廉颇老矣，尚能饭否：现代数学史（下） ✍ snowboat🕐 2026-05-26📦 79.8 KB 🟢 已读 𝕏 文章列表 本文回顾了1970年代之后现代数学的发展历程。随着物理学进展放缓，数学失去了最大的外部“客户”，导致代数几何、朗兰兹纲领等结构化数学分支陷入内循环和高塔化。与此同时，计算机科学与AI的崛起为数理逻辑和形式化证明带来了新的机遇。文章探讨了在基础物理停滞和计算机加速的背景下，纯数学界面临的“象牙塔”困境及AI是否会成为新的推动力。 数学史朗兰兹纲领物理学人工智能结构化数学费马大定理形式化望月新一Scholze学科发展 # 廉颇老矣，尚能饭否：现代数学史（下） **作者**: snowboat **日期**: 2026-05-26T00:36:28.000Z **来源**: [https://x.com/snowboat84/status/2059071134738620606](https://x.com/snowboat84/status/2059071134738620606) ---  上两篇《气吞万里如虎：回顾十九世纪的数学英豪们》和《我见青山多妩媚：二十世纪数学史（上）》讲的是十九世纪和二十世纪上半叶的建造时代。二十世纪的数学被两个外部大用户（物理学+计算机）扛起来，建成现代数学的山脉。 辛弃疾那首《永遇乐》，前半阕写少年英雄"金戈铁马，气吞万里如虎"，结尾突然换了一个调子： > 凭谁问：廉颇老矣，尚能饭否？ 廉颇当年也是"气吞万里如虎"的人。老了之后，被问的不是当年怎么打仗，是还能不能吃饭。 二十世纪下半叶的数学碰到了同样的问题。它造出来的工具被现代物理学扛走了一大半，另外的部分被计算机和信息论扛走。但1970之后，两个大用户开始分化。基础物理学卡住了（杨振宁语：盛宴已过），计算机继续加速，最后演化出AI技术。上篇里讲过的三条主线（代数、几何、分析），加上这一篇要讲完的数学基础那条，四条路在1980之后进入截然不同的命运。 这篇要回答的问题是：数学这位老英雄，今天还能不能继续干饭？AI是不是会成为他下一顿饭的甲方？ # 引子：建造时代结束之后 上一篇收尾在1970年。Grothendieck发现IHES接受军方资助，他要求停止这种资助。研究院没有接受。他愤而辞职，离开IHES，离开数学界主流。同年代布尔巴基计划也开始走向沉寂。代数被结构化，几何成了物理的语言，分析变成泛函进入量子力学，数学基础走向计算机。三条线在二十世纪上半叶被建满，山系成形。 那一年没有人意识到，建造时代刚刚结束。1970之后的五十多年里，这片山系经历了一场缓慢的变化。两个大甲方开始分化。 物理学这边进展放慢了。1980年代花大钱建超级对撞机，希望找到超对称粒子或者额外维度，什么都没找到。LHC 2012年发现希格斯粒子之后，基础物理进入漫长的等待期。弦论作为理论框架越来越漂亮，实验上无法被验证。物理这个大甲方一减速，几何-物理线找不到新的客户，数学结构化线跟着悬空。 计算机这边没停。它从大型机走到PC、走到互联网、走到智能手机、最后走到AI。1990年代Coq、2010年代Lean、2017年Mathlib，形式化数学慢慢从CS的玩具变成数学家手里的真工具。2024年AlphaProof在IMO拿银牌，陶哲轩公开用AI做研究助手。数学基础这条1900年差点被哥德尔毙掉的线，意外在二十一世纪头20年找到了它的新甲方。 其它三条线的命运没有这么好。结构化变成几百个高僧的修行地，几何-物理进入维护期，分析-泛函工程化成ML的底层。塔垒不上去，原因一半在内部（预备知识爆炸），一半在外部（物理这个大甲方业务死了）。 这就是下篇要展开的整体地图。 # 一、1980 转折点：用户开始分化 1970年代之后，二十世纪上半叶的盛况开始破灭，物理学发展大减速变是代表性事件。 ## 1.1 物理学这个甲方放缓了 物理学这个数学的大甲方客户在二十世纪上半叶给数学下了50年的大单。 广义相对论扛走黎曼几何，量子力学扛走泛函分析，标准模型扛走李群和群表示论，规范场扛走纤维丛。每一波都让数学这条乙方拿到大单子。这些工具在19世纪都还是数学家自己造出来的抽象构造，被物理学接走之后才被反推到完整成熟的现代形态。黎曼几何原本只是局部度量的语言，被广义相对论逼出整体流形、联络、曲率张量这套语言。泛函分析在19世纪末还是零散的积分方程技巧，量子力学逼出希尔伯特空间和算子谱理论的完整框架。李群和群表示论从Lie原本研究的连续变换群，被推到紧致李群的完整分类和无穷维表示。 然而到了1970年代之后，物理学的发展明显开始放缓。最直接的原因是粒子物理：标准模型1973年成型之后，物理学的下一步是寻找超出标准模型的现象。1980年代花了大笔钱建造LEP、Tevatron、LHC，但希格斯粒子2012年找到之后，对撞机就没有再带来真正出乎意料的发现。超对称粒子没找到，额外维度没找到，暗物质粒子也没找到。 弦理论的情况更复杂。1980年代第一次弦论革命之后，它产出了大量精彩的数学（包括镜像对称、Witten的TQFT），但物理上始终无法被实验验证。需要的能量比LHC高出十几个数量级，目前的技术造不出来。一个没有实验回路的理论，已经离物理学常规意义上的科学越来越远。 引力理论那边也停滞了。量子引力的两条主流路线（弦论、圈量子引力）几十年没有实验突破。宇宙学这边DESI暗能量异常、JWST早期星系给出一些异常信号，但还远不到逼出新数学语言的程度。 应用物理这一段（凝聚态、光学、半导体、超导）当然在发展。但它们用的数学还是二十世纪上半叶现成的那一套：群表示论、李群、泛函分析、微分几何。1980之后才造的代数几何顶层、几何朗兰兹、镜像对称这些抽象数学，对凝聚态物理学家没用。 物理学这边一旦放缓，1980之后的几何-物理线立刻失去了主拉动者。几何朗兰兹纲领本来指望跟量子场论合流，结果两边都在等对方。Calabi-Yau几何整个绑在弦论上。Donaldson 4-流形不变量做出来三十多年了，物理学这边一直没等到下一波突破。 ## 1.2 计算机继续加速，溢出成 AI 跟物理学不同，计算机这边没有放缓。它在1970之后反而越走越快。 1970年代是大型机和小型机时代。1980年代PC普及。1990年代互联网爆发。2000年代搜索引擎和电商成熟。2010年代智能手机覆盖全球。2020年代AI变成默认基础设施。每过十年，"计算机"这个词覆盖的工程领域就扩大一圈。 但是计算机拉动的数学很偏。它从来不需要代数几何顶层，不需要朗兰兹纲领，不需要∞-范畴。它需要的是能直接放进工程系统里的工具：概率论、优化、信息论、矩阵计算、图论、复杂度、形式化，还有近年的高维统计。 这个偏科有它的道理。计算机面对的问题是怎么把过程跑起来，不是怎么理解世界的深层结构。一个搜索算法需要复杂度分析，一个推荐系统需要矩阵分解，一个神经网络需要凸优化，一个区块链需要数论。这些都是中等深度的数学，不是结构化顶层的那种抽象。 但计算机有一个性质让它在二十一世纪变成特殊角色：它在自我升级。从图灵机到现代CPU，从冯·诺依曼架构到GPU和TPU，从命令式编程到机器学习，每一次升级都拉动一波新数学。最新一波就是AI。 AI是计算机演化里的一个新阶段，但它消化数学的方式跟传统计算机不太一样。传统计算机用的是确定性算法，AI用的是统计型神经网络。前者要离散数学，后者要高维概率论和优化。AI拉动的数学版图比传统CS更接近20世纪上半叶的分析学。 到2024年，AI已经开始用形式化数学的工具做证明，开始用神经网络写代码，开始用语言模型协助研究。计算机这条线正在升级成一个新形态。它能不能扛得动整片数学大陆，这是下篇要回答的核心问题。 # 二、数学的结构化：塔越垒越高，住客越少 数学结构化这条线在二十世纪上半叶建到格罗滕迪克的概型。1970之后这条线没有停下来，怀尔斯证费马、Lurie ∞-范畴、Scholze凝聚态数学，每十年都有大成果。但每一代都在前一代之上加新结构，象牙塔越垒越高，能爬上去的人越来越少。这一章讲这条线在1980之后的几个关键节点。 ## 2.1 怀尔斯证费马：朗兰兹的高光时刻 1993年6月23日，剑桥大学Isaac Newton数学研究所。怀尔斯（Andrew Wiles）站在讲台上做了三场连续讲座。第三场的最后一张幻灯片写着一行字：费马大定理被证明了。 费马大定理是十七世纪Pierre de Fermat在一本书的边上写下的一个猜想，说x^n + y^n = z^n这个方程在n大于2的时候没有正整数解。这个问题悬了三百多年。中间无数数学家试过，包括欧拉、高斯、柯西，全部失败。 怀尔斯走的是另一条路：靠格罗滕迪克留下的整套抽象代数几何兵器。具体路径是这样的。1986年Ken Ribet证明了一件事：如果费马大定理真的有反例（即真的存在一组 a^n + b^n = c^n 的整数解），那么由这组反例可以构造出一条特殊的曲线，这条曲线会违反一个叫"谷山-志村猜想"的东西。换句话说，证费马等价于证谷山-志村。  怀尔斯和费尔马大定理 那谷山-志村猜想是什么？它是更大野心的"朗兰兹纲领"里最具体的一条。我们先看这个大纲领。 朗兰兹纲领1967年由Robert Langlands提出，是结构化线的最大野心。还记得十九世纪末克莱因的"爱尔兰根纲领"吗？克莱因用群作用把当时四分五裂的几何学（欧氏、射影、双曲）统一到同一个框架里。朗兰兹想做同性质的事，但野心大得多：他要统一的不是几何学内部，是数学里看起来毫无关联的几个大分支。 一句话讲，朗兰兹怀疑两个完全不同的数学世界，其实是同一个东西的两面。 一边是数论的世界。你拿一个方程，比如 y² = x³ - x + 1。这种方程定义出平面上的一条曲线，长得很简单但行为很复杂，数学上叫"椭圆曲线"。然后你问：这个方程在每个素数下面有多少组解？模 2 下有几组、模 3 下有几组、模 5 下有几组……得到一串数字 (a₂, a₃, a₅, a₇, ...)。这串数字是这条曲线的"指纹"。 另一边是调和分析的世界。那里有一类拥有极高对称性的复变函数，叫"模形式"。每个模形式都能展开成一个无穷级数，形式是 b₁q + b₂q² + b₃q³ + ...，展开式里的系数 (b₂, b₃, b₅, ...) 也是一串确定的数字。 朗兰兹猜想：椭圆曲线那串"指纹数字"会恰好等于某个模形式的"展开系数"。一边是离散的整数解计数，另一边是连续的复变函数，中间隔着好几条数学大分支。