这次跑新疆花了小十天，落地回酒店，边上正好在开演唱会。我前面一辆车停不好，我去指挥依旧停不好。然后下来的丫头说你帮我停，车钥匙放酒店前台。然后就走了，看演唱会去了。四个姑娘，分不清楚维族还是哈萨克还是什么族，普通話也很好，听的也是流行乐，就跟我是她邻居似的。

也对，我都帮她停了，那她也多余在那等着。

中间在另一个城市，临时叫了拖车。司机汉语不行，靠着路人的翻译，加了微信。找不到就给我弹微信视频，找不到就弹。终于找对了地方。我问他为什么弹视频，他表达的大意是：电话沟通不清楚的时候，看到脸，看到口型，就好猜，好沟通。

看着我，看着我的眼睛说！！，我脑补他找地方时就这样。

再后来，为了避免这种尴尬，我就和拖车公司说，下一段，找个汉语好点的司机。然后电话再来时，是山东的号码，顿时放心了。告诉他钥匙去酒店前台拿，拖到另一个酒店，把钥匙放前台。咱学习能力还是很强的。

我在新疆这几天，吃了很多西红柿。好吃，不是甜度或者水份的好，是果肉醇厚，吃完有饱腹感。这些西红柿都没花钱。

有一天走在沙漠公路，看到一个小孩走在烈日下，手里提着几个囊，应该是去送饭。那地方都是一条路直直走，他走在右侧，我便是顺路的。于是喊他上来，给他水，他接了。给他其他的，客气，不要。等送到地头，他也让我等一下，然后抱着一堆西红柿出来给我。

转天，继续走乡道时，有人在路边拦车。一个少数民族姑娘说她弟弟要去库尔勒上学，她要去收西红柿，没空送弟弟去。然后妈妈送弟弟去，妈妈不怎么会说汉语，小孩也腼腆。我只能顺一段路，然后把他们放下，他们再搭车去。路上闲聊了一会儿，夸他们的西红柿好吃，瓜好吃。他们母子下车的地方车不多，我就陪着等了一会儿。拦了几辆车都不顺道，直到一个京A的老哥给拦下来了，他说你别管了，下一段他负责。…

帮他们把行李都挪完，那妈妈突然拦住了一辆运果子的车，说了几句话，抱着一堆西红柿过来了，估摸着就是说“这些人帮我送孩子去上学，他们喜欢西红柿，从你这拿一些送他们”。

被人拉着跳了几次舞，虽然有所准备，也预先研习了，但由于这几年去内蒙古太多了，一高兴，就是蒙古味。

在库车的时候，看表演（大馕城里的表演，值得一看，以后再写）。想着促进消费嘛，就买了一个VIP票，结果就我们这几个人坐了那一排，两边都立着牌子堵着。我想，嘿，今天不会拉我跳舞了吧，结果到了舞乐高潮环节，一不小心和一个跳胡腾舞的小伙子对了一眼，他上来一脚就把那个VIP牌子给踢开了，把我拽出去。末了他说，你这个舞，是蒙古族教的吧。

走过内蒙陕西山西宁夏甘肃，才能理解胡夏亦夏，翻过天山吃过囊，见过这里的人和风土，才理解故土新归。

克鲁格曼：特朗普关于委内瑞拉石油的说法又是一个骗局

本文作者是纽约市立大学研究生中心教授、诺贝尔奖得主、前《纽约时报》专栏作家保罗·克鲁格曼，全文刊发于他的substack通讯。

美国在拉丁美洲的名声很糟糕。遗憾的是，这种名声大体上并不冤枉。

美国政府长期支持独裁者，协助推翻民主政府，有时甚至直接派遣海军陆战队，而且很多时候都是为了帮助美国企业掠夺其他国家的自然资源。

如果把特朗普第二届政府排除在外，我认为美国近些年的表现已经有所改善。这在很大程度上源于一种更明智的利己主义。

事实是，老式的掠夺型帝国主义根本不划算。实际上，一百多年前就已经不划算了。

在现代世界，一个国家依靠创新和生产率提高来致富，而不是依靠征服。1909年，诺曼·安吉尔在《大幻觉》中指出，即便战争最终获胜，付出的成本也远远超过从战败国获得的贡赋。他当时已经用大量历史证据证明了这一点。放到今天，这个论点只会更加有力。

举一个近代历史上的例子。

葡萄牙是最后一个仍然维持庞大海外帝国的欧洲国家。直到1973年，里斯本仍然统治着大片非洲领土，其中一些拥有丰富的自然资源，这些殖民地的人口总数甚至是葡萄牙本土人口的数倍。

然而，当时的葡萄牙却是西欧最贫穷的国家。为了继续压制殖民地，葡萄牙长期陷入无休止的战争，大量国家资源被消耗殆尽。

终于在1974年，受够了战争和死亡的葡萄牙年轻军官发动康乃馨革命，推翻法西斯政府。刚刚实现民主化的葡萄牙迅速放弃殖民帝国，后来加入欧洲联盟。

如今葡萄牙虽然仍比一些西欧国家贫穷，但与法国等国家在生活水平上的差距已经比过去小得多。

简而言之，到了今天，只有对现代经济运行方式和历史教训都严重缺乏了解的人，才会相信夺取别国自然资源能够带来巨额利益。…

对于需要回顾一下情况的人来说，今年1月，美国军队突袭委内瑞拉，并绑架了这个国家残暴而腐败的独裁者尼古拉斯·马杜罗。

马杜罗当然罪有应得。

然而，特朗普政府并没有采取任何行动帮助委内瑞拉的民主反对派。相反，特朗普政府与马杜罗集团中的一些前成员达成协议，实际上扶植了一个新政权。这个政权很可能比马杜罗政府更加残暴、更加腐败。

外界普遍怀疑，绑架马杜罗这件事本身在一定程度上就是内部人策划的，是他的那些集团同伙参与安排的。

作为交换，特朗普得到了一份协议。协议细节目前仍然很少，但从已经披露的信息来看，美国石油公司将获准开采和出售大量委内瑞拉石油，前提是这些公司必须投入数百亿美元，修复委内瑞拉破败不堪的石油基础设施。

所以，美国这次在委内瑞拉的行动与民主或自由毫无关系。

可以相当有把握地说，这也与犯罪或恐怖主义无关，尽管特朗普政府曾经用这些理由为行动辩护。

委内瑞拉发生的事情，不过是一次老式的、19世纪风格的资源掠夺，可以说是加勒比版本的比属刚果。

特朗普这一击，几乎替拉丁美洲左翼过去所有关于美国帝国主义的指控，提供了现成证据。

而美国将在未来几十年里，为此付出外交和战略上的代价。

现在看来，这份协议几乎不可能长期维持。

为海外华人提供可靠的信息和分析。如果想看更多内容与即时更新，可以在 Bluesky、Telegram、X搜索「causmoney」；深度分析和评论也可以直接搜索「caus.com」。

