访谈/播客

陈繁昌(Tony F. Chan)的圆周率日寄语：AI、人类判断力与科学发现的未来

Happy π Day from Tony F. Chan: AI, Human Judgment, and the Future of Scientific Discovery

访谈/播客🎤 嘉宾：陈繁昌(Tony F. Chan)；主持人：Chuck(SAIR 主持人，被嘉宾称呼为 Chuck)⏱ 30:07👁 NA

▶ 在 YouTube 观看

数学家、前港科大与 KAUST 校长陈繁昌在圆周率日访谈中，剖析当前 AI 的能力与根本局限，强调人类判断力、创造力与跨学科人文素养在科学发现中不可替代。

核心要点

当前 AI(深度学习/大语言模型)建立在大数据、神经网络与 GPU 算力之上，本质是数学、统计与线性代数问题，已极大改善科研中的常规与繁琐工作。
AI 最大的挑战不在技术，而在人文层面：如何辨别真假、应对幻觉(hallucination)、伦理与安全问题，需要引入哲学与人文学科。
AI 擅长在已有数据间做'内插(interpolation)'，但科学突破靠的是'外推(extrapolation)'乃至跳跃式的创造力，如爱因斯坦的思想实验、达尔文用极少数据提出进化论。
下一代科学家最需要的不是会写程序，而是'AI 素养(AI aptitude)'与判断力——知道 AI 能做什么、不能做什么，能判断结果是否可信。
AI 像新一轮工业革命，但速度更快、更普遍；会淘汰部分岗位(含程序员)，也会催生既懂 AI 又懂行业领域的新职业，政府应承担再教育与监管角色。
对短期实现 AGI 持怀疑态度，因为人类智能远超语言、且受限于已有数据；他鼓励年轻人借鉴神经科学探索全新路径，而非只跟随当前主流方法。

分章详解

圆周率日的意义与开场

陈繁昌回忆去年(一年前)受邀在帕萨迪纳(Pasadena，邻近 Caltech)的圆周率日活动上做关于 AI 与数学科学的演讲，面向本科生、教授与普通公众。
他认为 3.14 圆周率日是促进数学意识、向公众普及数学的好平台，是一个'重新教育自己'的契机。

AI 扩展到复杂科研的技术与超技术挑战

技术层面：当前 AI 基于大数据 + 神经网络模型 + GPU 算力，许多技术问题已被较好解决，且本质上是数学、统计与线性代数挑战。
他指出不确定当前方法是否是'终极方案'——神经科学家至今不理解人脑如何工作(连突触、胶质细胞的功能都不清楚)，未来可能出现全新路径。
数据可能正在饱和：LLM 已吸收了大部分可得数据，从新数据中获取的边际知识增量趋于平缓。
最大的挑战不是技术，而是人文性的——如何辨别真伪、伦理风险、AI 是否会'接管'人类等难以定义却真实存在的问题。

AI 与科学发现：内插 vs 外推

AI 作为工具(类比 MATLAB、PowerPoint)已经改变实验室运作，让研究生、博士后从繁琐的数据收集整理中解放，专注真正的科学。
但他表示尚未看到 AI 做出真正新科学发现的证据，并反问：我们是否还需要爱因斯坦、达尔文这样的人?
核心区别在于创造力与外推：爱因斯坦提出广义相对论靠的是思想实验(thought experiment)而非大量数据，当时连验证用的望远镜都没有；达尔文用极少'点'(dots)就提出了涵盖一切的进化论。
他以莫扎特三岁就创作宏大音乐为例，说明创造力并非来自海量数据的积累。

人才培养：AI 素养、判断力与人文回归

下一代教育的关键不是技术性地立刻会编程(这已高度自动化)，而是培养'AI 素养(AI aptitude)'——了解 AI 的能力边界，避免在不适用时盲目使用。
更重要的是判断力(judgment)：面对学生作业或科研结果，能判断是否可信、是否造假，因为 LLM 的幻觉常常表达得极其自信、难以分辨。
他举例：如今可以生成与 Chuck 本人一模一样、完美对口型的视频，内容大体像他会说的话，却可能夹带他本不愿说的内容，这在重大商业或人生决策中影响巨大。
他呼吁引入更多人文学科——哲学对'真理'的长期研究、人文学者对同情与情感的研究；并指出并非一切都能被语言捕捉(如打高尔夫这类物理、情境性智能)。

社会冲击、就业转型与开放协作

AI 类比工业革命(蒸汽机、电力、计算机)，但区别在于无所不在、范围广且速度极快；他不相信会'瞬间'改变一切，但确实快得令人警觉。
部分岗位会被淘汰(含程序员)，但会出现既懂 AI 又懂行业领域(科学、金融、医疗、家务等)的新职业；他以贷款/抵押审批的自动化为例，说明仍需既懂 AI 又懂业务领域的新型人才。
政府应发挥监管与再教育作用，建立缓冲机制，避免社会结构受到突然冲击。
AI 在开放性上确实更普惠(很多系统开源，如 DeepSeek，而 OpenAI 并不开放)；同领域使用同一工具(如生物化学界普遍使用 AlphaFold)会形成'共同语言'，进而催生协作，类比天文学家共用望远镜。