但两边产生的是同一串数。这就像说每一种哺乳动物的 DNA 序列恰好对应某段音乐的音符顺序。听起来太离谱了，但朗兰兹猜这种对应不是巧合，而是普遍现象，并把它推广到一整套更抽象的对象上。 谷山-志村猜想就是这套大图景里最具体的一条：每条理性数上的椭圆曲线，都对应到一个模形式。怀尔斯要证的就是这一条（准确说是其中半稳定那一类）。 怀尔斯花了七年时间躲在普林斯顿家里阁楼上，用格罗滕迪克的概型理论加上Mazur的形变理论加上Ribet的连接，最后证明了谷山-志村猜想的一个关键部分。1993年的最初版本有漏洞，1994年怀尔斯和他的学生Richard Taylor补上了。整个证明100多页，依赖几千页的前人工作。 这是结构化线在二十世纪后期唯一一次大众级别的兑现。一个所有人都听说过的三百年悬案，被格罗滕迪克那套抽象代数几何整套兵器一锤定音。费马大定理这件事让公众第一次看见，1900年代希尔伯特押注的结构化路径，到1990年代真的可以解掉看起来跟它毫无关系的具体问题。 但怀尔斯的证明也暴露了结构化线的代价。100多页的证明，全世界能完整读懂的不到一百人。它依赖的前置知识包括概型、模形式、伽罗瓦表示、群论、代数几何、数论几何，每一项都需要多年专门训练。这是整个二十世纪结构化大军在一个具体问题上的集体兑现，不是一个数学家一个人的胜利。 ## 2.2 Mochizuki IUT：共识失败 2012年8月30日，京都大学数理解析研究所。望月新一（Shinichi Mochizuki）在自己的网站上挂了四篇论文，总共五百多页。他在前言里宣布证明了ABC猜想。  望月新一 ABC猜想是数论里一个深刻的问题，跟费马大定理同等级别。如果证了，会立刻得到许多其它经典数论结果。望月没有用已有的代数几何工具，他动用的是自己花了二十年发展的一套全新理论：宇宙际泰希米勒理论（Inter-Universal Teichmüller Theory，IUT）。 问题来了。IUT理论的基本概念是望月一个人造的，没有人在他的圈子之外完整理解。他从1990年代末开始在京都隐居式地工作，不参加国际会议，几乎不与外界交流。这五百页论文用的术语、记号、推理方式都是他自己的。读者要先花两三年学懂他的语言，才能开始判断证明是否正确。 接下来八年里，全球数学界陆续派人去京都看IUT理论。望月的几个学生和合作者说证明是对的。Peter Scholze（数论几何顶尖人物）和Jakob Stix 2018年专门去京都讨论了一周，结论是证明有严重漏洞。但望月不接受这个意见，坚持自己是对的。 2020年，《Publications of the RIMS》（京都数理解析研究所自己的期刊，望月是主编）正式发表了这四篇论文。理论上ABC猜想被证明了。实际上全球数学界没有形成共识。Scholze等一线人物公开说证明无效。望月一方坚持是Scholze没读懂。 这种情况在数学史上极其罕见。数学这门学科的核心是证明可以被独立验证。一个证明出来，专家圈应该能在两三年内达成共识，对或者错。怀尔斯的费马大定理1994年补上漏洞之后，1995年就有人能独立讲清楚整套证明。望月的IUT问题已经超出技术性争议的范围，它代表数学界第一次出现"没有人能验证一份顶级证明"的怪现象。 为什么会这样？结构化线垒到二十一世纪初，已经在内部分裂成几座互相不通话的高塔。Scholze做的perfectoid spaces和望月做的IUT名义上同属数论几何，工具和语言却完全是两套。一个人想同时读懂两边，要花近二十年的专门训练，全世界做得到的寥寥无几。 IUT事件超出数学家之间的人际冲突。它更像结构化线本身的症状。当塔垒到全世界只有几十个人能读、而且这几十人内部还分裂，这门学科的客观验证机制就开始失效。 ## 2.3 Lurie 与 ∞-范畴 2009年，Jacob Lurie出版了《Higher Topos Theory》。这本九百多页的书把范畴论本身高维化，造出一种叫"∞-范畴"的新框架。  Jacob Lurie 范畴论本来是1945年Eilenberg和Mac Lane为了把代数拓扑里的自然变换严格化造的工具，到二十世纪后期已经变成代数几何、同伦论、逻辑学的通用语言。但在某些前沿场合下不够用：那里的"两个对象相等"不再是非黑即白的判断，而是一个可以无限往下细分的关系（同伦的同伦的同伦……）。普通范畴论装不下这种无穷嵌套，∞-范畴就是为了装它造的。 Lurie这套机器搭好之后，现代代数几何、表示论、同伦论那一片前沿领域终于有了统一的工作语言，后人不用每次自己重造轮子。 代价是入门成本爆炸。要读Lurie的书，得先学完范畴论、同伦论、单纯集合、模型范畴各一年，再读两三年正文。一个研究生从零到能用它做研究，五六年起步。 ∞-范畴现在是几何朗兰兹、派生代数几何这些前沿领域的标准语言。它产出新结果的速度依然很快，但用户只有全球最顶尖的几百个数学家。外部世界没人知道这些人在做什么，也没有任何下游会接住它的产出。 结构化线在这里已经走到了纯粹的内循环：数学家给数学家造工具，数学家给数学家写证明。 ## 2.4 Scholze 与凝聚态数学 Peter Scholze（中文一般译"舒尔茨"）是数学界公认的天才人物。1987年生，从小就被认作数学神童，2012年24岁拿博士学位，2018年30岁拿菲尔兹奖。他在数论几何这条线上几乎是当代第一人，名字本身就是权威，他说什么数学界都会认真听。  Peter Scholze 他最有名的工作是2011年博士论文里造的perfectoid空间。一句话讲，数论几何里有一个长年的痛点：很多深刻的猜想（包括朗兰兹纲领的一部分）必须在"p进制世界"（一种用素数 p 重新定义"距离远近"的数系）里证明，但那个世界的几何工具远比我们熟悉的经典几何粗糙。perfectoid空间就是Scholze造出来的一座桥，让两边能互相翻译。 用上这把钥匙之后，他几年内连续解掉了一串老悬案，2013年证明了Deligne二十多年前留下的Weight-monodromy猜想的一种特殊情况，后来又一系列论文把朗兰兹纲领的多个方向往前推。 但他没停在这里。2019年起，Scholze和Dustin Clausen开始造一套叫"凝聚态数学"（condensed mathematics）的新框架。意图是把整个分析学（处理连续、极限、收敛的那一大套数学，也是物理和工程的基础语言）用代数语言重新写一遍。听起来很疯狂，但他们正在做。2022年他们把部分证明形式化进了Lean Mathlib，让机器可以验证。 凝聚态数学的位置很有意思。它显然是结构化线的又一次升级：又一次把分析翻译成代数。但它也可能成为AI时代的意外礼物。如果整个分析学能被翻译成机器可读的代数语言，AI验证现代数学的可能性会大幅提升。Scholze的工作有机会成为结构化线和基础-计算线之间的桥梁。 但这又是一座新的高塔。读懂凝聚态数学要先读懂perfectoid空间，读懂perfectoid空间要先读懂格罗滕迪克的概型加上p-adic Hodge理论。全球真正跟得上Scholze最新工作的人估计就几百个。这些工作之所以会被外界关注，很大程度上是因为Scholze这个名字本身就是质量保证。本质上它仍是数学家写给数学家、外面没有任何下游接得住的极端内循环。 ## 2.5 没有外部用户的代价 数学结构化这条线如今的状态可以总结成三句话：还在生产、没有外部买家、塔越来越高。 "还在生产"。怀尔斯证费马、Lurie ∞-范畴、Scholze凝聚态数学，每十年都有大成果。从论文数量看，结构化线非常活跃。 "没有外部买家"。1970之后物理这个甲方放缓，结构化线本来期待的下游（量子场论、规范场理论）也跟着停滞。除了怀尔斯那次费马的兑现，结构化线在二十一世纪的大部分新工作都没有外部应用，唯一的用户是其它结构化数学家。 "象牙塔越来越高"。从概型到∞-范畴到凝聚态数学，每一代都在前一代之上加新结构。预备知识从几年涨到十年。能读懂最新论文的圈子从几千人缩到几百人，甚至只有几个人。 这条线变成了一个独立的高塔国度。塔内的居民在用一种外人完全听不懂的语言交流，做着外人完全看不懂的工作，产出着外人完全用不上的结果。Mochizuki的IUT事件是这个国度的极端案例。塔内居民彼此都开始听不懂对方了。 这种状态不是数学的失败。结构化线在产出真正深刻的数学，但它的繁荣是封闭的繁荣。当一座塔的高度超过外部世界能够使用的范围，这座塔的进一步增高就只能依赖塔自己。这条线1980之后的全部历史，本质上是塔越垒越高、住客越来越少的过程。  现代数学缺乏了外部客户后，只有极少数象牙塔里的人在自娱自乐，还相互无法理解 # 三、几何和物理：八十年代大爆发，然后维护期 几何-物理这条线在1970之后有过最后一次黄金时代。1980年代Donaldson用规范场造出4-流形不变量，1989年Witten用量子场论解释Jones多项式，1991年镜像对称诞生，2003年Perelman证庞加莱猜想。每一波都让数学和物理的边界更模糊。但2003之后，这条线进入维护期。这一章讲这条线最后的辉煌，以及辉煌之后的状态。 ## 3.1 Donaldson 4-流形不变量 1982年，剑桥大学三一学院，22岁的Simon Donaldson在写博士论文。他选的课题是研究四维空间的几何结构。这件事在数学上很特殊：拓扑学的标准技术对二维、三维、五维及以上的空间都能用得很好，但对四维空间始终有奇怪的行为，没有人能完全搞清楚为什么。  Simon Donaldson Donaldson采用了一个不寻常的工具。杨振宁和米尔斯1954年造的规范场理论。他把SU(2)规范场（粒子物理里描述弱相互作用的那种）放到一个四维流形上，然后研究规范场的解，也就是"瞬子"。瞬子是规范场方程的特殊解，物理学家本来用它们研究量子隧穿现象。 Donaldson发现，瞬子的空间结构反过来能告诉你四维流形本身的拓扑性质。具体地说，他造出了一种叫"Donaldson不变量"的量。这种不变量能区分两个看起来一样的四维流形，告诉你它们其实拓扑上不同。 这种用物理工具研究纯数学的玩法之前没人做过。Donaldson证明了一个让所有人震惊的结果：在四维空间里，存在一些奇异的光滑结构。也就是说，同一个拓扑流形可以有不同的光滑结构。这种现象在其它维度都不存在。Donaldson因为这个工作1986年拿菲尔兹奖。 