从各种报道来看，除了目前掌权的集团之外，委内瑞拉政坛几乎所有政治势力都痛恨这份协议。

石油公司对委内瑞拉进行投资，即使真的能够带来所谓收益，也需要很多年，甚至可能需要几十年才能实现。那么，将来无论是谁掌管委内瑞拉，又有多大可能愿意继续遵守特朗普制定的条件？

未来委内瑞拉政府最终没收美国石油公司的投资，可能性究竟有多大？

还是说，我们设想的未来，是美国军队永久占领委内瑞拉，用武力维持一个遭到这个国家民众痛恨的傀儡政府？

即使协议真的能够维持，石油专家仍然极度怀疑，委内瑞拉是否能够在短期内显著提高石油产量，甚至怀疑这种增产究竟能不能实现。

即使企业愿意投入所需的数十亿美元，重建委内瑞拉石油基础设施也需要多年时间。

除此之外，委内瑞拉石油本身的品质也存在问题。

从账面数据来看，委内瑞拉似乎拥有巨大的石油储量。但其中很大一部分，其实就是我曾经所说的“黑色黏稠幻想”。

这种幻想源自马杜罗的前任乌戈·查韦斯。查韦斯政府把奥里诺科盆地中那些极难开采、甚至可能根本无法经济开采的石油，重新划定为“已探明储量”。

不过，为了便于讨论，我们姑且假设特朗普真的能够夺取650亿桶委内瑞拉石油。

650亿桶听起来是个巨大的数字。

但真的很大吗？

委内瑞拉石油目前在全球市场上的价格大约为每桶70美元。

但正如前面所说，要把这些石油开采出来，需要在基础设施上投入巨额资金。而且在委内瑞拉钻下一口油井之后，石油并不会像喷泉一样自动涌出来。

正如一位专家所形容的：

“从地下出来的时候，那东西的质地就像冰冷的花生酱。”

因此，委内瑞拉石油真正能够产生的利润，最多只会是市场价格的一小部分。

即使按照每桶20美元计算，恐怕已经是一个非常慷慨的估计。

那我们就采用这个数字。

特朗普这份协议可能创造的价值就是：

每桶20美元乘以650亿桶，也就是1.3万亿美元。

而且这1.3万亿美元还需要很多年才能慢慢取得。

那么，对于美国来说，这究竟算多大一笔钱？

因为即使一切顺利，这也是一个持续很多年的过程，所以真正应该拿来比较的是美国的总财富，而不是国内生产总值。国内生产总值只代表一年之内创造出来的价值。

美国目前的总财富大约为167万亿美元。

所以，本文开头的图表展示的，就是特朗普号称取得重大胜利的委内瑞拉协议，对美国经济究竟意味着什么。

即使我们采用所有最有利的假设，尤其是假设委内瑞拉政权能够信守协议，而不是像特朗普政府那样不可信，这份协议对美国经济的价值，用最粗略的方式概括就是：

几乎等于零。

对了，特朗普声称，这份协议将“大幅降低所有美国人的汽油价格”。

这又怎么样？

由于委内瑞拉石油产量即使能够显著增加，也需要很长时间，因此即便只是国际原油价格，至少几年内也不可能因为这份协议出现什么明显影响。

更何况，人们真正烧掉的是汽油和柴油，而汽油、柴油价格与原油价格之间的关联近年来正变得越来越弱。

所以，特朗普与委内瑞拉达成的协议，对普通美国人不会带来任何实际好处，却会进一步坐实美国贪婪、短视的帝国主义形象。

感谢你把宝贵的注意力浪费在这件事上。

群里有个同学问，中国是不是陷入了中等收入国家陷阱，想了一下，就专门写了个帖子说一下吧。

中等收入陷阱最初的概念，就是当一个国家从低收入进入中等收入之后，长期无法继续提高人均收入和生产率，一致无法迈入高收入经济体。而根据世界银行2024年的报告，主要原因就是很多国家发展初期是靠廉价劳动力，然后就是从先进发达国家搞技术引进进行技术追赶，然后就是靠城镇化以及投资带来的高速增长增长，从低收入国家冲击中等收入国家的行列。

但是在这个阶段，因为人均收入的增加，在低端劳动力的成本竞争方面，相比于更落后的一些发展中经济体，就失去了竞争力。而在高端行业的竞争方面，又因为难以转向创新，缺乏技术智力资本的加持，无法驾驭更为复杂的高端产业，也无法进一步提高生产率，那么经济增长就出现明显减速，这个就被称为落入了陷阱。

那么中国目前的情况如何呢，如果看一下世界银行的分类，人均GNI的高收入是14375美元，而按照IMF的预测，中国在2025年的人均GNI会达到14000美元左右。所以从统计数据的角度来看，中国目前应该是处于中等高收入和高收入的临界区，所以四平八稳的看法，大概就是不能说中国已经轻松进入了高收入国家行列，但是也不能简单说中国已经陷入中等收入国家陷阱，而是中国处于一个非常典型而且难度明显增加的突破区。

另一个比较直观的经验标准，就是用灯塔国美国的人均GNI作为标准，当人均收入达到灯塔国的约10%左右之后，经济增长长期明显放缓，而且很多年无法跨越。从1970年以来，中等收入国家的人均收入中位数一直没有超过美国水平的约10%，到2023年底，有108个中等收入经济体处于这种长期停滞状态。中国2025年的数据，是美国的约15%（暂时不包括PPP，汇率等其他因素）。…

但是比收入更需要关注的，是人均收入是否长期停滞，人均生产率是否停滞，工资成本提高之后，企业是不是还有潜力挖潜提高生产率，而是简单地跑路去东南亚，企业是不是从以前的模仿和加工转向自主创新，产业结构能否从低附加值的卖鞋子换人家高附加值的买飞机，转为自己卖飞机，最后就是人口老龄化之后，能否用技术进步给劳动力减少填坑（之前大部分西方发达国家的靠年轻移民填坑的做法，貌似最近几年被民粹反噬了）。

中国之前40年的发展路径，并不特别，也不是自己的独创，大概就是廉价劳动力—出口制造业—城镇化+基础设施投资—房地产+重工业+全球供应链—技术升级+高端制造+新能源+AI+半导体等。那么最关键的一步就是能否从进口替代的追赶型增长变成创新型增长？

我以前有一个观点，在今天人口增长大幅度下降和大量人口老化的背景下，其实蛮有意思的。就是中国的增长主动力，需要从农民工红利-》工程师红利-》科学家红利。如果你说，中国拥有全球最多的工程师和最多的工科毕业生，大概没有人有异议。