AGI 怀疑论与对年轻人的建议

他作为科学家强调'证据为重'，对短期实现 AGI 持怀疑态度——看不到证据，且底层存在根本障碍。
局限一：人类智能远超语言，而 LLM 信息几乎都来自语言形式；局限二：系统受限于已有数据的规模与种类，无法触及尚未被收集的数据(以爱因斯坦时代量子力学尚未诞生为例)。
他用'内插'比喻当前模型：在数据点间用概率模型融合、连点成线，比早期 Google 搜索更强(后者只是检索并呈现原始数据，前者是融合多条相关数据);但创造力是'外推'乃至跳跃。
他鼓励有信心的年轻人探索新方法、向神经科学家取经获取灵感(类比飞机不必像鸟一样扇翅膀，但要遵循空气动力学)，而非困于当前华尔街投资热潮下的主流路径。

国际协作、人才全球流动与圆周率的普世意义

科学本质是全球与国际的——没有'美国物理'或'中国化学'，大家说同一种语言；但地缘政治与经济竞争(国家安全、商业竞争)给协作设置了障碍。
他认为更重要的是人才的全球协作：引用 Nvidia 黄仁勋(Jensen Huang)所说顶尖 AI 人才有约一半是华裔，并提到 Meta 扎克伯格(Mark Zuckerberg)从 OpenAI 挖人、DeepSeek 研究者均为中国本土培养等现象。
人才是全球流动的，会奔向能让其发展想法、留下遗产的机会(不仅是金钱);能创造环境、提供支持以汇聚顶尖人才的地方将获益最大。
圆周率日的意义不在背诵多少位小数，而在于 π 作为圆周与直径之比这一最基本、最普世的常数，跨越数学与科学激发人类想象(他提及电影《少年派的奇幻漂流》、MIT 数学毕业生创办的服饰品牌 PYE 与 Determinant)，如同素数在世界各地都相同，是人类共享的普世之物。

关键引述

“人类智能远不止于语言。我去打高尔夫或打网球，一个字都不用说；你可以用语言描述它，但那和真正去做并不一样——婴儿能凭直觉学会，而我们不知道那是如何运作的。(Human intelligence is much more than language.)”— 陈繁昌(Tony F. Chan)

“你必须具备判断力。当我看到一个结果时——能信任它吗?怎么判断它是不是假的?我见过 LLM 太多次的幻觉，而它们表达得如此自信，你根本分辨不出来。”— 陈繁昌(Tony F. Chan)

“当前模型做的是内插(interpolation)——在数据之间用概率模型把空隙填上;而人类的创造力与独创性是一种外推(extrapolation)，甚至是超越外推的跳跃。”— 陈繁昌(Tony F. Chan)

“只要当前的 AI 系统还做不了这种思想实验，我就不相信它们能走那么远。”— 陈繁昌(Tony F. Chan)

“圆周率日的意义不在于你能记住多少位小数。π 千百年来一直俘获人类的想象——它就是一个普世的、基本的人类共享之物。”— 陈繁昌(Tony F. Chan)

术语 / 人物

陈繁昌(Tony F. Chan) — 华裔美籍计算数学家，曾任香港科技大学(HKUST，2009-2018)与沙特阿卜杜拉国王科技大学(KAUST，2018-2024)校长，曾任美国国家科学基金会(NSF)数理学部助理署长，美国国家工程院院士，研究领域含图像处理与计算数学。

幻觉(Hallucination) — 大语言模型生成看似合理、表达自信却与事实不符的内容，难以辨别真伪。

内插与外推(Interpolation vs Extrapolation) — 陈繁昌用以区分 AI 与人类创造力：AI 在已有数据点间填补空隙(内插)，人类创造则是超出已知范围的外推乃至跳跃。

思想实验(Thought Experiment) — 在头脑中进行的推演，爱因斯坦借此提出广义相对论，被陈繁昌视为当前 AI 无法做到的创造性能力。

AlphaFold — DeepMind 开发的蛋白质结构预测 AI 工具，被生物化学、分子化学界(含大型药企与学术界)广泛使用，成为领域'共同语言'。

AGI(通用人工智能) — 具备与人类相当的通用智能的 AI;陈繁昌对其短期可实现性持怀疑态度。

背景补充

陈繁昌(Tony F. Chan，陈繁昌/陳繁昌)是世界知名的华裔美籍计算数学家，本硕毕业于加州理工学院(Caltech)，博士毕业于斯坦福大学计算机科学专业。他长期任教于 UCLA(数学系教授、系主任、理学院院长)，并联合创办 NSF 资助的纯粹与应用数学研究所(IPAM)。2006-2009 年任美国国家科学基金会(NSF)数理学部助理署长，2009-2018 年任香港科技大学校长，2018-2024 年任沙特 KAUST 校长。他是美国国家工程院(NAE)院士，全球被引用最多的数学家之一，研究涵盖图像处理、计算机视觉与计算脑图谱等。

适合谁看

适合关注 AI 与科学发现关系的科研人员、教育者、政策制定者，以及思考在 AI 时代如何培养判断力与跨学科能力的学生与从业者。