更广的意义在于：物理学家的工具反向喂回给数学。在Donaldson之前，物理学拿数学的工具去描述自然界（数学是物理的语言）。Donaldson之后，物理学的工具开始反过来证明纯数学的定理。规范场不再只是描述弱相互作用的方程，它变成了研究四维拓扑的探针。 这件事是几何-物理线最后一波黄金时代的开端。接下来十年里，越来越多数学家用规范场、量子场论、弦论的语言去做几何。物理和数学的边界在这十年里几乎消失。 ## 3.2 Witten TQFT 与镜像对称 Edward Witten是这个时代最特殊的人。他原本是普林斯顿的物理学家，研究弦论和量子场论。1980年代末开始，他用量子场论的语言去证明纯数学定理。  Edward Witten 1989年Witten写了一篇叫《Quantum Field Theory and the Jones Polynomial》的论文。Jones多项式是1984年Vaughan Jones造的一种纽结不变量：给你一个纽结，算出一个多项式，两个纽结如果Jones多项式不同就一定不是同一个。Jones因为这个工作1990年拿菲尔兹奖。  Witten做的事情是用三维Chern-Simons理论（一种特殊的量子场论）给出Jones多项式的物理解释。具体地说，他把纽结看成时空里的世界线，把Chern-Simons理论的路径积分套上去，算出来的就是Jones多项式。这种用物理积分定义纯数学不变量的做法，催生了一门新学科叫"拓扑量子场论"（Topological Quantum Field Theory，TQFT）。Witten因此也于1990年拿了菲尔兹奖。 但Witten最大的工作还在后面。1991年弦论物理学家发现了"镜像对称"（mirror symmetry）。镜像对称说：两个非常不同的Calabi-Yau流形（用于弦论紧致化的特殊六维空间）可以在物理上等价。这种等价在数学上导出了大量看起来不可能的恒等式：左边是一个曲面上某种几何不变量的求和，右边是另一个曲面上完全不同的几何不变量的求和，两边居然相等。 数学家最初怀疑这种恒等式可能是物理学家的猜想错误。但是1990年代用更严格的数学方法逐一验证之后，发现镜像对称真的成立。它打开了一条新的几何研究方向，把代数几何和辛几何通过弦论联系起来。 整个1990年代，几何和物理的合流达到顶峰。Witten、Donaldson、Atiyah、Kontsevich、Gromov这些名字横跨数学和物理，他们的工作让一系列几十年悬案被解掉。这是二十世纪最后一波"数学被物理推着前进"的黄金时期。 ## 3.3 Perelman 证庞加莱猜想 2002年11月，Grigori Perelman在arXiv上挂了第一篇论文。三十多页。两个月后挂了第二篇，二十多页。又过半年挂了第三篇，七页。三篇加起来证了庞加莱猜想，外加更广的"几何化猜想"。 庞加莱猜想是1904年庞加莱提出的：任何一个紧致、单连通、无边界的三维流形都同胚于三维球面。说成通俗的语言就是：任何一个"形状像球面"的三维空间一定就是球面。这个问题看起来简单，但悬了将近一百年。中间无数数学家尝试，包括Smale（解决了五维及以上的同类问题）、Freedman（解决了四维），三维一直没人能解。  Perelman用的方法叫"Ricci流"。这是Richard Hamilton 1980年代造的工具。Ricci流让一个流形的几何结构随时间演化：曲率高的地方会被磨平，曲率低的地方会膨胀。Hamilton的想法是用Ricci流把任意一个三维流形演化成它最简单的形态，然后从最简单的形态判断它是不是球面。 但Hamilton的程序有一个技术麻烦：Ricci流在演化过程中可能产生奇点，几何结构在某一刻坍缩成无穷小或者无穷大。Hamilton花了二十年没能完全解决这个奇点问题。 Perelman的突破在于发展了一套全新的工具来处理Ricci流的奇点。他证明了奇点可以被分类、被切除、被绕过，让Ricci流能一直演化下去，直到流形被简化到最低形态。整个论证用了非常深的几何分析、偏微分方程、几何测度论，被认为是二十一世纪数学最重要的工作之一。 他论文挂出来之后，世界上几个顶尖的几何分析家花了三年时间逐字检查，最后所有人达成共识：证明是对的。 Perelman本人的故事比证明本身更传奇。这几年里，他目睹了数学界一些同行之间争抢功劳、各种暗中操作的过程，对整个数学圈彻底失望。2005年他从俄罗斯Steklov数学研究所辞职，回到圣彼得堡的老家，干脆退出数学界，从此跟母亲一起住，靠母亲的退休金过日子。也正因为如此，2006年国际数学家大会把菲尔兹奖颁给他，他没去领；2010年克莱研究所把"千禧年大奖"的一百万美元颁给他，他也没去领。他公开说过一句广为流传的话："金钱和名声对我都不重要。"  Perelman一度靠母亲的养老金为生 庞加莱猜想被解掉是几何-物理线的最后一次世界级胜利。它用的工具是Ricci流，跟规范场或者量子场论无关，一种纯几何分析工具，从某种意义上代表数学家不需要物理学家帮忙也能搞定大事。但它也确实是这条线的封顶之作。2003年之后，几何-物理线再没有这种"百年悬案被攻克"的事件。 ## 3.4 维护期：物理停滞之后 Perelman 2003年解掉庞加莱猜想之后，几何-物理这条线进入了一个奇怪的状态。它没死，但失去了"必须做"的外部问题。 这条线之前的活跃完全靠物理学这个甲方拉动。1980年代Donaldson做规范场，1990年代Witten做TQFT和镜像对称，2000年代初Perelman做Ricci流。每一波都有具体的物理动机或者具体的数学猜想做目标。但1980年代末弦理论遇到实验验证瓶颈之后，物理这边的真问题越来越少了。 二十一世纪头25年，这条线在做几件事，一是镜像对称的数学化和扩展（包括Kontsevich的同调镜像对称猜想、SYZ猜想、辛几何的Fukaya范畴这些方向），但工作慢慢从"开新结构"变成"补技术细节"。二是几何朗兰兹纲领的发展（Frenkel、Gaitsgory、Vincent Lafforgue），但这条线和量子场论的合流一直没真正发生。三是Calabi-Yau几何继续做（特别是镜像对称的几何含义），但因为弦论一直没物理验证，整个领域处在等待状态。 大部分今天活跃的微分几何研究者，工作的性质是精装修。他们在一个已经搭好的山系里加细节、补漏洞、做技术性扩展。这些工作有它的数学价值，但跟Donaldson 1983年那种"开新大陆"的工作不是同一级别。 更深的原因在物理这边。规范场论从1954年Yang-Mills提出，到1973年标准模型成型，到1980年代被规范几何重新理解，再到1990年代镜像对称：这是物理学最后一次大规模需要新数学。2010年代之后，物理学没有再下大单。弦论作为一个理论框架还在被研究，但它不再像1980年代那样让物理学家真的相信自己快要解出宇宙了。 这条线现在的真实状态是：还在产论文，还在出博士，还在写教材。但是它的下一波突破需要外部世界给一个新的真问题。如果物理学突然出现新的实验发现（比如LHC之外的某个加速器找到新粒子），或者探测暗物质或者暗能量发现颠覆性结果，这条线可能立刻醒来。在那之前，它处在一个礼貌的、有秩序的、慢节奏的维护期。 # 四、数学的基础：从希尔伯特纲领到 AI 跟前面几条线不一样，数学基础这条路在二十世纪没有真正的终点。它在二十世纪上半叶差点死掉，又在工程上活了过来。1957年冯·诺依曼临终时，这条路从"数理逻辑"变成了"计算机"。再过60多年，它又意外地撞上AI，成了几条主线里第一个找到二十一世纪新甲方的。这一章把它从1900讲到2024，整段弧一次讲完。 ## 4.1 希尔伯特纲领：用形式系统把数学整体安顿 康托尔在十九世纪末造出集合论，引出了一系列悖论。罗素（Bertrand Russell）1901年发现的悖论让整个数学界惊出一身冷汗：数学本身的地基有问题。 希尔伯特1920年代提出他的"纲领"作为解决方案。这件事的野心比康托尔还激进。他想把整个数学化简成一套有限的形式符号操作。所有数学对象都是符号串，所有数学推理都是符号变换的机械规则。数学家做的事情不再是直觉发现，是按规则推符号。 希尔伯特纲领有三个具体目标。第一是一致性：证明这套形式系统不会推出矛盾。第二是完备性：任何一个真命题都能在系统内被证出来。第三是可判定性：存在一个算法，给任何一个数学命题，能机械地判断它是真是假。如果这三件事都做成，数学就在最深的地基上被安顿好了。 这个梦想本质上是要把数学完全机械化。数学家以后只需要按规则推符号，机器原则上也可以做。这听起来像痴人说梦，但希尔伯特真的相信它能成。他和Wilhelm Ackermann、Paul Bernays一起在哥廷根做了大量的具体技术工作。1928年他和Ackermann出版《数理逻辑基础》（Grundzüge der theoretischen Logik），把这个梦想的技术细节摆了出来。 整个1920年代，哥廷根是世界数理逻辑的中心。希尔伯特带着一批最聪明的年轻人推进纲领，每隔一阵就有新进展。表面上看，纲领的成功只是时间问题。 希尔伯特最后的赌注是相信数学家能在二十世纪内把自己的整个学科安顿在形式系统的最底层。这是十九世纪末分析严格化和地基危机两条线的最终延伸。这件事如果做成，整个数学就在哲学上彻底封闭。 ## 4.2 哥德尔：纲领被宣判死刑 1930年9月7日，柯尼斯堡（今俄罗斯加里宁格勒）的一场数学会议。希尔伯特本人在会上做了那篇著名的"我们必须知道，我们必将知道"演讲。这句拉丁原文"Wir müssen wissen — wir werden wissen"后来刻在了他的墓碑上。 同一个会议的另一个分会场，一个25岁的奥地利数理逻辑学生在做一个看起来不起眼的报告。台下没几个人在听。报告的内容是一个技术性结果，只有少数几个专家当场意识到它意味着什么。其中一个意识到的人是冯·诺依曼。 那个学生是哥德尔（Kurt Gödel）。他报告的是后来叫"不完备定理"的结果。第二年（1931年）他将以《论〈数学原理〉及相关系统的形式不可判定命题》为题正式发表。这篇论文证明了两件事。一，任何足够强的、能描述算术的、一致的形式系统里，存在真命题但不可证。二，这个系统也不可能在自己内部证明自己的一致性。 哥德尔的证明技术本身极其漂亮。他造了一种叫"哥德尔编号"的工具，把每一个数学符号、每一条公式、每一个证明都编一个唯一的数。