但是你要是说中国拥有全球最多最好的科学家，估计就非常勉强。当然有些领域还是有指标性的，比如全球AI的高端人才，大概中国就超过50%。那么基本上中国面临的就是60-70岁的农民工退出历史舞台的时候，就是他们的孩子，30-40岁的工程师和科学家登场的时候。而通过刷移动互联网、机器人和AI，就是在人口规模下降的时候，提高生产率，让以前很多人干的活，变成现在少些人可以扛住。

伴随廉价劳动力人口红利的消失，则是房地产和大基建的边界效应降低，靠投资铁公鸡，靠钢筋水泥，和地方政府债务驱动模式也碰到瓶颈。新的增长模式，在电动车、电池、光伏、风电、高铁、工业机器人、无人机、电力设备、造船、机械设备、数字支付、数字商业、大规模制造业自动化、创新药、AI等等领域，都还有潜力可以挖。而这里可不可以突围而出，估计就是能否突破中等收入陷阱的关键。

不过值得庆幸的是，在东亚尤其是东北亚这里，日本韩国台湾都是成功迈入高收入的经济体，不少经验是值得中国学习的。（这里我创造一个新概念，就是以中国长江口这里来一条直线，把长江直线以北的东亚称为东北亚，包括中国北部、日本、韩国、朝鲜、俄罗斯远东地区；而海南这里拉一条直线，这里以北，包括中国南方（长三角、珠三角、台湾岛和福建等地，成为东中亚；而海南这里以南称为东南亚。）

和日韩台比较，你可以看到的就是类似第二次转型（西方有中国冲击2.0的说法），从投资模仿规模扩张，到生产率技术原创高附加值产业。而中国目前最大的优势，比如产业链规模、制造业深度和工程师数量，最大的挑战主要是居民消费不足。

而目前最值得学习的其实是韩国，因为韩国在赶超日本的过程中，实现了“我做出比日本更便宜的产品”，到“我做出比日本更先进的产品”。而台湾值得学习的地方，不是形成韩国那种几个超级大的综合财阀，而是靠大中小型企业的集群作业，不是形成制造能力，而是形成技术平台能力，主要是掌握产品背后的关键技术。

Anthropic今天发布了 Claude Fable 5.1和 Claude Mythos 5.1，Fable系列上一代产品 Fable 5发布还不到三个月。

Fable 5.1和 Mythos 5.1是同一个模型，区别在于安全限制的松紧程度。Fable 5.1面向所有人开放，Mythos 5.1则只对经过审核的网络安全和生命科学研究人员开放，安全护栏更宽松。这和 Fable 5与 Mythos 5的关系一样。

对大多数用户来说，这次发布有三件事值得关注：性能提升、价格下降，以及困扰企业客户两个多月的数据留存争议终于有了解法。

【1】性能：在科学研究基准上翻倍

Fable 5.1在多个基准测试中的表现都明显优于 Fable 5。几个关键数字：在 Terminal-Bench-Science 0.1这个衡量 AI自主科研能力的测试上，Fable 5.1得分 52.6%，Fable 5只有 24.7%，直接翻了一倍多。在 Terminal-Bench 4.0的编程任务上，Fable 5.1拿到 55.8%（Mythos 5.1版本达到 60.9%），超过了 Opus 5的 52.3%。在衡量自动化业务流程能力的 AutomationBench上，Fable 5.1从 Fable 5的 17.1% 跳到了 31.4%。

这些不只是跑分好看。Anthropic提到的一个实际案例是：投资公司 Millennium用 Fable 5.1找到了内部系统一个罕见崩溃的根因，这个问题困扰了他们的工程师好几年，其他模型也没能解决。量化交易公司 Jane Street也给出了背书，称 Fable 5.1在长任务中保持可读性方面明显好于前代。…

Fable 5.1支持从 low到 max五个 effort level档位，低档位下的表现已经和 Fable 5高档位相当，但成本低得多。换句话说，你不一定需要开到最大马力才能拿到好结果。

【2】降价：缓存读取便宜了 75%

Fable 5.1的输入和输出单价不变，仍然是每百万 Token输入 10美元、输出 50美元。但缓存读取（Cache Read）的价格从每百万 Token 1美元降到了 0.25美元，降幅 75%。

这听起来像是小事，但做过 AI应用开发的人知道，在实际使用中，尤其是需要反复引用大段上下文的 Agent场景下，缓存读取占了总成本的大头。Anthropic用八月份的真实使用数据算了笔账：一般工作负载下总成本降低约 25%，高度 Agent化的工作负载（比如 Claude Code跑长任务）降幅可达 45%。

这个定价调整的背景是：Fable 5的单价本身就是 Opus 4.8的两倍，而支付平台 Ramp的数据显示，Fable 5发布两个多月后，只占企业客户 AI工具总支出的约 11%，反倒是更便宜的 Opus 5在企业端花费上超过了它。降低缓存读取价格，等于把 Agent场景的实际账单拉下来，让 Fable系列对成本敏感的企业用户更有吸引力。

【3】数据留存：企业客户最关心的问题

Fable 5发布时最大的争议是 Anthropic强制要求所有 Mythos级模型的使用数据保留 30天。对于之前享受零数据留存（ZDR）协议的企业客户来说，这等于一夜之间把隐私保障降了一级，尤其是金融、医疗、政府等对数据合规要求严格的行业。

OpenAI两周前刚利用这一点发起攻势，宣布了自己的 Private Safety Processing方案，承诺即使用最强模型也能保持零数据留存。

Anthropic的回应是 Enterprise Frontier Safeguards（EFS）。EFS的核心思路是：数据存储在客户自己控制的云基础设施上，而非 Anthropic的系统中；任何人工审核默认也由客户自己完成。Anthropic说他们和 100多家客户合作开发了这套方案，涵盖金融、医疗、制造、法律等行业。

EFS今年秋天开始分阶段上线，在此之前，符合条件的客户可以用零数据留存的方式使用 Fable 5.1。

Bloomberg此前报道过 Anthropic正在开发这样一套系统，今天算是正式落地。对企业用户来说，这解决了一个实际的采购障碍。

【4】科研能力展示：金星地图和蛋白质设计

这次发布还有科研能力的演示。

Fable 5.1用 NASA麦哲伦任务 30多年前拍摄的雷达图像，训练了一个神经网络，为金星三分之一的表面生成了新的高分辨率地形图。原来的地形数据精度只有 10到 20公里，新地图能看到 2到 3公里的细节，高度精度也比以前高了最多 25%。Anthropic已经把这份地图以 Creative Commons协议公开发布，说希望对 NASA即将执行的 VERITAS任务和 ESA的 EnVision任务有用。

