最近刷到尹希疑似加入了openai，再加上苏炜杰最近也官宣暂离沃顿去了oai，美国很多学术界的人在积极拥抱AI并且已经有了产出，相比之下国内反应就慢很多尤其是在教授导师这一层级，学生倒是用AI的不少，大模型这波冲击比很多人想的要大得多啊。
国内转向ai研究的课题组也是不少的
据小道消息，北大有一些数学工作者也在大搞AI，成果估计后面会发文
董彬老师他们一直在做AI4MATH相关的，北大的风气在国内确实算比较追前沿和自由的，我这里主要是想指大模型的后处理以及推断相绑定的这种新研究范式，受限于国内算力和基模的水平这方面确实和老美那边差距不小。
主要还是集中在传统计算机电子信息等方向，数学和基础学科有少部分人也关注到趋势了，但因为种种因素和老美那边比起来还有不小的差距。
你说计算机以外的学科啊，那我真没关注过
国内这块还真大不了解…拥抱AI的话就我所知，上交那边做的好像还不错。
问题不大，学术圈是最焦虑的，真有大范围产出，自然会有跟上的
两边在ai上的押注程度不一样，牢霉的科技股就全指着这个增长了
牢美那边哪怕你是做鞋的，只要宣布搞ai股价也能飞升
1 个赞
毕竟老美是已经把自己几十年的未来全赌在ai上了，并且得是那种完全变革级别才对得起这个投入
他的工业已经彻底没救了，只能寄托于ai能让所有东西飞升
美国ai最大的敌人是电力，而不是其他
董彬 | 数学的同学们要如何看待 AI —— 我的一些观察与体会
北京国际数学研究中心BICMR
最近几个月，AI解决前沿数学问题的新闻密集出现，给数学领域带来了不小的震动，也让一些数学背景的同学产生了些许焦虑。感到焦虑是正常的，重要的是我们如何理性地看待AI的发展及其带来的挑战。本文希望帮助同学们梳理一下情况，更全面地思考这个问题。AI在数学上做到了什么
AI在数学上的进步确实令人印象深刻。它已经能在给定框架内高效搜索证明路径，处理大量技术性的推演工作，在计算机可验证的证明系统中完成严格检验。AI目前在多数情况下擅长的还是在已有数学结构内执行搜索和验证，它在数学上的能力还在快速发展，边界在哪里没有人知道。至少在目前，数学训练给你的最核心的东西，和AI正在变得擅长的那些并不完全重叠。学以致用的你：数学的底层能力正在升值
对于希望学以致用的同学，数学训练在AI时代的价值不是在减弱，而是在增强。举个简单的例子：拿到一堆杂乱的业务数据，别人看到的是数字，受过数学训练的人看到的是结构和规律。这种从复杂现象中抽象出本质、用严格逻辑把直觉变成确定性的能力，在所有需要在不确定性中做判断的领域都是硬通货。陶哲轩今年在多个公开场合表达过一个值得关注的判断：当AI大幅降低了常规问题求解的成本，真正稀缺的技能变成了选择正确的问题、设计合理的工作流程、以及判断结果是否可信，AI作为数学工具“saves more time than it wastes”。“聪明地算”正在贬值，“知道该算什么、结果对不对”正在升值，而后者恰恰是数学训练的核心产出。热爱数学的你：理解的快乐不会消失
对于因为热爱而学数学的同学，可能更担心的是：如果AI也能做证明了，那种独自摸索、突然顿悟的愉悦还在吗？我自己的体会是，数学最深处的快乐来自理解：一个困扰你很久的东西，在某个瞬间忽然变得透明，你知道了如何把它嵌入自己认知体系中恰当的位置，而这个归位又自然地催生出新的问题和遐想。这种理解带来的愉悦，和谁先做出来的无关，也不会因为AI能算得更快就消失。AI帮你处理常规的、模式化的技术推演，你可以把更多精力放在真正让你兴奋的部分：去追问为什么，去体会不同概念之间深层的联系，去经历那些让你对一个领域的认识突然上一个台阶的时刻。当然，哪些推演该亲手做、哪些可以交给AI，本身就需要判断，这种判断力也是数学训练的一部分。从一个人摸索，变成和AI一起探索，方式变了，但那个“想明白了”的快乐没有变，甚至因为AI拓展了你能触及的边界，这种快乐可能出现在更意想不到的地方。至少在我观察到的范围内，AI工具进入数学研究后，带来的不是问题变简单了，而是研究者开始敢碰以前觉得太难的问题。AI时代的新能力