然后他用这个编号系统构造一个自指句子：本句话不可证。如果这句话可证，系统就不一致。如果这句话不可证，那么按照它自己的内容，它就是一个不可证的真命题。两边都把希尔伯特纲领的完备性梦想堵死。  希尔伯特和哥德尔 希尔伯特纲领被宣判死刑。这件事不可能成功，原因藏在数学本身的原理里，跟具体技术无关。希尔伯特一开始拒绝相信。冯·诺依曼写信告诉他这件事，他过了几年才完全接受。 哥德尔不完备定理的重要性不在技术证明，在哲学震荡。数学第一次承认，它的内部存在一些它永远到不了的角落。这个发现比希尔伯特纲领本身的成功更深远。它把"形式系统"这个概念变成一个独立的研究对象，催生了整个数理逻辑学科。 ## 4.3 图灵：在死刑判决里造出真机器 哥德尔之后5年，1936年5月，剑桥大学。24岁的图灵（Alan Turing）写了一篇论文叫《论可计算数及其在判定问题上的应用》（On Computable Numbers, with an Application to the Entscheidungsproblem）。他要解决的是希尔伯特纲领的第三个版本：判定问题（Entscheidungsproblem），即是否存在一个算法能机械地判定任意数学命题的真假。  图灵的导师是Max Newman，剑桥国王学院的数学教授。Newman 1935年在课堂上提到Entscheidungsproblem还没人解决，图灵听完就回家想。他给出来的解决方式比哥德尔的更具体。 图灵先定义了一个抽象的机器。这种机器有一条无限长的纸带（用来读写符号），一个读写头（每次读写一个格子），一个有限状态控制器（决定下一步动作）。每次的动作只能是：读当前格子的符号，根据当前状态决定写什么、向左还是向右移、跳到哪个新状态。这种机器后来叫图灵机。 图灵机听起来简单，但它的能力很惊人。图灵证明任何可以被"机械计算"的过程，都可以被某个图灵机模拟。这件事本身就是一个重大成果：它把"机械计算"这个直觉概念，定义成了一个数学对象。 然后图灵构造了一个具体的不可判定问题，叫"停机问题"。给你一个图灵机和一个输入，问：这个机器在这个输入上会不会永远跑下去？图灵证明没有任何图灵机能解决停机问题。因此没有任何机械算法能判定所有数学命题。希尔伯特的判定问题不可解。  图灵停机问题示意图 这篇论文表面上是个否定结果，希尔伯特纲领的第三根支柱也被砍掉了。希尔伯特纲领终于被宣读了死刑判决。但它真正的影响是另一件事：图灵在定义"机械计算"这个概念的时候，定义出了一台具体的机器。这台机器的设计图，几乎一字不差地等于现代电子计算机的逻辑结构：读写头、磁带、有限状态控制器、可编程指令。 数学基础这条线在哲学上死了，在工程上活了过来。希尔伯特想把数学机械化，结果哥德尔证明做不到。但在做不到的证明过程中，图灵造出了真正的机器。1945年战争结束之后，图灵自己参与了英国第一台电子计算机的设计（ACE项目）。1948年Newman在曼彻斯特大学建了Manchester Mark I，基于图灵机原型的可编程电子计算机。 这是二十世纪整个三条线里最戏剧性的反转。一条线在最绝望的失败时刻，意外地孕育了人类历史上最重要的工程发明。 ## 4.4 丘奇 Lambda 演算：另一条等价路线 1936年图灵论文挂出来的同一年，普林斯顿的丘奇（Alonzo Church）用另一种方式解决了同样的判定问题。Church 1930年代初已经在普林斯顿发展一种叫lambda演算的形式系统，本来是为了给逻辑学打基础。1936年4月，他先于图灵几个月用lambda演算给出了Entscheidungsproblem的否定结果。 Lambda演算是一种纯粹的函数变换形式系统。它的基本对象是函数，基本运算是函数的应用和抽象。所有的数据（数字、字符、列表）都被编码成函数。所有的计算都是函数变换。这套体系看起来跟图灵机完全不一样。一个是机器和磁带，一个是函数和符号变换。但Church证明它们在能力上完全等价：lambda演算能计算的函数等于图灵可计算的函数。  Alonzo Church 这就是Church-Turing论题。直觉上的"机械可计算"等于这两个形式系统能计算的东西。这个论题不是数学定理，是一个哲学断言：它把"什么叫机械计算"这件事彻底定义清楚。后来发现的其它形式系统（Post系统、μ递归函数、寄存器机器）全部跟这两个等价。这种鲁棒性让Church-Turing论题在二十世纪后期成为整个计算机科学的奠基石。 Lambda演算后来的命运很有意思。它在30年里一直是逻辑学家的玩具，普通工程师没碰过。直到1958年John McCarthy发明Lisp，把lambda演算变成了真正的编程语言。Lisp是历史上第一种函数式编程语言，到今天还在被使用（特别是在AI研究和符号处理领域）。从Lisp分叉出来的Scheme、Common Lisp、ML、Haskell、Scala、F#、Clojure，全部都建立在lambda演算的基础上。 希尔伯特失败的伟大遗产开出了两条计算路径。一条走向命令式编程（图灵机、汇编、C、Java、Python），是工程主流。一条走向函数式编程（lambda、Lisp、Haskell、Scala），更接近数学，被数学家和理论计算机科学家偏爱。今天这两条路径在AI时代再次汇合：神经网络的训练用的是命令式工程，模型的推理逻辑越来越像函数变换。 ## 4.5 香农信息论：信息第一次被数学化 1948年7月，贝尔实验室的Claude Shannon在《Bell System Technical Journal》上发表了一篇分两期的论文《通信的数学理论》（A Mathematical Theory of Communication）。这篇论文做的是一件之前没人做过的事：把"信息"这个看起来纯属哲学和工程学的概念，定义成一个数学量。  Claude Shannon 香农当时32岁。他的MIT硕士论文（1937年完成，那年他才21岁）就已经做出过一件大事：把布尔代数应用到电路设计，证明继电器电路可以实现任何逻辑运算。这件事是数字电子学的理论起点，但香农1948年的工作完全超过它。 香农在《通信的数学理论》里定义了信息熵：H = -Σp·logp。一个事件越罕见，知道它发生提供的信息越多。一个均匀分布的随机变量信息熵最大，一个完全确定的事件信息熵为零。这个定义看起来简单，但它把"不确定性"和"信息量"用同一个量精确刻画。  接下来香农证明了几个核心定理。源编码定理：任何信息源都可以被压缩到接近它的信息熵，但不能再低。信道编码定理：在任何噪声信道里，存在一个最大传输速率（信道容量），低于这个速率可以做到任意低的错误率，超过这个速率错误率不可能消除。这两个定理给出了通信系统的基本极限。 这篇论文是二十世纪计算机时代的另一根底层支柱。所有现代通信、压缩算法、纠错码、加密协议都建立在香农的框架上。今天打开手机连4G或5G，背后的调制解调、信道编码、纠错都是香农定理的工程实现。看Netflix视频用的H.265压缩，本质是接近源熵的压缩算法。HTTPS的对称加密用的是香农1949年研究过的密码学。 信息论后来还有一个意想不到的去处。1990年代深度学习兴起之后，神经网络的损失函数（交叉熵、KL散度、互信息）全部源头都在香农1948年那篇论文。一个语言模型在做的事情，可以用信息论术语严格描述成"压缩文本数据的某个低维表示"。这条路的下游意外地通向了AI。 香农本人是一个有趣的人。他在贝尔实验室一直工作到1956年，然后返回了MIT。他业余时间发明过会自己出门的小机器人（Theseus，一只能解迷宫的电动鼠）、骑独轮车、玩杂耍、研究股市。1956年他写过一篇关于AI下棋的早期论文，跟Marvin Minsky同时期开创了AI研究。 ## 4.6 冯·诺依曼临终演讲 John von Neumann 1903年生在布达佩斯，1930年代到普林斯顿，是二十世纪最特殊的天才之一。他的工作横跨集合论（1925年的公理化）、博弈论（1944年和Morgenstern合著《博弈论与经济行为》）、量子力学的数学基础（1932年的书）、算子代数（Murray-von Neumann因子理论）、流体力学、气象预测、原子弹设计（曼哈顿计划）、第一台存储程序计算机（EDVAC，1945年）。一个人开了七八个学科。 他1957年2月8日因癌症去世，享年53岁。在去世前的几个月，他住在Walter Reed陆军医院，每天还在工作。陪护他的有他的女儿Marina von Neumann（后来的经济学家）、他的同事和学生。  奥本海默和诺依曼 他本来要在耶鲁大学做一系列叫"计算机与大脑"（The Computer and the Brain）的Silliman讲座。Silliman讲座是耶鲁最有声誉的科学讲座之一，邀请只给当代最杰出的学者。1956年底冯·诺依曼已经病重到无法亲自演讲，但他坚持把讲稿写完。讲稿在他去世后的1958年由Yale University Press出版，是一本薄薄的小书，95页。  冯·诺伊曼结构 这本小书讨论的是大脑和电子计算机的类比。冯·诺依曼第一次系统地比较了神经元和真空管、神经突触和逻辑门、神经传递的数字-模拟混合性质。他注意到大脑的运算速度比当时的电子计算机慢得多（神经元的fire速度是毫秒级，逻辑门是纳秒级），但大脑的并行度高得多（几百亿个神经元同时工作）。他猜测大脑用的可能是一种统计性的、低精度的、大规模并行的运算模式，跟工程上的精确数字计算完全不同。 他没有用"神经网络"这个词。但他描述的就是这个东西。 二十世纪上半叶基础-计算线的最后一瞥，是一个垂死的天才在病床上推测大脑和机器的同构性。他没有看到自己预言的实现。70年后，他描述的那种"统计性、低精度、大规模并行"的运算模式，被Geoffrey Hinton、Yann LeCun、Yoshua Bengio这些人变成了深度学习。再后来变成了Transformer、AlphaProof、AI数学家。 冯·诺依曼的最后一本书，到今天读起来依然不过时。它是基础-计算线在二十世纪上半叶的封顶之作。这条伏笔在2024年AlphaProof拿IMO银牌、陶哲轩用AI做研究的那一刻，终于被现代AI接住。 到这里，数学基础这条路在二十世纪上半叶的部分讲完了。