在生物学方向，Mythos 5.1展示了药物发现的早期能力。给模型配上开源的蛋白质设计和折叠工具后，它设计出的高亲和力结合物在三个靶点上的结合亲和力比 Adaptyv Bio蛋白质设计竞赛的最佳提交高出 10倍，成功率接近 50%，而行业一般水平是 10% 到 15%。

另一个演示是计算生物学：Mythos 5.1通过编写自定义 GPU核心和缓存中间结果，把七个开源深度学习模型的推理速度提升了 1.4到 2.5倍。做一次全基因组分析的 GPU成本因此降低了 30% 到 60%。Anthropic说这类优化通常需要一个性能工程团队花几周时间，学术实验室根本做不起，Mythos 5.1用公开源代码几天就搞定了。

这些演示当然带有 Anthropic的叙事目的，但蛋白质设计的结果经过了外部实验验证，金星地图也是公开可下载的，不是空口说说。

【5】其他变化

安全护栏方面，Fable 5.1的误报率有所降低。网络安全相关的误触发减少了 60%，用 Claude Code的开发者应该能感受到被安全限制打断的次数变少了。Fable 5.1现在允许发现软件漏洞（但不能生成漏洞利用代码），这对做防御性安全工作的人是个好消息。

Anthropic还加入了反蒸馏机制。从今天起新注册的 API账号不能再在多轮对话中手动编辑 Claude的先前上下文同时保留思考链记录。这是针对大规模模型蒸馏（Distillation，即用一个强模型的输出来训练另一个模型）的防御措施，堵住了一个已知的公开蒸馏技巧。

另外，由于 Anthropic在今年七月签署了欧盟 AI法案的透明度实践准则，Fable 5.1作为 8月 2日之后发布的模型，输出文本中内置了不可见的水印。这个水印对使用体验没有影响，检测 API目前只对欧盟法律要求的组织（监管机构、媒体、事实核查机构等）开放。

Fable 5.1今天起在所有平台可用，API标识符为 claude-fable-5-1，AWS、Google Cloud、Azure也同步上线。Mythos 5.1目前仅限美国组织申请，Anthropic说正在和美国政府协调扩大访问范围。

《经济学人》奇葩影评：无论电影还是现实，中国都在推行“龙餐馆外交”

文章开头，说《欢迎来到龙餐馆》是一部最近在中国大卖的电影，故事背景设定在一个影射伊拉克的虚构国家。作者调侃说“它恐怕拿不到奥斯卡：情节离奇，许多人物也像卡通角色”。

但作者依然认为，中国以外的人仍然值得看看这部电影。原因之一，是它从一个西方观众不熟悉的视角描绘了2003年美国入侵伊拉克：不是西方家庭电视屏幕上那种带着绿色夜视效果的“灯光秀”，而是炸弹砸向沉睡城市时刺耳的尖叫与轰鸣——令人震惊，也令人恐惧。

然后接下来这句话把我气笑了，文章称“影片讲述了一名中国厨师靠战争发财，却最终被战争反噬的故事。这个故事同样具有政治意义，因为它揭示了中国如何看待自己，以及如何定位自己在中东乃至全球的角色。”

随即，作者提到了《战狼》，认为过去十年评论人士一直把《战狼》当成中国强硬外交姿态的代名词。

作者认为“龙餐馆外交”则体现了另一种风格，而且更接近中国整体外交政策的真实面貌。

作者对“龙餐馆外交”的理解是：与所有人做朋友，其动力更多来自商业主义而非政治意识形态。作者又认为，这种方式无论是在电影中还是现实世界里，都显得“相当表面且充满矛盾”。

但是，作者警告称，“如果忽视它对那些已经厌倦了傲慢西方国家的国家所具有的吸引力，那将是一个错误”。

接下来是影片简介：影片主人公徐福（Xu Fu）——英文官方片名为 《Once Upon a Time in the Middle East》——为了靠厨艺赚更多钱，来到一个经过虚构处理的巴格达。

战争爆发后，他发现了一个利润丰厚的“绿区”，那里驻扎着美军。

西方士兵，以及——咳咳——记者们都喜欢他的饭菜，也喜欢他的酒。【这个咳咳的调侃是原文就有的】…

徐福赚得盆满钵满，直到一次自杀式炸弹袭击发生。

他的前商业伙伴受到牵连，于是徐福被关进了美国监狱。

后来，他又被伊斯兰武装分子绑架。

作者的判断是，中国官媒和知识分子把这部电影视为一个寓言，即“在一个被美国破坏的世界里，中国能够提供什么”。

但他认为这部电影所表达的远不止这些，而且其中有些内容对中国并不那么恭维。

作者认为电影的核心设定之一是：“中国希望得到所有人的喜欢”。【这有什么问题吗？不会有哪个国家下贱到非要给自己搞个敌人吧？】

以及，他还把徐福比作“一个优秀、灵活的中国外交官的典型”。

徐福的当地商业伙伴是战前政权的一名官员。即使这个人失去权力，徐福依然忠于他。

美国士兵同样逐渐喜欢上徐福，尤其喜欢他的厨艺。

甚至连后来绑架他的恐怖组织头目也喜欢他。

在整个过程中，徐福始终能够看到这些不同阵营的人身上共同的人性。

作者认为值得肯定的是，电影并没有完全忽视其中的矛盾。

一名美国士兵质问徐福：“你的伙伴是加害者，而你的朋友是受害者。你真的认为自己与这场战争毫无关系吗？”作者认为这句话可能促使一些中国官员进行反思。【？？？】

作者又提到，“他们在俄乌战争中宣称自己保持中立，却又对西方指出所提供的物资和资金正在帮助俄军”而感到恼火。【？？？】

所以作者提问：“你真的认为自己与这场战争毫无关系吗？”

接下来，作者认为徐福的动机同样很真实。影片一开始，他毫不掩饰、甚至有些“厚颜无耻”地表达了自己想要快速赚钱、偿还债务的愿望。【厚颜无耻是翻译的结果，原文是shameless。但是WTF？想赚钱怎么就shameless了？】

作者借用角色台词表示“能够从战争中获利，是一种运气”，认为“这其实是中国海外活动中一种机会主义商业主义的缩影”，认为这“听起来可能不太体面”。

但是，作者发出警告，“对于接受中国投资和商业活动的国家而言，这往往恰恰是受欢迎的”——因为这与人们对西方资金的印象形成鲜明对比，因为“西方的钱往往附带政治条件”。

作者引用了任正非的一句话，大意是“做生意就只谈生意”，原文是“Ren Zhengfei, founder of Huawei, a technology giant, has made it his maxim: ‘In business, speak only of business.’”这句话原版不知道出处是哪儿。

