一个走进顶级AI公司的顶级数学家，如何理解AI的能力、数学的价值、人在其中的位置。

作者｜甲小姐 周悦

2007年，苏炜杰进入北京大学数学科学学院，本科专业成绩年级第一。同一级里，有今年的菲尔兹奖得主王虹和邓煜。这一级，被称为北大数学的“白金一代”。

2026年8月，苏炜杰获颁考普斯奖（COPSS Presidents’ Award），这一奖项被称为“统计学界的诺贝尔奖”。这是华人学者时隔14年再次获得这一殊荣。

也是今年，这位宾夕法尼亚大学沃顿商学院正教授，开启了学术休假，加入了OpenAI。

北大数院2007、COPSS、OpenAI……几重身份叠加，让苏炜杰站在了时代的暴风眼中。

2026年，AI正加速在数学前沿突破：

5月20日，OpenAI宣布，其模型推翻了Erdős单位距离猜想；

7月19日，Anthropic研究员、数学家Levent Alpöge公布了Claude找到的雅可比猜想三维情形下的反例，这一异常简洁的反例迅速引发广泛关注；

8月1日，OpenAI公布了Astra模型在数学和理论计算机科学上的10项进展；

8月2日，Levent Alpöge称，他用Fable挑战同一批问题，经过24小时，已做出其中5个；

8月10日，Anthropic公布了黎曼ζ函数相关问题的一项进展；

9月3日，OpenAI公布了GPT-6 Astra在素数间隔问题上的两项进展：沿着张益唐开启的有界素数间隔研究方向，证明存在无穷多对间距不超过186的相邻素数，并改进了大素数间隔下界中一个80多年未变的项；

9月4日，Anthropic宣布，Claude用11天完成了费马大定理首个完整、经计算机检验的Lean形式化证明。

就在本文发布前，当地时间9月8日，OpenAI宣布，其内部模型构造出了三维不可压缩Navier–Stokes方程在光滑外力作用下的有限时间爆破反例，并公开了166页的论文和形式化证明——这项成果对应七大千禧年难题之一。韦东奕等中国数学家也在相关正则性问题上开展长期研究。

这场对话，我们从突然加速的AI for Math聊起。AI因何开始攻入数学前沿？数学共同体正在经历怎样的震撼、危机与机会？

我们也讨论了Scaling Law、RSI、Math for AI等前沿问题，以及为何越来越多顶尖数学家和科学家正在涌入Frontier Labs。

苏炜杰师兄也回顾了自己的故事：“白金一代”的求学之路、应用数学的“中庸之道”、四轮面试加入OpenAI。

过去十多年，苏炜杰的研究从高维统计一路延伸到AI，而他一直想做的，是建立AI的数学理论。我们讨论了大模型这个复杂系统，能否像物理学一样，被具有解释力和预测力的定量甚至严格的数学理论所描述，以及它将如何指导模型开发、降低训练成本、解决AI安全。

苏炜杰把2026年比作另一次“哥白尼时刻”——过去，人类发现地球不是宇宙的中心；现在，我们开始意识到，人类也不是唯一的智慧主体。他说，“我个人有一种地心论被日心论取代的历史相似感。”

当大模型已经变成一门“重工业”，希望本次对话，可以带给你数学家视角的另一份解读。

说明：以下播客录制于8月12日，对话只代表苏炜杰个人观点，不代表OpenAI。本文为精简版，完整版音频播客已在小宇宙、苹果Podcast等平台播出，搜索《甲小姐对话》即可获得。

COPSS 2026颁奖现场，图片来源：北京大学数学科学学院

1.AI for Math：“这个凸包还可以填很多年”