从希尔伯特1900年的雄心，到哥德尔1931年的判决，到图灵1936年的反转，到香农1948年的信息论，到冯·诺依曼1957年临终时关于大脑和机器的最后预言。这条线在哲学上死过一次，又在工程上整个活了过来。 下面是它在1980年之后的第二春。 ## 4.7 形式化数学的复活：Coq、Lean、Mathlib 希尔伯特纲领被哥德尔证明原则上不可能。但是一百年之后，数学家在一个意想不到的方向上把希尔伯特的梦想部分实现了。 工程上不可能把"全部数学"机械化，但可以把"已有数学"翻译成机器可读的语言，然后让机器验证。这条路在1980年代开始走。法国数学家Thierry Coquand 1984年发表"构造演算"（Calculus of Constructions），随后基于这套理论造出叫"Coq"的形式化证明助手。Coq能让你把一个数学证明输入电脑，电脑能自动检查证明是否成立。 Coq最初是逻辑学家和计算机科学家的玩具。1990年代它被用来验证软件正确性（一些关键的系统软件、芯片设计验证、密码学协议的证明），但数学家本身用得不多。原因是用Coq把一个数学定理形式化非常累人。把一份30页的数学论文翻译成Coq代码，可能要写30000行。 2013年情况开始变化。荷兰数学家Leonardo de Moura（当时在微软研究院）发布了一个新的形式化证明助手，叫Lean。Lean在Coq的基础上做了大量工程改进，让形式化数学的体验大幅改善。 更大的转折点是2017年。Kevin Buzzard（伦敦帝国理工的代数几何家）发起了Mathlib项目，目标是用Lean把整个本科和研究生数学课程形式化。这个项目用了一种社区协作的方式，全球几百个数学家和编程者一起贡献。到2024年，Mathlib已经包含上百万行Lean代码，涵盖代数、拓扑、分析、数论、范畴论、概率论的大部分基础内容。  Mathlib的意义在于：它建立了一个完整的数学知识图谱。所有概念互相引用，所有定理可以被机器查证。这是希尔伯特纲领的工程化版本。它的目标已经不在证明数学绝对一致那个层面。它做的事是让数学被机器结构化地存起来。 希尔伯特纲领在哲学上死过一次。1980之后，它在工程上活了过来。1990年代Coq，2010年代Lean，2017年Mathlib。每一步都让"机器验证数学"这件事更接近现实。希尔伯特的失败遗产被计算机绕了一个大圈，最后被部分救回来。 ## 4.8 AI 进入数学：从 AlphaProof 到陶哲轩 先把一件事说清楚：AI 自己跑起来用的数学其实并不深。神经网络背后是梯度下降（柯西，1847）、矩阵乘法（凯莱，1858）、链式求导、概率论、线性代数这一堆，几乎全是十九世纪就备好的工具，大学一年级的水平就能学完。AI 这一整波技术能跑，靠的是十九世纪那批数学家提前备齐的弹药库。这件事在前两篇里反复说过。 但这一节要讲的是另一件事：AI 不再只是消费数学，它开始走到桌子另一边，跟数学家一起生产数学。这件事是2024年开始的。 2024年7月，DeepMind的AlphaProof系统在国际数学奥林匹克竞赛（IMO）上获得银牌。这是AI第一次在严肃的数学竞赛里证出竞赛级定理。AlphaProof的工作方式是这样：把IMO题目翻译成Lean代码，让神经网络模型生成证明草稿，Lean后端验证草稿对不对，错的扔掉，对的留下来。整个流程是神经网络（统计AI）和形式化验证（符号AI）的合流。  同年DeepSeek-Prover-V2、Google的Gemini Deep Think、其它几个模型也在数学证明上做出来工作。形式化数学加AI变成一个新的快速发展的领域。 更深刻的转折是顶级数学家开始用AI做日常研究。2024年陶哲轩（菲尔兹奖得主，被广泛认为是当代最强数学家之一）在自己的博客和Mastodon上公开记录他用GPT、Claude、Lean等工具协助数学研究的过程。他做的事情包括：用GPT写代码做大规模数值验证，用Claude检查论文论证的漏洞，用Lean形式化部分关键引理。他公开说AI不能替代数学家，但可以变成一个非常能干的研究助手。 陶哲轩使用AI这件事在数学圈引起广泛讨论。一个顶级数学家公开承认AI是研究伙伴，这是历史上第一次。这个事件的象征意义大于实际工具价值。它意味着AI开始进入数学家的日常工作流，不再是远期的"未来可能性"。  数学基础线为什么会率先接入AI？因为它本来就是关于"什么可以被机械操作"的。希尔伯特1900年代研究的形式系统、哥德尔1931年的形式化、图灵1936年的可计算性、丘奇的lambda演算、香农的信息论，这条线一百多年的工作，本质上都在问"哪些数学动作可以被机器执行"。AI是这个问题的极致形式：一个统计型机器试图执行任意复杂的数学动作。两边的接口天造地设。 下游会怎么发展，要等2025到2030看。但2024已经是一个明显的转折点。基础-计算线在二十一世纪头25年，是数学四条主线里第一个找到了它的新甲方。AI接管了希尔伯特、图灵、香农这条线的下游，整片大陆重新有了活力。 # 五、从开山到装修：塔为什么垒不上去了 前面四章讲了四条线在1980之后各自的命运。这一章退后一步，问一个更深的问题：为什么会变成这样？塔为什么垒不上去？答案有两个，一个内部的，一个外部的。 ## 5.1 现状盘点：哪些做不上去了，哪些只在精装修 到这一章，前面四条线的故事已经讲完了。可以盘点一下二十一世纪头25年它们各自的状态。 结构化这条线（朗兰兹、∞-范畴、Mochizuki IUT、Scholze凝聚态数学）在产新结果，但塔已经做到全世界几百人能跟上的高度。新论文照样有，但能看懂的圈子越来越小。怀尔斯证费马是过去30年里这条线唯一一次大众级别的兑现，之后再没有那种"百年悬案被攻克让全世界都听说"的事件。它还在垒塔，但塔下面的人越来越少。 几何和物理这条线在1980年代Donaldson、Witten、镜像对称那波大爆发之后，2003年Perelman证庞加莱猜想是它的封顶之作。之后进入精装修。几何朗兰兹纲领、Calabi-Yau几何、辛几何这些方向都在原有大陆里加细节，没有再开新大陆。年轻一代的微分几何家工作越来越技术化，越来越特化。 分析-泛函这条线在二十世纪上半叶被量子力学吃透之后，到二十世纪后期工程化为现代ML的底层。测度论变成了概率论，概率论变成统计学习，统计学习变成神经网络损失函数。这条线还在产生工程价值，但它已经不再"开新疆土"。它的身份从前沿数学变成工具供应商。 数学基础这条线情况最特别。它跟AI的合流让它在二十一世纪意外重生。Lean、Mathlib、AlphaProof、陶哲轩用AI，这些事件让基础线成为四条线里唯一还在往外开新疆土的。它的下游不再是数学内部，是整个AI生态。 一个普遍症状贯穿前三条线：顶级方向的新论文越来越像"加一个特例"、"推广一个引理"、"填补一个证明步骤"、"把某个理论扩展到某个新场景"，开新大陆的几乎没有。能写出一篇真正改变全学科方向的论文的人，二十一世纪头25年屈指可数。这跟十九世纪伽罗瓦、黎曼那种"一篇论文开一个新领域"的状态完全不一样了。 ## 5.2 第一个原因：预备知识爆炸，塔尖没几个人 为什么会变成这样？第一个原因是预备知识的指数爆炸。 可以和十九世纪可以做一个对照实验。伽罗瓦20岁出头写出群论，整套理论建立在几页纸的篇幅上。读懂伽罗瓦的工作需要懂基本代数（多项式、方程根），加上一点关于群的新概念。一个学过初等代数的青年，几个月就能读完伽罗瓦的论文。 黎曼1854年讲非欧几何，他28岁。他造的概念（流形、内蕴几何、曲率）是全新的，但讲座本身大约一个小时能讲完。要听懂这次讲座，你需要懂高中几何、微积分、一点点抽象思维。半年到一年的训练就够。 康托尔造集合论1870到80年代，他的论文一篇一篇写出来。每篇都很短。读者要懂的预备知识不超过普通分析课程。 到二十世纪上半叶，门槛开始拉高。格罗滕迪克28岁进IHES（1958年），他要做的事情建立在Bourbaki那一代人造的整套结构化代数之上。一个想读懂格罗滕迪克概型的研究生，要先学完抽象代数（一两年）、同调代数（一年）、点集拓扑（半年）、范畴论（半年）。然后才能开始读EGA。格罗滕迪克自己也花了几年才把所有材料消化干净。门槛从"几个月"拉到"几年"。 到二十一世纪，门槛进一步爆炸。要读Scholze的凝聚态数学，你得先学完格罗滕迪克概型（两年）、同伦论（一年）、派生范畴（一年）、∞-范畴（一年）、perfectoid理论（一年），加上一堆其它专门工具。一个一线研究生从开始学到能用Scholze的工具做研究，往往要七到十年。也就是说，一个数学博士拿到PhD的时候，可能还没真正走到前线。 这种入门门槛的变化没有某个具体责任人，它是整个学科长期累积的结果。每一代人在前一代基础上加新结构，看似只加了一点点，但累积下来就是塔。塔越垒越高，能爬上去看一眼塔顶的人就越来越少。 结果是什么？塔不是没人想垒，是垒到一定高度，能爬上来的人本来就所剩无几。当所有人都还在补预备课，没有人在产新东西。这个现象用经济学话讲叫"知识折旧的边际效用递减"。再用十年生命去补一层预备课，最终能做出来的新工作可能只比前人多推进0.1%。 ## 5.3 第二个原因：物理这个甲方业务死了，剩 AI 还撑着 第二个原因来自外部。 二十世纪上半叶物理学这个大甲方连续50年向数学下大单。1915年爱因斯坦要黎曼几何。1925年海森堡和薛定谔要泛函分析。1930年代群表示论被维格纳搬进量子力学。1954年杨振宁要纤维丛和规范场几何。1960到70年代标准模型把李群推进基本粒子物理。每一波都让数学这条乙方有真单子做。 那个时候的物理学家如果碰到难题，他真的需要新数学语言。爱因斯坦花七年学张量分析，海森堡发现自己造的运算原来是矩阵，杨振宁意识到规范场就是纤维丛上的联络。这些都是物理学家被新现象逼着去找新数学的故事。物理这个甲方一直在花真金白银（即使是隐性的，比如政府资助、研究院位置）让数学家做新工具。 1970之后这个甲方开始减速。具体的时间线大致是这样：1973年标准模型成型，物理学的下一步预期是寻找超对称、统一引力、找到大统一理论。但1980年代以来，预期的新粒子都没找到。LHC 2012年发现希格斯粒子之后，再没有重大发现。弦论作为一种数学理论非常漂亮，但物理上无法被实验验证，需要的能量比现有加速器高十几个数量级。 物理这个甲方一减速，几何-物理这条线立刻找不到下一个客户。结构化线本来也指望物理来用，朗兰兹纲领跟量子场论本来想合流，几何朗兰兹纲领就是这个合流的一种尝试。