然后作者列举了一串国家，认为“中国有意避开政治，某种程度上正是它能够在中东乃至其他地区跨越相互敌对的阵营的原因”。

比如：伊朗 vs海湾君主国；阿尔及利亚 vs摩洛哥；埃及 vs埃塞俄比亚。面对这些争端，大多数国家都会选择站队。

中国不会。

文章提到“龙餐馆外交”还有一个特点，就是“介入程度很浅”，作者认为它“揭示了中国支持海外伙伴的局限性”。

因为“中国不愿意陷入复杂的纠葛，尤其是军事纠葛”。

然后表示“今年，伊朗和委内瑞拉都已经对此有所体会”。【我知道作者是想阴阳中国在伊朗和委内瑞拉面临战争的时候选择袖手旁观，但作者这个例子和上面抹黑中国掺和俄乌战争不是冲突了吗？到底是掺和了还是没掺和？】

文中引用研究中阿关系的专家卡里姆·阿尔瓦迪说：“这其实是一个管理预期的问题。中国并没有兴趣成为安全保障者。”

作者写道：对于那些曾经因中国转向“战狼式外交”而感到不安的西方人来说，“龙餐馆外交”的崛起似乎是一种巨大的改善。它覆盖的范围如此之广，看起来甚至可能没有多少攻击性，甚至有些天真。

但是，又一个但是后面作者提出警告：“实际上它构成了一项相当严峻的挑战”。

理由是：尽管这种外交充满矛盾，但对于其他国家而言，它的吸引力仍然超过了试图通过关税，或者更糟糕的——轰炸来迫使这些国家屈服的做法。

而且“当投资资金真正到位时，它比道德说教更受欢迎”。

文章提到了电影的一个现实原型人物刘磊，在刘磊与人合著的回忆录《Making Money at Death’s Feet》中，“真正的人道主义者并不是刘磊，而是一名年轻的日本反战活动人士”——她在刘磊的餐馆当服务员，每天下午都会把剩下的食物收集起来，送到一家孤儿院。

作者认为“这样的情节恐怕很难通过审核”，因为“在努力与所有人成为朋友的同时，中国却有一个明显的例外：日本”。

因为“中国指责日本正在重新走向军国主义”。【难道不是吗？看来不管是制裁日本还是龙餐馆上映，都让一些西方精英如芒在背】#烽火问鼎计划#

#模型时代# 陶哲轩：当世最强数学家解读数学的6个核心概念

这个笔记含金量就比较高了（我一般不说含金量高，当然也说了不少，但是说高的时候，一般是真高）

陶哲轩是加州大学洛杉矶分校数学教授、菲尔兹奖得主，被同行称为“数学界的莫扎特”。原标题就是：The world's greatest mathematician……，所以就翻译为当时最强了。我不是数学专业人士，和几个模型确认了一下，结论是问题不大。另外，可能大家之前已经度到过，菲尔茨奖得主王虹的获奖工作和陶哲轩有直接的学术血缘。

她证明了三维Kakeya集猜想，这个问题悬了一百多年。她读了陶哲轩2014年的一篇博客文章，里面记录了陶哲轩和Nets Katz构想出来但一直没有推进的一条证明路线。她觉得这条路有希望，于是联系了Joshua Zahl，两人沿着这条路走了下去。陶哲轩本人在Kakeya问题上工作了几十年，有一个以他名字命名的相关猜想叫Bennett-Carbery-Tao multilinear Kakeya conjecture。论文出来之后，陶哲轩在Mastodon上亲自宣布了这个消息，并在博客上写了一篇详细的解读。

这期Big Think长访谈围绕他即将出版的新书 Six Math Essentials展开，他把数学拆解为6个从古至今贯穿始终的核心概念，然后用三个历史案例讲了一个更大的命题：数学为什么总能提前几十年甚至几百年为科学准备好语言？最后一部分，他给出了自己对AI介入数学研究的完整判断，包括兴奋和担忧。

这本书预计2026年10月出版，是陶哲轩写给大众的第一本数学书。而就在2026年7月的国际数学家大会（ICM 2026）上，他做了一场题为“AI时代的数学”的公开演讲，系统阐述了数学界应如何回应AI工具的到来。…

两个月前，OpenAI宣布其模型推翻了离散几何中的Erdős单位距离猜想，引发数学界震动。所以，这期访谈可以看作陶哲轩在书和演讲之后，面向更广泛听众的一次完整表达。

最后，海外很多大科学家，都会写科普著作，我觉得这是特别好的习惯，也期待国内的科学家也能多向公众做表达。当然，我也非常理解再国内做科普其实有时（甚至多数时候）是费力不讨好的。

一、数学的6个核心概念

1、数 （Numbers）：人类最古老的发明，至今仍是最有用的

骨头上的刻痕比字母表还古老，多个文明独立发明了数。数的本质功能是把“量”和“大小”这类概念变成可携带、可传递的东西。没有数，你描述任何场景都只能用诗意的、模糊的语言，下一个转述者会把信息弄偏。

数的力量在于它能脱离原始语境独立存在。一旦你有了数，你可以抽象地研究数本身，然后发现扩展数系统是自然而然的事。从自然数到负数，到分数，到无理数，到复数，每一步都源自内部逻辑的需要。减法不能总有结果，于是负数出现；除法不能总整除，于是分数出现；正数的平方根不能覆盖所有情况，于是无理数 （irrational numbers） 和复数 （complex numbers） 出现。

但他也划了一条边界：量化思维不是万能的。“如果你要去约会，你不应该去衡量对方的成本和收益。”有些事就该留给主观和个人判断，量化只在它该起作用的地方起作用。

陶哲轩特别提到了复数的故事：这些数系统常常是为了更好地解方程、解决实际问题而发明的，最终却成了描述非常复杂的现实世界现象的最自然的语言，比如量子力学。

2、代数 （Algebra）：对数的第二层抽象

数把具体事物替换成了数字，代数再进一步，把具体的数字替换成了通用的占位符x和y，然后研究运算本身的性质。加法有交换律 （commutativity），A+B = B+A。旋转也有交换律，先转30度再转60度和先转60度再转30度结果一样。但“先穿袜子再穿鞋”和“先穿鞋再穿袜子”结果完全不同，这两个操作就不满足交换律。

发现两个看起来毫无关系的领域服从同一组代数法则，是数学中最有生产力的时刻之一。矩阵是一整个数字方阵，远比单个数字复杂，但它服从和数非常相似的代数法则。今天的很多技术，比如大语言模型，就建立在高效操作矩阵的能力之上。

陶哲轩讲了开普勒与酒桶的故事来说明代数的实际威力。开普勒有一天在街上看到酒商用一根带刻度的棍子从桶的塞孔插到角落，量一下对角线长度就能报出桶里有多少加仑酒。他觉得不可思议：桶有高有矮、有胖有瘦，怎么一个测量值就能算出体积？