甲小姐：先恭喜师兄，过去几个月你有好几个milestones——晋升正教授、加入OpenAI、摘取考普斯奖，哪件事最能代表你对自己下一阶段的定义？

苏炜杰：晋升正教授是水到渠成的；COPSS奖是我内心波澜比较大的，这是我们领域对我的认可；加入OpenAI，我个人感触不大，但生活工作环境大变样。

甲小姐：考普斯奖颁奖词列出了你的工作跨度——生成式AI的统计基础、水印机制、对齐和排序理论、2020年美国人口普查的隐私保护、机器学习同行评审、凸优化、深度学习理论和高维推断……这些工作背后，是一条主线，还是几次主动的转向？

苏炜杰：还是有一定计划的。2016年AlphaGo出现，2022年年底ChatGPT横空出世，让我意识到AI不只是一项新技术，它是改变人类社会内在逻辑的革命性力量。我当时跟学生做了比较大的思想斗争，决定调整研究方向，往AI走。我们的背景是应用数学、统计，我们把这个背景跟AI发展方向结合，奠定了这三年来我们组的大方向。

甲小姐：COPSS奖的工作，哪些是这三年发生的？哪些是三年之前？

苏炜杰：除了关于大模型的研究，大部分是三年之前的，但这些方向对我影响也非常深，打下了基础，使得我们转向大模型是比较自然的。

甲小姐：前面这些问题，你在做的时候有预判它们这么重要吗？

苏炜杰：我导师Emmanuel Candès对我影响比较深。他总强调一个问题实际的重要性是应用数学立根之本。所以我每次找问题，都是先评估它跟社会的结合点在哪里，再去研究背后的数学或者统计机制。

甲小姐：你和2026年四位菲尔兹奖得主都有渊源——和王虹、邓煜是北大数院2007级本科同学，和John Pardon是同级斯坦福同学，和Jacob Tsimerman是OpenAI同事。可以说你在时代的暴风眼中。

苏炜杰：名单其实早知道了，正式公布的感觉还是很不一样，自己的同学真的得了菲尔兹奖，非常高兴，很自豪。后来又看到Jacob Tsimerman要加入OpenAI，突然发现唯一跟我没有关系的Jacob又成了同事。非常神奇，我还发了一条推特纪念了一下，哈哈，确实太巧合了。

甲小姐：AI和Math两个世界的话语体系有不同吗？

苏炜杰：AI for Math当下还在往“超级做题家”方向前进，但数学不一样，数学是一种文化。

数学是人类至少2000多年的文化——如果考虑到古埃及三角学，那就是4000多年。世界各地几千年来独立或共同发展出来这样一种文化——一种定量的、完全确定性的语言来描述我们的世界，抽象的世界。在AI数学能力与日俱增的情况下，数学家文化层面的价值反而在继续提升。

甲小姐：文化部分价值继续提升，指什么？

苏炜杰：我虽然不做纯数，但纯数学家朋友特别多，我本科也学的纯数学，Quanta Magazine还是经常看。数学的文化，包括对数学问题难度、价值的判断——它背后是一种共同的价值观，是一个数学共同体的行为。

甲小姐：今天数学共同体判断一项结果的价值，和AI公司展示模型能力的标准，差别是什么？

苏炜杰：数学往深了讲，是一种“人类心智的荣耀”。我小时候看过一本让·迪厄多内的书《当代数学：为了人类心智的荣耀》。

抛开应用价值，纯数学的理性部分本身有很强的人文价值和文化价值。伟大的数学家，往往会给后人留下一种新的数学观。像黎曼、格罗森迪克，他们的作用远远不是解决了一个难题，更多是提供了一种新的理解数学的思路和一种世界观。

最近Anthropic把黎曼猜想某一种形式的ratio（比例）提高到67.2%，从公司来讲是个大进展，但顶级解析数论专家对这个数学结果评价不高。

甲小姐：它发布在X上，Anthropic原话是“我们让一个尚未发布的Claude研究版试着去攻克黎曼假设。它并未解决该问题，但确实在一个相关难题上取得了进展：它将满足该猜想的黎曼ζ函数零点占比的下限从41.6%提升至67.2%。”在数学家看来，这条路不本质，那这是不是用一种非常AI体系的benchmark来证明模型的数学能力？