但物理这边没动，合流也就只在数学家自己之间转。 二十一世纪唯一还在撑着的甲方是AI。它消费的现成数学很偏：概率、优化、信息论、形式化、高维统计、随机矩阵，全是现代ML的底层。结构化和几何顶层那些最深的抽象（朗兰兹、∞-范畴、凝聚态数学、镜像对称），AI 现在还消化不动。 但 AI 不只在消费数学，它本身也在抛出一些现成数学解释不了的新现象。Scaling Law 是其中一个：模型性能随参数、数据、算力按幂律平滑提升，这件事经验上稳定到令人吃惊，理论上没人能解释清楚。Representation Geometry 是另一个：神经网络内部学到的表示会自动组织成几何结构，不同模型甚至会收敛到相似的内部表示。这些现象现有的高维统计、随机矩阵那一套框架处理不了。 历史上物理学就是这样给数学下单的：广义相对论的反常观测逼出黎曼几何的成熟形态，量子力学的反常逼出泛函分析的成熟形态。AI 现在抛出的这些新现象，有可能成为 21 世纪给数学下的第一波真正的新单子，逼出下一代的新数学。 这就是为什么数学四条线在1980之后命运分化。基础-计算线接上了AI这个新甲方。其它三条线的甲方（物理学）减速或者消失，剩下的工作就是塔越垒越高、住客越来越少。 一个学科的繁荣要靠外部甲方扛着。没有甲方下单，数学家可以继续往塔顶垒砖，但每往上一层的边际产出在减少。物理学这个大甲方一旦减速，没有新工程逼数学家造新工具，"开山"的动力就没了。 ## 5.4 19 世纪的开山英雄，到 21 世纪的装修队 把前面几节合起来，可以总结一个长时间尺度的图景。 十九世纪的范式是"一个人开一片新大陆"。伽罗瓦写群论的时候21岁，论文几页纸。黎曼讲非欧几何的时候28岁，一场演讲。康托尔造集合论从30岁开始写论文，每篇都很短。庞加莱开拓扑学的时候41岁，但他一辈子开了很多片大陆。每一片大陆都是一个青年人在短时间内、用很少的工具、靠强大的洞察力打开的。 那个时代的英雄气质很纯粹。一个人在荒原上立起一面旗帜，后面陆续会有人聚过来定居、开发、修路。一面旗帜一面大陆。 二十世纪上半叶把这些大陆建成了可反复使用的山系。诺特把代数结构化，让所有的代数对象都有了统一的看待方式。Bourbaki把整部数学组织成定义-定理-证明的工程化体系。格罗滕迪克用范畴论重写代数几何，让代数、几何、数论统一在一个母版下。爱因斯坦、海森堡、冯·诺依曼把物理学公理化，让相对论和量子力学有了严格的数学基础。 这一代人还是天才，但已经开始集体协作，开始工程化。诺特带学生，Bourbaki是团体，格罗滕迪克在IHES有合作者和学生。他们仍然在开新大陆，但每开一片大陆需要的预备工作越来越多，往往需要整个学派几年甚至几十年的累积。 1970年之后，山系建满。剩下的工作主要在已建成的山系里：补一面墙、加一层楼、铺一段地砖。怀尔斯证费马、Perelman证庞加莱、Donaldson 4-流形不变量、Witten TQFT，这些都是精装修里的大事，每一件都需要顶尖才华和多年训练，但都建立在前人搭好的脚手架上。 到了二十一世纪，"开新大陆"的成本进一步上升。一个研究生想做出一项真正改变学科方向的工作，需要先学十年的预备课程。Lurie的∞-范畴、Scholze的凝聚态数学这些方向，参与者越来越像在一个超级高的塔顶做精细工作。数学家从灵感闪现的开山者，慢慢变成一个一个细分领域的装修队。分工越来越细，工程化越来越深，能开新山头的人越来越罕见。 这不是数学家退化了。是学科形态从"开山时代"走到了"装修时代"。一个学科的英雄期总是短的，紧接着是长长的工程化期。物理学经历过同样的转变。爱因斯坦那代人之后，物理学也变成了大型协作机构，不再是单人在专利局里就能写出场方程的时代。 要重新进入开山时代，需要的不是天才更多，是外部世界派出一个新甲方。下一个能像二十世纪物理学那样把整片数学大陆扛走的角色，必须从外部来。 AI是当前唯一明确的候选。它能不能扛得动，这就是下一章要回答的赌局。 # 六、21 世纪：谁是下一个数学的甲方 二十世纪上半叶有两个大甲方：物理学和计算机。它们各自连续50年向数学家下大单。1970年之后物理停了，剩计算机继续在拉。到了21世纪，计算机进一步演化成AI。问题变成：AI是不是足够大的甲方？除了AI之外，21世纪还有没有别的可能来扛起数学这条乙方？ ## 6.1 AI：当前唯一在场的活跃甲方 二十一世纪头25年，唯一能算上"在场的大甲方"的就是AI。但它的位置很微妙：消费的现成数学很偏（前面盘点过的那一摞 19 世纪老工具加上近年的形式化），结构化和几何顶层那些最深的抽象暂时还消化不动。跟物理学当年扛黎曼几何相比，AI 现在更像一个偏科生，离通用大甲方还有距离。 真正让数学家把赌注押在它身上的不是这一面。让人睁大眼睛的是 AI 自己抛出的那些新现象——Scaling Law、Representation Geometry 这一类现有理论解释不了的东西。如果这些反常真的逼出新数学，AI 就会从单纯的消费方升级成下单方。 数学家集体押的赌注就在这里。 ## 6.2 数学家集体押的赌注：符号 AI 与神经 AI 合流 数学家们押在AI身上的赌注具体是什么？ AI现在的范式是统计型神经网络。它的核心动作是从大量数据里学到模式，然后在新数据上做泛化。这个范式擅长模式识别（图像分类、语音识别、文本生成），但天然不擅长长链条符号推理。 数学这门学科的核心动作恰好是长链条符号推理。一个证明可能有几十步、几百步，每一步都精确无误，错一处整个证明就垮。神经网络的"概率正确"对数学证明是不够的。  50年前的AI研究者面对这个问题选了另一条路。1960到80年代有一批人做"符号AI"：用形式逻辑、推理规则、知识图谱去写计算机程序，让机器一步一步推理。这条路在数学上有一些早期成功（自动定理证明器、专家系统），但泛化能力很差，规模上不去，1990年代被神经网络压倒。 二十一世纪头20年，神经网络（统计AI）和符号推理（符号AI）一直是两条不相交的线。深度学习的人嫌符号AI僵化，符号AI的人嫌神经网络不可靠。两边互不通话。 数学家集体押的赌注就是把这两边合起来。具体路线是这样：让神经网络生成证明草稿（用它擅长的模式识别能力），让形式化系统（Lean）做严格验证（用符号AI擅长的精确推理能力）。错的草稿被Lean拒绝，对的留下来。整个流程是统计AI和符号AI在Lean后端合流。 AlphaProof 2024年在IMO拿银牌就是这个路线的早期产物。DeepSeek-Prover-V2、Gemini Deep Think也走类似路线。 更深一层的赌注是：神经网络内部能不能学会符号推理？也就是说，不只是把符号推理外包给Lean后端，而是让神经网络本身具备多步推理的能力。OpenAI o1和o3系列、Claude的思考模式都在试图朝这个方向走。如果走通，AI就有可能从工具变成研究伙伴，再往后变成独立研究者。这是符号AI与神经AI 50年隔阂的终局之战。 赌赢的世界是这样：AI升级成像二十世纪物理学那样的"通用大甲方"。1980之后的嵌套抽象大陆（朗兰兹、∞-范畴、凝聚态数学、Mochizuki IUT、几何朗兰兹）被AI逐层激活、翻译、扩展。Lean Mathlib把所有数学翻译成机器可读形式，AI从里面提取模式、验证猜想、辅助证明。整个山系重新进入开山时代。但开山者不再是单个青年人，是人加AI的合作。 赌输的世界是另一种。AI最终只能吃概率、优化、信息论、形式化这几条线，纯数学顶层继续沉睡。结构化大陆继续是几百个高僧的修行地。AI对几何朗兰兹之类的抽象顶层没有真正帮助，只能做做高中和竞赛级别的题目。在这种情况下，1980之后那些深层抽象工作要等下一个甲方，或者永远等下去。 对今天的数学家，这场赌局是当下唯一在场的活赌。它的赔率多少，没人知道。但赌局已经开了。 ## 6.3 量子计算：吵了 50 年，还在赌 除了AI之外，二十一世纪还有几个潜在的甲方候选。第一个是量子计算。 量子计算的数学基础1980到1997年就基本搭完了。Feynman 1981年提出用量子模拟量子，Deutsch 1985年定义量子图灵机，Shor 1994年给出能破RSA的因式分解算法，Grover 1996年给出搜索加速算法，同期Kitaev和Shor又把量子纠错和阈值定理证出来。理论框架17年就齐了，等的从来不是数学，是机器。  机器一直在憋。从1995年第一次做两比特门，到2024年才在物理可扩展性上过了一道真正的硬关：Google Willow芯片证明了网格距离越大、逻辑错误率越按指数下降（这是1997年阈值定理的实验验证），Harvard/QuEra在中性原子上做出48个逻辑比特、跑几百个逻辑门。这两件事加起来，把"物理上是不是真能扩展"从原则问题变成了工程问题。 但下一道槛远远更难。深度（每个逻辑比特保护多深）和宽度（同时操控多少个逻辑比特）还没有任何团队合二为一，更别说 Shor 破 RSA 需要的几千逻辑比特、上百万次可靠门运算那个级别。 更隐蔽的瓶颈不在硬件，是算法。真正能严格证明指数加速的量子算法就那么一小串：Shor、Grover、量子模拟、HHL（条件极其苛刻）、QAOA（没有理论加速）。比起经典那边30多年积累的浩瀚算法库，量子算法库非常单薄。被宣传得最响的"量子机器学习加速"，绝大部分已经被一种叫dequantization的技术追平成经典算法。 对数学这边的意思是：如果量子计算最终走通，它会激活几条沉睡的抽象大陆——后量子密码学把数论和代数（格、码、椭圆曲线、同源）拉回前台，拓扑量子计算把范畴论和Witten的TQFT激活，量子纠错码消化代数几何码和稳定子码。这是结构化和几何-物理线交界处的下游应用。 但即使走通，量子计算大概率不会成为像二十世纪物理学那样的通用大甲方。它更像同步辐射光源或大型对撞机：一个高端科研基础设施，对数学的拉动是niche级别，不是把整片大陆扛走那种。雪上加霜的是 AI 把氧气大部分吸光了——2024年全球 AI 私人投资约1500亿美元，量子技术约20亿，差距百倍，量子方向的人才也在被 OpenAI、DeepMind 持续抽走。 ## 6.4 其他方向：会不会冒出新甲方 除了AI和量子计算，还有几个更小但确定性更高的"中等甲方"。 生物学和神经科学是大客户，但它们接的数学偏统计和ML，不是纯数学。