回家之后他用代数列方程，设桶的半径为r、高度为h，算出对角线长度并不能完全确定体积，但如果加上“酒商想让每桶酒尽可能多”这个利润动机做优化，再用一些初步的微积分方法，得到的结果几乎完美匹配了市场上实际使用的桶的形状。经验法则背后的数学解释，就这样被代数给出了。

3、几何 （Geometry）：把感官延伸到不可触及之处

几何的希腊语原义是“测量地球”。和数一样，距离和角度之间存在大量内在规律。其中最有生产力的一条是相似性 （similarity）：一旦知道两个形状的角度相同，所有对应边就按同一比例缩放。

这个性质的真正威力在于预测。你可以通过相似三角形，用一个比例模型推算出你无法直接触及的距离。古希腊人用这个方法估算出了月球和太阳的距离，没有卫星，没有先进技术，只靠几何定律。“Once you know geometry，you can really extend your senses well beyond what you can just touch and measure directly。” 一旦你懂了几何，你就能把感官延伸到远超你直接触碰和测量的范围。

4、概率 （Probability）：应对不确定性的标准语言

中小学的数学题总是干净整齐的：Annie有30个苹果，给了James一半，James有多少？真实世界充满不确定性。最早认识到这一点并为之付钱的是赌徒。概率论的诞生，就来自几个赌徒写信给数学家朋友求助优化赌博策略。

概率真正有趣的地方在于它的普遍性法则。你可能以为不同的随机系统会产生完全不同的分布形状，但存在所谓的universality laws，即普适性定律，让非常不同类型的随机系统中浮现出共同的形态，最出名的就是高斯分布 （Gaussian distribution），也就是钟形曲线 （bell curve）。男性或女性的身高分布就几乎是完美的钟形曲线。

概率有边界。它在可重复事件上效果最好：成千上万次试验，你能逼近真实的概率。但对于百年一遇的事件，概率可能不是最合适的数学工具。陶哲轩坦言，他们仍在尝试为极端罕见事件找到比概率更好的数学替代品。

5、分析 （Analysis）：驯服无穷

分析处理两件事：一是测量的不精确性，有多大的误差棒；二是无穷。有限次运算中好用的代数法则，到了无穷次运算就可能出问题。比如你可以任意重新排列有限个数的加法顺序，和不变。但无穷级数重新排列后，你可能得到一个完全不同的结果。

陶哲轩用赌场里的“加倍下注”策略来说明这个陷阱。在红黑各50%概率的赌局中，有一个策略是每输一次就把赌注翻倍，只要赢一次就能回本赚一美元。听起来必赢，但前提是你有无限的钱。这个策略做的事情是把所有亏损风险压缩到一个概率极小但赌注极大的事件上，你终究会遇到连输到破产的那一局。分析就是帮你精确识别这类“尾部风险”的数学工具。

他用了一个亲切的类比：小时候玩电子游戏，有些作弊码能给你无限血量或无限弹药。先用作弊码通一遍关，看清关卡怎么走，然后再用正常模式去打。数学中很多问题就是这样解决的。先假设你有无限资源，看看能做到什么，然后再用分析的方法仔细检查哪些结论能搬回有限世界。

无穷猴子定理 （infinite monkeys theorem） 是另一个例子。无限只猴子在打字机上随机敲键，理论上一定能打出莎士比亚全集。但一个四字母单词大概一小时就能碰上，七个字母的“Shakespeare”可能要几年，一个句子要几千年，哪怕只是《哈姆雷特》的一页，所需时间就已经远远超过宇宙年龄。无穷只是一个占位符，代表任何可能远大于你能给出的固定数字的东西。

6、动力学 （Dynamics）：变化的数学

动力学研究的是简单规则在迭代之后如何涌现出复杂行为。生物进化是一个例子：繁殖、适者生存、性状遗传，规则极简，但迭代足够长就能产生整个物种多样性。

陶哲轩举了洛杉矶的交通作为日常例子。每辆车只做一件简单的事：前面没车就加速，前面堵了就减速。但把所有车放到一起，就涌现出交通波。像弹簧玩具一样，压缩波和膨胀波在车流中传播。一个事故造成的拥堵，即使事故已经清除，压缩波仍然需要时间消散。“住在洛杉矶，我经常遇到这种情况：前方突然减速，但到了那里什么事故也没有。因为几个小时前有什么东西引起了减速，动力学波还没散完。”

理解哪些均衡是稳定的、哪些不是，现在变得极其紧迫。人类在一个气候均衡态附近生活了上万年，某些年份热一点、冷一点，但总会弹回来。陶哲轩说，我们现在有离开那个均衡态、进入一个远不稳定的动力学区间的危险，这需要建模，也需要据此调整农业和其他实践。动力学建模还能给出反直觉的结论：有时候关闭某些车道，全局交通流量反而会变快。

更深层的发现是混沌 （chaos）。牛顿用万有引力定律完美地解决了二体问题 （two-body problem），太阳和地球，轨道是完美的椭圆，精确验证了开普勒的理论。但三体问题 （three-body problem） 让他头疼不已，他说这是“唯一给过他头痛的问题”。至今没有精确解，而且现在的共识是不可能写出简洁的公式。数值模拟显示，三体系统会长时间保持周期性，然后突然偏离，再变成另一种模式，反复无常。

我们的太阳系很可能也不例外。目前的八颗行星看起来稳定运行了千万年，但过去可能有过别的行星，在引力微扰的长期积累下偏离轨道、碰撞或逃逸，小行星带被认为就是远古碰撞的残骸。长期看，即使是太阳系这样稳定的系统，也存在不稳定性。

这就是为什么在动力学最前沿的研究中，即使起点是一个完全确定性的系统，最好的建模方式反而是用概率来近似，假设存在随机波动，接受预测会越来越模糊。这似乎是混沌的本质特征。

二、数学为什么总能提前为科学准备好语言

陶哲轩把STEM看作一个生态系统。底层是好奇心驱动的基础研究，往上是应用科学、工程、产业。数学家发现的模式可能暂时没有用，但某一天其他科学家会在完全不同的领域碰到同样的模式。关键是这条管道的每一环都不能断：基础科学的人要和应用科学的人交流，应用科学的人要和工程师交流，工程师要和产业界交流。

1、非欧几何与爱因斯坦的广义相对论

欧几里得在公元前3世纪提出了几何的五条公理。前四条简洁优雅，但第五条“平行公设” （parallel postulate） 很丑。简化之后说的是：给一条直线和线外一点，恰好能过这点画一条平行线。