苏炜杰：它是在已有方法基础上的优化，而这个比例即使达到100%，也不等于证明所有非平凡零点都在临界线上——它偏离了黎曼猜想的初衷。所以它更多是一个新闻事件，而非真正的数学发现。

我不敢说Anthropic真正的目的，但他们凭借这件事在网络上攒了足够的流量。据我有限的了解，他们对真正的数学发现不会有太多关注。

甲小姐：为什么最近AI在数学上的进展突然密集起来了？

苏炜杰：最大原因是AI的能力确实在上升，而且这个上升的曲率并没有下降。

去年这个时候，AI刚刚IMO拿了金牌，还不是研究级别的问题；去年年底，已经陆续有一些研究级的数学成果了，只是相对冷门；到今年，它已经开始解决很多大家真正关心的问题了。

但这不是唯一的原因。

人类数学家的工作方式，从六七十年代以后，越来越往深做，不同领域间的交流越来越少。现在不是隔行如隔山，是隔topic如隔山——换个topic，数学家间已经非常难交流了。

现在人类数学形成了一个非常“凹”的形状。就像一个多面体，很多触角，每一根都扎得非常深、非常尖，但不同触角之间是空的，很多地方没有人探索。

甲小姐：像一个有非常多角的N爪鱼？

苏炜杰：Exactly，这就是人类数学的现状，AI是在这一层的“丰收”。它直接把不同领域、不同方向的技术结合在一起，大家突然发现，原来这里有大量的low-hanging fruit（低挂的果实），很多人没有预料到。所以现在有大量的人在“抽卡”。很多朋友每天晚上跑好几个agent，早上起来看看有没有跑出来。

有人说这种状态可能到明年就结束了，我觉得不会。因为人类数学尖角太sparse（稀疏）了，维度非常高，任何两个Vector都是正交的。

甲小姐：上次跟董彬师兄聊，他专门强调了数学空间是“双指数”的。

苏炜杰：是的。这个凸包还可以填很多年。

但另一个角度看，现在的AI能不能创造一种新的技术，让自己成为一个尖角——就像一只八爪鱼，自己长出第九条触角？目前还没看到。

甲小姐：如果长出来第九个触角，它会是渐进式突破，还是跳跃式过程？

苏炜杰：AI的发展其实一直比较渐进，Scaling Law从损失函数来讲，它是连续下降的，但它对人类的震撼总是阶梯型的，一阵一阵的。

第九个触角一旦长出来，其实没有理由怀疑，它为什么不能长出第十条、第十一条？一旦具备这种能力，AI一般都可以scale，可以把这个能力不停地复制、重复、增加。

AI数学的上限，以我的观察，是看不到顶的。

当然有两种可能，一种可能是继续现在的研究范式，AI能力不停增加，也许“长出第九条触角”只是它能力光谱的某一端，只要达到一定程度，就会产生新的数学思想；但也存在另一种可能性，触角能力是在另一个维度，现在AI在解题维度不停狂奔，但新的思想和技术可能在另外一个维度——你在X轴上跑得再远，也到不了Y轴。

具体是哪个可能，可以再等等。

甲小姐：AI for Math大众级出圈的导火索是雅可比猜想。按公开说法，是Anthropic一个员工看世界杯时顺手让Fable去试，结果找到了反例。它甚至不是论文，是直接发在了X上。这是无心之举吗？

苏炜杰：我并不觉得他是看世界杯时候发现的，谁看世界杯的时候会问问题啊？我觉得他是专门扫了一遍，seriously试了很多。最后呈现出来的感觉是模型非常厉害，走路、上超市买菜都可以随手解决黎曼猜想，我觉得很大程度上是营销。某种意义上，这也对数学共同体有些不太尊重——把严谨的数学研究放在一个过于不严谨的场景下。但从传播角度，目的达到了。