AlphaFold 2021年之后蛋白质折叠这个老问题基本被神经网络吃掉。基因组学、蛋白质设计、药物发现这些方向都在大规模消化ML工具，但拉动的纯数学很少。大脑神经科学有一些方向（连接组学、神经动力学）可能需要新的拓扑或动力系统工具，但目前还是ML在主导。生物学单独不会成为开新山头的大甲方。 复杂系统和气候建模是另一类。气候模拟需要多尺度建模、非线性偏微分方程、随机过程。这些方向的数学多是1850到1950年代现成的，需要的是大规模计算和精细建模，而不是新数学语言。 后量子密码学已经提过。它把数学家又拉回数论和代数。格密码（lattice-based cryptography）用的是Hermann Minkowski十九世纪末的格点几何加上现代代数算法。椭圆曲线密码、码论、同源密码全部基于较深的数学。这是个稳定但小的甲方，让数论这条线继续有事做。 材料科学也开始消化抽象数学。拓扑材料（topological insulators、Weyl semimetals）让K理论、纤维丛、拓扑不变量这些1960到70年代的数学在工程里意外有了下游。这是物理学之外另一种"基础抽象数学被工程化"的小案例。 加上一些其它专门领域：金融、博弈论、机制设计、组合优化、运筹学。21世纪有不少地方在用数学。但这些方向加起来都是"中等甲方"。它们能让局部数学有事做，但不像二十世纪物理学当年那样能一口气扛起整片大陆。 为什么？因为它们对数学的需求都是"用现成工具解具体问题"，而不是"逼出全新数学语言"。一个金融模型需要随机微积分，但随机微积分1940年代就有了。一个气候模型需要数值PDE，但数值PDE也是几十年前就有的。这些甲方在用数学，但不在"开新大陆"。 ## 6.5 一个诚实的判断 到这里可以做一个诚实的判断。 二十一世纪到目前，唯一已经动起来的大甲方是AI。它正在拉概率、优化、信息论、形式化、高维统计。它跟基础-计算线的接口已经做好，跟其它三条线（结构化、几何-物理、分析-泛函）的接口还在试。它能不能升级成像二十世纪物理学那样的"通用大甲方"，要看未来20到30年。 量子计算还在赌。它在数学上有清晰的需求（算法、纠错、密码），但机器一直在憋。30年内可能突然翻盘，让一波数学被激活。也可能继续在小规模实验室停留。 生物、工程、复杂系统更偏ML用户。它们消化数学的方式是"用现成工具"，不在"逼出新数学"。这些方向能让局部数学持续有事做，但单独不会成为开新山头的大甲方。 基础物理重启的概率最低。LHC之后没有更大的加速器，超对称没找到，弦论没实验。要让基础物理再次变成数学的大甲方，需要某种颠覆性观测或者新理论框架。这件事不能完全排除（DESI暗能量异常、JWST早期星系、LIGO引力波，都可能逼出新理论），但概率确实最低。 数学这位老英雄能不能吃饭，答案不在数学家自己手里。它取决于外部世界派不派新甲方过来。20世纪上半叶有物理学和计算机两个甲方，让数学繁荣了50年。1980之后甲方分化，导致山系建满后进入维护期。21世纪的真正大客户是不是AI，要再等20到30年才能完全确定。 在那之前，能做的事情就是把赌注下到几个候选上，等剧情展开。这就是二十一世纪头25年数学的真实状态：一边在精装修，一边在赌局里下注，一边等下一个甲方出现。 # 结语 回到题目那句辛弃疾的词：廉颇老矣，尚能饭否。 数学这位老英雄今天的状态确实有几分廉颇晚年的味道。19世纪那种一个人开一片新大陆的英雄期早就过去，20世纪上半叶把那些大陆建成山系，1970之后山系建满，剩下的工作越来越像精装修。最深的几条结构化线尤其如此——Lurie 的∞-范畴、Scholze 的凝聚态数学、几何朗兰兹、Mochizuki 的 IUT，全世界跟得上的就几百个人。这些数学家躲在自己的高塔里，每天还在认真地写、认真地推、认真地造工具。 这场景特别像一座深山里的修道院。老高僧在油灯下抄经、画曼陀罗，技艺越来越精，外面没人需要这些经卷，也没人能看懂。问题不在于他们造的东西好不好——东西非常好。问题在于这些工作还有没有重见天日的那一天，廉颇还有没有重新上阵的那一天。 二十一世纪到目前，唯一动起来的新甲方是 AI。如果符号 AI 与神经 AI 真的合流，AI 会把这位老英雄请回战场，让那些深山里写了几十年的"经卷"重新接进文明的主线。量子计算还在赌，其他工程方向是中等甲方，物理重启概率最低。 这也是为什么这一代物理和数学背景的人大规模去做 AI。这不是逃跑，是顺着数学甲方的迁徙路径在走——20世纪上半叶聪明人去物理，下半叶去 CS，21世纪去 AI。每一代人都在追外部世界派出的那个大甲方。如果这一波 AI 是真的，老英雄还能再吃一碗饭。如果不是，深山里的高僧会继续抄经，没有人知道下一次有人推开庙门是什么时候。 廉颇老矣，尚能饭否。问题没有答案。但赌局已经开了。 ## 作者其它文章 - 一篇文章讲清楚美国的移民系统 - 毕业典礼上嘘声四起：美国年轻人讨厌AI？ - 大航海时代2的逆向工程实验 - 量子计算机有前途吗？ - 祖父积分学概论 - 我见青山多妩媚：二十世纪数学史（上） - 一文讲清楚美国医疗系统 - AI 如何打进美国教育生态？ - 一篇文章看懂美国教育全生态 - 马斯克把 xAI 并入 SpaceX，到底意味着什么？ - Vibe Learning：AI 时代，学习这件事被重新组织了 - 福特经济学和 AI 经济学 - 数学照妖镜：AI 能发现新的数学定理吗？ - 手把手教你分析：你会被AI取代吗? - 一篇文章讲清大语言模型发展史 - 气吞万里如虎：回顾十九世纪的数学英豪们 - Vibe Reading：AI 时代读书的系统化方法 - 长篇分析：Manus 案折射出的中国 AI 创业生态 - 别再被 AI 新词绕晕了：Prompt、Context、Agent 背后的工程主线 - 两万字科普：AI 为什么会编程——原理、历史与未来 - 兄弟们，真·Vibe Writing 时代到来了 - 全网最详细的AI学习路线图 - 每个人都应该使用的三个最有用的 Claude Skill - SpaceX 立志传（一）：赌上全部的最后一次发射 - 估值290亿美元的套壳公司，正在被自己的房东杀死 - 黄仁勋和主持人吵红了脸：芯片封锁中国，美国到底能不能打赢？ - AI将如何颠覆教育，普通人又应该如何抢夺教育新的生态位 - 学物理的八方英雄们，物理学已死，请转行搞AI - 不会编程、没有融资、没有员工，他怎么一个人做到年入2000万 - 兄弟们想清楚：究竟是你为X打工，还是X为你打工？ - 一人公司盈利四亿美元：是骗子，还是可复制的红利？ - 2026第一季度大裁员，AI是背锅侠吗？ - 重返星辰大海：这次绕月飞行有意义吗？ - 张雪峰在美国为什么无法成功 - 2026 企业尸检报告：不用AI，你的公司能活过今年吗？ - 兄弟们，我创业失败了，人生完整了 ## 相关链接 - [snowboat](https://x.com/snowboat84) - [@snowboat84](https://x.com/snowboat84) - [665](https://x.com/snowboat84/status/2059071134738620606/analytics) - [气吞万里如虎：回顾十九世纪的数学英豪们](https://x.com/snowboat84/status/2050371067278143931) - [我见青山多妩媚：二十世纪数学史（上）](https://x.com/snowboat84/status/2055446902171406761) - [一篇文章讲清楚美国的移民系统](https://x.com/snowboat84/status/2057980486501433383) - [毕业典礼上嘘声四起：美国年轻人讨厌AI？](https://x.com/snowboat84/status/2057619169341026321) - [大航海时代2的逆向工程实验](https://x.com/snowboat84/status/2057264254319993332) - [量子计算机有前途吗？](https://x.com/snowboat84/status/2056895775578456417) - [祖父积分学概论](https://x.com/snowboat84/status/2056533111983493136) - [我见青山多妩媚：二十世纪数学史（上）](https://x.com/snowboat84/status/2055446902171406761) - [一文讲清楚美国医疗系统](https://x.com/snowboat84/status/2055081426744422697) - [AI 如何打进美国教育生态？](https://x.com/snowboat84/status/2054721509420372180) - [一篇文章看懂美国教育全生态](https://x.com/snowboat84/status/2054359249917210633) - [马斯克把 xAI 并入 SpaceX，到底意味着什么？](https://x.com/snowboat84/status/2054000682114613488) - [Vibe Learning：AI 时代，学习这件事被重新组织了](https://x.com/snowboat84/status/2052908751435477046) - [福特经济学和 AI 经济学](https://x.com/snowboat84/status/2052551731385602072) - [数学照妖镜：AI 能发现新的数学定理吗？](https://x.com/snowboat84/status/2052174034041995572) - [手把手教你分析：你会被AI取代吗?](https://x.com/snowboat84/status/2051818364507688978) - [一篇文章讲清大语言模型发展史](https://x.com/snowboat84/status/2051444935547912236) - [气吞万里如虎：回顾十九世纪的数学英豪们](https://x.com/snowboat84/status/2050371067278143931) - [Vibe