数学家们花了两千年试图用前四条公理推导出第五条，全部失败。最终他们意识到失败本身就是答案：存在不止一种几何。球面几何 （spherical geometry） 里没有平行线（大圆总会相交），双曲几何 （hyperbolic geometry） 里平行线不止一条。更多的几何形态接连被发现：环面、扭曲空间、走一圈回来左右手互换的空间，甚至走一圈回来变大或变小的空间。黎曼（Bernhard Riemann）建立了描述所有这些弯曲空间的统一语言，就是黎曼几何 （Riemannian geometry）。

当时这只是纯粹的数学好奇心。直到爱因斯坦试图理解引力时，他发现引力的本质是弯曲时空。他问数学家朋友有没有现成的数学语言能描述时空弯曲，朋友说有，黎曼已经把理论造好了。爱因斯坦方程在黎曼几何的语言里表述极其简洁：时空的曲率正比于质量和能量。

2、球填充问题 （sphere packing） 与无线通信

一位英国水手好奇炮弹怎么堆最紧凑，把问题交给了开普勒。开普勒猜测最优方案就是超市里堆橙子的方式：六角密排，一层三角网格叠一层，大约74%的空间利用率。但他无法证明。

这个猜想悬了几百年。二维版本在1900年前后解决了，三维太复杂。1998年Thomas Hales宣布了计算机辅助证明，审稿人说策略没问题但无法完全验证所有计算。直到2014年，这个证明才被转化为形式化语言，用一种专门逐行检查证明的计算机语言（数学界称为proof assistant）做了100%的机器验证。

然后数学家们问：四维呢？五维呢？更高维呢？当然没有四维橙子，但计算机科学家关心的比特串空间恰恰是高维的、离散的几何空间。当手机信号数字化之后，每条信号都是一串比特，你不希望你的信号被干扰后和别人的信号搞混。让不同信号之间尽可能“远离”，在数学上几乎就是高维球填充问题。

这套数学不仅能设计高效的编码方案，还能告诉工程师理论极限在哪里：在给定的无线频谱里，每秒最多能传多少比特。频谱拍卖因此有了定价依据。用陶哲轩的话说，整个无线通信产业，建立在高维空间里堆橙子的数学之上。

3、压缩感知：陶哲轩本人参与的发现

陶哲轩在洛杉矶一个跨学科项目中遇到一位统计学家朋友，对方正和一位电气工程师合作改进MRI扫描。当时MRI扫描很慢，病人要在机器里躺三分钟才能采集足够数据重建清晰图像。如果只扫描半分钟，用标准的最小二乘法 （least squares） 重建，图像模糊到无法用于诊断。小孩子常常因为坐不住而需要被麻醉。

他们尝试了另一种方法，叫total variation minimization，一种通过最小化图像梯度总变差来重建信号的技术。本来只期望稍微好一点。结果他们得到了几乎完美的图像。就像一个填字游戏只填了10%的字母，却能把剩下的全部正确填上。

“我的第一反应是，你们搞错了。不可能从这么少的数据里还原出正确的图像。我回家打算写个证明，证明这不可能。” 结果他在证明过程中发现有一步走不通，而且走不通的方向恰好指向了相反的结论：如果测量矩阵满足某种特定性质，这个方法确实能行。他验证了对方的测量矩阵确实满足这个性质。

后来他们发现，地震学家、天文学家也分别独立地在各自的场景里找到了类似方法，但每个人都以为这只是自己领域里的临时补丁。数学解释揭示了它是一个通用技术。这就是后来被写进教科书、和最小二乘法并列的压缩感知，英文叫compressed sensing。

4、为什么数学总能“提前”准备好语言？

物理学家Eugene Wigner把这种现象叫做“数学在物理科学中不合理的有效性”（the unreasonable effectiveness of mathematics）。陶哲轩给出了自己的理论。人类第一次理解一个现象时，解释往往冗长、笨拙，包含不必要的假设。科学家和数学家都会持续做一件事：把解释压缩得更简洁、更优雅。因为简洁表达的方式是有限的，当数学家把一个数学现象的解释压缩到足够简洁时，它碰巧和某个物理现象的最简洁解释撞上了。

“不幸的是，我们只有一条科学发展的时间线，大概一百个转折点，数据太少，无法真正验证这个理论。也许未来我们会遇到其他文明，看看他们的科学史是不是也走了类似的路径。”

5、数学家解决问题的真实过程

陶哲轩说他几乎从未有过“灵光一闪”的体验。实际过程是这样的：试一种方法，不行；再试一种，走了一半卡住了；至少知道了障碍在哪里，于是去找更简单的子问题，先解决它，然后再回来放大到原问题。大量时间花在探索“负空间”，把不行的路排除掉，最后几乎只剩一条路可走。

到了答案出现的那一刻，感觉反而平淡，因为你已经把所有困难都内化了，每一步都显得理所当然。“我得到的感觉从来不是‘eureka’，而是‘我怎么这么蠢，早该想到的’。”

数学对结果的标准极高（对就是对，错就是错），但对过程的标准恰好相反：你几乎必须不断犯错。物理学家Niels Bohr说过，“An expert is someone who has made all the mistakes that can be made in a very narrow field。” 专家就是在一个很窄的领域里把能犯的错全犯过一遍的人。

三、AI正在如何改变数学和科学

1、科学研究的四种范式都在被AI改造

传统科学有理论和实验两种模式。后来加入了计算机仿真（不用做真实实验，在超级计算机里模拟飓风）。再后来是大数据（不只做小规模实验验证特定理论，而是从海量数据中提取规律）。现在AI正在改造这四种模式的每一种：自动化实验室、coding agent跑仿真、自动数据分析、自动定理推导。

但陶哲轩立刻指出了风险。“缓慢地做事有缓慢的价值。” 一个科学家花几个小时手写推导、在实验室里亲手做实验、调试出bug的仿真代码，在这个过程中会获得远超答案本身的洞察：新现象、跨领域的联系、和他人沟通的能力。AI可能获得某种技能，但没有人类科学家因此变得更好。

2、大语言模型的本质：猜下一个词

LLM在做的事情本质上是预测句子里的下一个词。“Roses are red，violets are ____”，你大概能猜到是“blue”。把这个游戏放大到万亿数据点上去训练，用几百万美元的算力跑几个月，就会发生一件奇怪的事：迭代生成的文本不再像猴子打字，而是像一个人在说话。

原因似乎是自然语言里包含大量隐藏的模式。我们知道的只是语法，但还有很多“不成文的规则”是人类靠大量接触自然习得的，LLM也学到了。它并不真正理解世界，只是把语言中的模式学得足够好，能够长时间“扮演”一个聪明人。

