提出“堆叠流形”概念，解释神经网络如何通过无属性激活和满秩变换处理高阶非线性，指出涌现是数学上可预期的结果。
什么是信息论？它和AI是什么关系？
文章深入浅出地讲解了信息论的起源、核心概念及其与人工智能的关系。内容涵盖香农在1948年奠定的信息论基础（如熵、比特、信道容量定理），回顾了奈奎斯特、哈特利及玻尔兹曼等前人的贡献，并探讨了交叉熵、KL散度等概念如何成为衡量AI模型误差的关键工具。文章指出，尽管信息论为AI提供了度量语言，但在解释智能本质上仍有局限。
国外名校量化金融免费公开课完整指南（2026最新版）
本文是一份2026年最新的量化金融免费学习资源指南。作者整理了来自MIT、Columbia、Stanford等顶尖名校的公开课资源，涵盖了数学基础、金融工程、风险管理和机器学习等核心领域。文章详细列出了完全免费的OpenCourseWare课程、免费旁听的MOOC、大数据资源以及WorldQuant University的免费硕士项目，并规划了从基础到进阶的实用学习路径，建议配合Python项目进行实战练习。
人工智能/机器学习数学基础与学习路径
文章详细阐述了掌握人工智能和机器学习所需的三大数学支柱：统计学与概率、线性代数以及微积分。作者不仅解释了每个领域的核心概念（如贝叶斯定理、矩阵分解和梯度优化），还强调了它们在 AI 模型（如神经网络、回归）中的实际应用。最后，作者分享了一条个性化的学习路线图，推荐了 3Blue1Brown、Coursera 课程及《统计学习导论》等优质资源，帮助读者从直观理解过渡到理论实践。
OpenAI模型破解80年数学难题：单位距离问题的突破
文章描述了OpenAI内部模型在离散几何领域取得重大突破，解决了困扰数学界80年的“单位距离问题”猜想。AI否定了埃尔德什关于“网格是最优解”的猜想，通过结合代数数论（如类域论和Golod-Shafarevich塔）构建出新的解，证明了存在更优的点配置。这展示了AI掌握全领域知识并进行复杂推理的能力。
提升思维的10本数学书籍（但鲜有人能读完）
文章推荐了10本能够重塑思维的数学书籍，这些书并非传统教材，而是需要主动参与的高强度思维训练。从探讨复杂系统的《哥德尔、埃舍尔、巴赫》到问题解决经典的《如何解题》，这些书籍涵盖了逻辑、证明、统计学等多个领域。虽然大多数读者因难度较大而半途而废，但坚持阅读并理解其中内容，将极大地提升读者在逻辑、模式识别及解决复杂问题方面的思维能力。