Reading：AI 时代读书的系统化方法](https://x.com/snowboat84/status/2050008577511973253) - [长篇分析：Manus 案折射出的中国 AI 创业生态](https://x.com/snowboat84/status/2049643679804248305) - [别再被 AI 新词绕晕了：Prompt、Context、Agent 背后的工程主线](https://x.com/snowboat84/status/2049286033427349809) - [两万字科普：AI 为什么会编程——原理、历史与未来](https://x.com/snowboat84/status/2048919554882215954) - [兄弟们，真·Vibe Writing 时代到来了](https://x.com/snowboat84/status/2047828585537548574) - [全网最详细的AI学习路线图](https://x.com/snowboat84/status/2047457686070141051) - [每个人都应该使用的三个最有用的 Claude Skill](https://x.com/snowboat84/status/2047110768773197834) - [SpaceX 立志传（一）：赌上全部的最后一次发射](https://x.com/snowboat84/status/2046743964192276766) - [估值290亿美元的套壳公司，正在被自己的房东杀死](https://x.com/snowboat84/status/2046380497627230607) - [黄仁勋和主持人吵红了脸：芯片封锁中国，美国到底能不能打赢？](https://x.com/snowboat84/status/2046022377830801725) - [AI将如何颠覆教育，普通人又应该如何抢夺教育新的生态位](https://x.com/snowboat84/status/2044932338262667509) - [学物理的八方英雄们，物理学已死，请转行搞AI](https://x.com/snowboat84/status/2044584627046920278) - [不会编程、没有融资、没有员工，他怎么一个人做到年入2000万](https://x.com/snowboat84/status/2044216044575998136) - [兄弟们想清楚：究竟是你为X打工，还是X为你打工？](https://x.com/snowboat84/status/2043842017260908743) - [一人公司盈利四亿美元：是骗子，还是可复制的红利？](https://x.com/snowboat84/status/2043493870265422223) - [2026第一季度大裁员，AI是背锅侠吗？](https://x.com/snowboat84/status/2042766853404307931) - [重返星辰大海：这次绕月飞行有意义吗？](https://x.com/snowboat84/status/2042405716380835998) - [张雪峰在美国为什么无法成功](https://x.com/snowboat84/status/2042045634245746743) - [2026 企业尸检报告：不用AI，你的公司能活过今年吗？](https://x.com/snowboat84/status/2041672997959057517) - [兄弟们，我创业失败了，人生完整了](https://x.com/snowboat84/status/2040948420391940272) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [8:36 AM · May 26, 2026](https://x.com/snowboat84/status/2059071134738620606) - [665 Views](https://x.com/snowboat84/status/2059071134738620606/analytics) --- *导出时间: 2026/5/26 09:27:14*
什 什么是希尔伯特的第六问题？这个问题重要吗？ 文章介绍了希尔伯特1900年提出的第六问题，即“物理学公理的数学处理”。文章详细梳理了该问题的历史背景，包括当时的物理学危机、原子论与唯能论的争论，以及希尔伯特试图从微观原子运动严格推导出宏观连续介质定律的数学野心。文章还关联了2026年菲尔兹奖得主邓煜对该问题相关领域的研究贡献。 读书 › 书评 ✍ snowboat🕐 2026-07-15 希尔伯特数学史物理学公理化菲尔兹奖原子论统计力学科学科普
中 中国风投生态运作机制 文章分析了中国风险投资生态的独特性，指出尽管中国在开源AI、生物技术和机器人领域具有优势，但其资本市场对创始人更为严苛。文章解释了为何中国初创公司倾向于IPO而非被收购，并详细介绍了人民币基金、美元基金和外资基金这三种资本池的特点与差异。 投资 › 宏观经济 ✍ Bohan🕐 2026-07-29 中国风投IPO资本生态人工智能机器人生物科技
对 对话姚颂：不想 boring，那就继续开心地 suffering 本文专访了正行创新创始人姚颂，回顾了他从清华本科毕业创立深鉴科技，到3亿美元卖掉公司，再到投身商业航天和物理 AI 的十年创业历程。姚颂分享了对技术创业、战略取舍、人生状态以及硬科技发展的深刻思考。 职场 › 职业发展 ✍ 晚点 LatePost🕐 2026-07-24 姚颂创业深鉴科技人工智能职业发展清华商业航天访谈
2 2026年普通人都能上车的AI风口：DeepSeek 创始人梁文锋3小时演讲精华提炼 文章提炼了DeepSeek创始人梁文锋关于AI未来的演讲精华，强调“克制”的重要性。梁文锋指出，想拿得多的人会被想拿得少的人打败。他为AI发展制定了清晰的路径，并建议普通人不要盲目追逐风口，而应注重提升“把话说清楚”和“长期沉淀”的能力，通过行业深耕和AI应用找到属于自己的机会。 技术 › LLM ✍ Gloria🕐 2026-07-24 DeepSeek梁文锋人工智能职业发展创业思维链智能体Coding AgentAI应用克制
M Making a Billion Intelligent Machines 文章介绍了Applied Intuition公司如何通过提供仿真、数据和操作系统工具，从自动驾驶领域的非主流选择发展为物理AI应用平台，并成功拓展到国防、建筑等多个行业。 技术 › Agent ✍ Marc Andreessen🕐 2026-07-22 物理AI自动驾驶仿真技术Applied Intuition操作系统国防工业应用技术平台人工智能转型
I Inside Kimi: 100 Hours of Observation 本文讲述了作者深入 AI 独角兽 Moonshot AI（Kimi 母公司）内部进行 100 小时的观察记录。文章回顾了公司从早期的营销挣扎到面对竞争对手 DeepSeek 突围时的战略调整，展现了这家年轻、高估值且充满内向天才员工的神秘企业文化。 技术 › LLM ✍ Liu Mo🕐 2026-07-22 KimiDeepSeekLLM人物企业文化创业人工智能月之暗面观察报道
F FDE：年薪百万的AI前沿部署工程师详解 文章介绍了科技领域最热门的角色 Forward Deployed Engineer (FDE)，其年薪可达15万至100万美元。FDE 负责在企业内部部署 AI，连接业务流程与模型。文章提供了30天行动计划，涵盖流程理解、判断、构建部署及人际应对，强调实战经验的重要性。 职场 › 职业发展 ✍ The Startup Ideas Podcast (SIP)🕐 2026-07-21 AI工程师职业规划部署职场人工智能技术FDE工作流技能
流 流体力学研究史 文章回顾了流体力学三百年的发展历程，从阿基米德的静力学开端，到达芬奇的观察，再到欧拉建立场论方程。文章重点探讨了流体力学拥有完美方程却无法预测湍流的悖论，以及非线性项带来的数学挑战，并最终将落脚点引向了现代AI技术。 读书 › 科普 ✍ snowboat🕐 2026-07-17 流体力学科学史欧拉湍流物理学方程数学达芬奇科普方法论
我 我开始怀疑：完全不用 AI，也可能是一种偷懒 文章探讨了在写作中使用 AI 的态度。作者指出，完全不用 AI 可能是逃避将模糊直觉转化为清晰判断的思考过程。真正的关键不在于工具本身，而在于作者是否能承担选择和责任，确保作品反映真实的思考。 技术 › LLM ✍ Ian (伊恩)🕐 2026-07-17 AI写作思考创造力工具与效率LLM伊恩个人观点写作技巧人工智能思考方式
关 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。 技术 › LLM ✍ deep Manifold🕐 2026-07-16 复杂性涌现神经网络堆叠流形数学人工智能
W WorkBuddy vs Codex：从微信与代码生长出的AI Agent路径之争 文章深度对比了WorkBuddy和Codex的产品基因，指出Codex源于代码仓库，擅长可验证的软件工程；WorkBuddy源于腾讯生态，擅长抵达中文办公场景。两者在通用工作Agent领域扩张，真正的战争在于谁能成为默认的工作环境。 技术 › Agent ✍ DataDan🕐 2026-07-16 WorkBuddyCodexAgent办公自动化产品分析OpenAI腾讯人工智能工作流竞品对比
《 《前沿人工智能框架与新时代的曙光》雄文解析 文章解析了关于通用人工智能（AGI）的前沿框架，将其比作电与火的“文明级重启”。文章探讨了AGI带来的风险与机遇，提出了建立类似FINRA的标准机构来监管前沿模型的方案，强调了在技术竞速中保持审慎和国际合作的重要性。 技术 › LLM ✍ KK.aWSB🕐 2026-07-15 AGI人工智能安全监管前沿模型技术伦理国际合作标准机构风险控制