陶哲轩给了LLM一个比喻：“It's like having someone who knows a lot and is slightly drunk and is throwing out ideas，but with enough guidance，you can actually extract useful output。” 就像一个懂很多但有点醉了的人在乱抛想法，加上足够的引导，你确实能从中提取出有用的东西。

3、AI的优势在广度，人类的优势在深度

人类专家会挑一两个他们认为困难但并非不可能的问题，花几周几月深挖。AI做不了这个，面对没有现成方法可用的真正困难问题，AI基本是在乱猜。

但AI的广度是人类做不到的。如果你把一千个不同难度的问题交给AI，其中有一些恰好可以用已有方法解决，或者需要把两种方法组合起来。人类专家不可能逐个检查一千个问题，也不可能记得1970年某个期刊上那篇恰好有关键想法的论文。AI会半随机地尝试各种组合，大部分是垃圾，但总有一些能撞上。

还有一个独特优势：AI没有先入之见。数学家群体有时会形成集体偏见，所有人都认为某个问题的答案是正的，就没人认真去看反面。AI不带这种包袱，偶尔能找到出人意料的简单解法。

陶哲轩提到了单位距离猜想的故事作为例证。2026年5月OpenAI宣布其模型推翻了这个Erdős在1946年提出的经典猜想，随后人类数学家Will Sawin基于AI的技术给出了更显式的改进。

4、First Proof挑战：目前最严格的AI数学基准测试

这个挑战由11位顶尖数学家设计，用10道从未公开过的研究级数学问题测试AI。第一批测试中，最好的模型能解出大约五六道。第二批在2026年5月以更严格的科学条件测试，由专家裁判评分，10道题中有7道被至少一个系统以发表级质量解决，每道题的算力成本从10美元到1000美元不等。

陶哲轩指出一个关键信息缺失：这些成果背后，公司到底花了多少算力、看了多少问题、成功率是多少，外界并不清楚。是花了10万美元还是100万美元？看了10个问题还是100个？只有把这些数字摊开，才能判断AI解题是否会成为常态。

5、“证明消化不良”：AI制造的新问题

证明有一个完整的生命周期：生成、验证、理解、接受、进入教科书。AI正在加速前两步，但后面几步仍然完全依赖人类。

以前一个重要问题的解出现，所有专家会放下手头的事去读它、消化它，因为这样的事件太稀少、太珍贵。现在AI产出的待验证解法太多了，“我们正在经历证明消化不良”。陶哲轩自己也承认，他已经无法跟上自己领域里所有最新进展了。

AI生成的证明还有一个品质问题：它可能花大量篇幅证明一个人类数学家一眼就能跳过的步骤，却在最关键的部分一笔带过。因为AI无法区分什么是难什么是容易，暴力计算让一切花一样的时间。人类正是因为在最难的步骤上痛苦地挣扎过，才自然知道论文的重心在哪里。

6、对下一代科学家的担忧

陶哲轩最深层的担忧关于人才培养。研究生的第一个项目通常是解决一个“训练题”级别的问题，难度适中，用来积累经验和建立信心。这恰恰是AI现在最擅长的题目类型。如果用AI替代研究生做这些项目，论文是出来了，但下一代科学家的训练就断了。

“我们可能会优化掉当前技术能做的一切，但再也发展不出真正原创的新想法了。”

7、和AI协作的真实体验

陶哲轩目前并不太用AI做核心的问题求解。他发现AI在辅助任务上更有用：文献检索、检查证明、写代码、校对文字。核心问题求解需要的那种节奏，AI目前做不到。

AI还有一个问题：它有时候会迎合你，只说你想听的话。

和长期合作者一起工作，你可以抛出半句话对方就接上了，隔一天能立刻接续，甚至隔几年都能捡起旧话题。AI暂时做不到这种程度的默契。他也试过三方协作（两个人加一个AI），发现它打断了节奏。AI目前不够像对话，不够流畅。

程序员们的情况提供了一个参照。很多资深程序员报告说生产力提升了5到10倍甚至100倍，但同时感觉自己正在丧失手写代码的能力，有时也无法review AI生成的代码。速度确实不是唯一重要的事。

8、科学的目的需要重新思考

陶哲轩把科学比作远足。你听说远处有个瀑布，于是和朋友出发去找它。路上要画地图，可能迷路，但迷路时发现了别的有趣东西。快到瀑布时，你看到远处还有一个更壮观的瀑布，虽然这次到不了，但你把它记下来留给未来的探险者。

AI工具像直升机。它直接把你飞到瀑布跟前，看一眼，飞回来。目标高效达成了，但你对这片地形一无所知，也没发现那个更壮观的瀑布。

开普勒的故事可以说明这一点。他最初提出了一个美丽但错误的理论（用五个柏拉图正多面体解释六颗行星的轨道间距），拿到了Tycho Brahe的高精度观测数据后发现理论和数据不吻合，经过多年挣扎才放弃圆形轨道、找到了椭圆。

如果开普勒和哥白尼有AI，AI可能会因为日心说的早期预测精度不如地心说而直接把日心说方案排除掉。AI太快了。它可能overfitting，过度拟合数据，造出一个和真实机制毫无关系但完美吻合数据的复杂模型。真正的科学进步需要时间消化。

“有这些工具总比没有好。但我们仍在学习怎么最有效地使用它们。”

核心归纳

Q1：数学为什么总能提前为科学准备好语言？陶哲轩的解释是：数学家和科学家都在做同一件事，把最初笨拙的理解压缩到最简洁的形式。因为简洁表达的路径有限，数学家对数学现象的最精炼描述，碰巧也是物理现象的最精炼描述。非欧几何花了两千年从一个丑陋的公理演化出来，恰好为爱因斯坦的广义相对论准备好了语言；球填充问题从16世纪的炮弹堆放演化到高维比特串空间，恰好成了无线通信的理论基础。

Q2：AI在数学中的真正优势和局限是什么？优势在广度：一千个问题中有5%可以用已有方法的某种组合解决，AI能不知疲倦地搜索这些组合，还没有人类集体偏见的包袱。局限在深度和节奏：面对没有现成路径的困难问题，AI还是在乱猜；它无法区分证明中什么是困难什么是容易，所以生成的证明往往重心失衡；它也无法和人类合作者形成长期默契。

Q3：AI给科学带来的最大风险是什么？风险的核心是AI太快，而非太笨。“证明消化不良”只是表层症状，深层风险在于：如果AI替代了研究生解决“训练题”级别的问题，下一代科学家就失去了训练场；如果只优化可度量的产出而不保护好奇心驱动的慢过程，科学可能看起来在加速，实际上在丧失产生真正原创思想的能力。陶哲轩的建议是，数学界需要主动讨论“基础科学到底是什么、为什么重要”，而不是让外部力量定义这些问题。