陶哲轩把开普勒比作“高温LLM”：数学发现的真相被我们误解了几百年

如果你以为科学突破来自天才的完美推理，这期对话会彻底颠覆你。陶哲轩借开普勒和牛顿的故事，提出一个反直觉的类比：很多伟大的发现，更像“高温大模型”的疯狂探索，而不是冷静、一步到位的逻辑演绎。这对今天的 AI 与数学，意味着什么？

开普勒不是“算对了”，而是“试疯了”

我们今天回看开普勒的三大行星运动定律，常常会误以为这是一次线性、优雅的发现过程。但陶哲轩提醒：真实历史恰恰相反。开普勒一开始坚信，宇宙的结构源自柏拉图立体的“神圣几何”。这是一个极其大胆、甚至在今天看来有点离谱的假设。

问题是，观测数据并不配合。他拿到的数据和理论差了大约 10%。对现代科学来说，这足以判死刑。但开普勒没有放弃，而是不断“打补丁”：修正参数、调整模型、硬拗解释。直到最后，他不得不承认，圆不行，柏拉图立体也不行，行星轨道是椭圆。

在陶哲轩看来，这个过程本身，比最终结论更重要。因为它展示了一种我们经常忽略的发现机制：不是从正确理论出发，而是在大量错误、近似正确、甚至荒谬的尝试中，逼近真相。

“高温 LLM”这个比喻，戳中了数学的痛点

Dwarkesh 抛出了一个极具争议的说法：开普勒就像一个“高温的大语言模型”。高温，意味着更随机、更发散、更容易胡思乱想，也更容易撞上新结构。

陶哲轩并没有反驳这个类比，反而顺着往下推了一步：历史上，经验性规律往往先于深层理论出现。开普勒给出了三条经验定律，但真正能一次性解释它们的，是一百年后的牛顿。

这对今天的 AI 是一个危险又迷人的信号。也许，模型并不需要“理解”到牛顿力学那一层，就已经可以像开普勒一样，生成大量有用但不完美的结构性规律。而这些规律，本身就可能驱动真正的科学进步。

问题不再是“想不出假设”，而是“分不清哪条路是死胡同”

传统科学史里，一个核心瓶颈是“假设生成”。但陶哲轩直言：在今天，这可能已经不是最稀缺的能力了。

数据更大、计算更便宜、模型更会“乱想”，我们面对的不是假设太少，而是太多。真正困难的是：哪些值得追，哪些是红鲱鱼？哪些现在看似失败，却在未来会被重新理解？

他提到一个残酷的思想实验：如果你把历史上的每一篇论文，脱离上下文、只按当时信息打分，很多后来被证明极其重要的工作，都会显得平平无奇。科学价值，往往只有在时间维度上才能显现。

AI 正在改变的，不只是解题速度，而是科学的“社会结构”

对话中一个容易被忽略的点是：科学从来不是纯粹个人智力的游戏，而是一种社会协作系统。

陶哲轩指出，随着 AI 介入，补全证明、验证猜想、探索例子这些工作正在被重新分配。像黎曼猜想这样的问题，AI 已经在辅助人类做大量分析性工作。这不是替代，而是重塑分工。

但他也提醒：如果所有注意力都被高度优化、无缝衔接的系统吞噬，反而可能伤害真正的创造力。某种程度的“分心”和低效率，是原创思想的温床。

2026 年的 AI，不缺聪明，缺的是“知道自己在干嘛”

当话题转向“什么是智能”，陶哲轩的态度非常谨慎。聪明、快速、能解题，并不等于真正的理解。现有模型，依然在一些需要长期规划、结构性洞察的问题上显得吃力。

他的预期并不戏剧化：AI 会越来越深地嵌入数学和科学，但更像一个能力放大器，而不是替代者。真正的突破，来自人类判断力与机器探索力的互补。

总结

这场对话真正击中 AI 从业者的，不是某个技术判断，而是一个视角转变：科学进步从来不是“一步到位的正确”，而是大量高温、嘈杂、甚至错误探索的副产品。对今天的你来说，启示很直接——不要只追求模型是否“对”，而要问它是否在生成有潜力的结构；不要急着过滤噪声，有些噪声本身就是信号。真正的机会，往往藏在看起来最不优雅的地方。

关键词： 陶哲轩， 开普勒， 大语言模型， 数学发现， AI与科学

事实核查备注： 需要核查：1）视频完整时长；2）“高温 LLM”类比是否为 Dwarkesh 原话；3）开普勒数据误差约 10% 的具体说法；4）陶哲轩关于黎曼猜想与 AI 的原始表述语境。