无论哪类同学，只有传统课程中的数学训练还不够。新任北京大学数学科学学院院长刘若川提出，要“着力培养一批数学功底扎实、精通AI技术、具有多元应用视野的‘数学+’复合型领军人才”。具体说来，我认为有这样一些值得探索的新方向：•学会编排AI。把研究问题拆解成AI能处理的子任务，设计人机协作的工作流。未来的数学研究某种程度上更像指挥乐团，你不需要演奏每种乐器，但要知道什么时候让谁上场。当然，那些需要深度沉浸的核心创造性工作仍然是你自己的事。•重视过程而非只看结果。学会审视AI推理的过程，甄别其中的错误和幻觉，引导它往正确方向走。这本身就是数学家最擅长的事。•与AI双向成长。用数学“调教”AI使其推理能力变得更强，也借AI拓展自己的视野和直觉。人和AI螺旋上升，才能驾驭越来越强的工具。这些不是额外的负担，而是属于这个时代的新机会。学生的声音
我也请了两位同学姜杰东和高国雄分享他们的想法。姜杰东曾是刘若川的博士研究生，目前在西湖大学做博士后研究工作；高国雄目前正在北大攻读数学博士学位。他们都是北大数学AI4MATH团队的重要成员。作为数学专业的学生，他们的判断是：适应这个趋势，而非抗拒它。AI正在成为一种强大的工具，与其担忧，不如学会和它合作，借助它的能力去挑战过去难以企及的问题。但他们也特别指出，AI降低了某些技术性工作的门槛，却提高了对“真正理解”的要求。AI能快速生成证明思路、计算结果，甚至提出猜想，但判断这些结果是否正确、是否有意义，仍然需要扎实的数学直觉和严谨的思维训练。系统的数学思维训练不仅没有过时，反而变得更加关键，只不过训练的重心可能需要有所调整，从技巧训练转向更深层的理解与判断。这种思维训练的效果也不只是数学能力的提升，看问题的角度和思维方式的改变，可以迁移到许多其他领域。他们最关心的是评价体系的问题。当一项成果是人与AI合作完成的，贡献该如何分配？这个问题目前没有定论，但他们的判断是：未来的评价体系会，也应该，更多地倾向于那些具有真正洞察的工作，谁提出了关键的问题，谁看穿了问题的本质，谁把事情真正讲明白了。相比技术性的执行部分，这种深层的理解和洞察力将变得更有价值。写在最后
我自己也在不断调整和适应。每次遇到工具升级带来的冲击，我的本能反应都是：与其守住原来的阵地，不如去找配得上新工具的更难的问题。是否持续有效，我不知道，但这是我能想到的最好的策略。我身边那些适应得比较好的学生，都有一个共同点：基本功扎实，同时对新事物保持好奇。至于这是不是充分条件，我也说不好，但至少是个不错的起点。
5 个赞
转一篇前几天发在公众号上董老师关于AI4MATH的看法
国内开新项目不容易，经费还是高度依赖于国家基金的（但对炼AI来说差太多了），而且也确实只有传统计算机强校才有入门的条件，这又筛下去一大批。想想国内高校接入DeepSeek的都没多少，以企业为主实在正常。。。
至于AI4SS那更是没到谈意义的阶段，不过最近也有关于AI4P向上交的本子，但我估计也写得不会深。好在国外的相关研究也拉胯倒也还行
上面的链接是一个关于“在数学研究中引入AI”的倡议和宣言