甲小姐：这是Anthropic本身在抢占这个战略制高点？

苏炜杰：我个人猜测是这样子。

甲小姐：当下AI的主线是Coding，最近AI for Math这么火，是AI改写了主线，还是Benchmark太稀缺了？

苏炜杰：Coding的经济价值更大，但离普通消费者还不够近，AI for Math更容易产生冲击力——只要小孩读书，都会学数学，无论什么文化、什么国家，大家都觉得数学难，现在AI可以解决当年困难到不敢尝试的问题，这种心理震撼会更强。

甲小姐：你刚才说很多人在“抽卡”数学，这些人是数学家还是AI领域的人？

苏炜杰：很多是数学PhD，还有一些早就离开研究一线了，只是一直保持热爱，现在AI又把他们拉回数学研究的一线，对他们是一种非常大的鼓舞。

甲小姐：是鼓舞，不是劝退？

苏炜杰：对数学爱好者或离开一线的人来说是鼓舞，但对很多年轻数学学者，会形成一定的discourage。

数学从开始投入到真正能做研究，至少本科4年加博士5年，这需要一种非常强的信念，你要相信这项技能非常宝贵。但AI在动摇这种信念。原来你需要投入很多年才能获得的能力，AI现在轻轻松松就可以做到，确实会有失落感。

但有些朋友过于高估了对AI的恐惧。AI只是提前让你到达了一个本来需要努力很久才能到达的阶段，它其实增加了你的生产力，可以让你的数学研究达到更高的层次。

甲小姐：有种说法是，2026年可能是最后一次由人类独立获得菲尔兹奖，你认同吗？

苏炜杰：“最后一次”有些绝对，因为已经有不少年轻数学家现有的成果已经有机会拿2030年的菲尔兹奖了，其中有不少中国学者。我相信，2030年还是会有一些菲奖得主的学术成果主要来自2026年之前，人力为主。但2034年的得主，至少会有AI辅助吧。

甲小姐：北大数院有一些师弟师妹成果很强。站在数学前沿的年轻数学家是对AI进展最关注的人吗？

苏炜杰：北大数学确实非常强，年轻人才梯队源源不断。但谁更关心AI for Math不好说，几乎所有数学家都在以不同方式关注。

两三周前我参加国际数学家大会（ICM），大家都在讨论，一些talk、panel discussion、一小时报告，这些主流场合都在讨论AI对数学和education的影响，开会空隙大家也一直在讨论。

不同地区的态度有些差别。中美对AI for Math更拥抱，但欧陆，比如法国、德国，有一定的抵触——他们还是希望维持一种匠人数学家（artisan mathematician）的传统。

甲小姐：除了地域差别，不同数学分支离AI的距离也不太一样。哪些领域可能更快被AI突破？

苏炜杰：这个问题比较难，可能更顶级的数学家判断会比我更合适。这首先和学科本身的描述语言、证明体系有关。

有一些数学需要几何形象，比如拓扑，AI虽然有multimodal，但它生成图像和拓扑里的图像是两回事；还有一些需要大量非常细节的estimate、各种bound，很难利用局部的对称性，比如PDE分析。这两块恰恰是AI现在突破相对比较小的。

甲小姐：除了学科本身的特点，训练语料的多少也有影响？

苏炜杰：对。比如组合突破得比较快，可能是因为这个方向的文章更多。组合很多结果会发在理论计算机科学（TCS）的FOCS、STOC、SODA这些大会，每年几百篇论文，训练语料特别多。

甲小姐：前阵子跟姜子麟聊，他说组合在国内开会有时一个会能召集两三千人；但像代数几何，参会人就相对少一些。

苏炜杰：AI在代数几何上的能力是中等，比理论计算机和概率稍微弱一些，但又比拓扑、PDE略强。

代数几何很难，它抽象的layer特别多，是“抽象的抽象的抽象”，但同时它又有非常好的对称性。AI的思考空间是在embedding space，高维空间。对人来说难以想象的对称性、不变量，对AI来说反而可能很天然。

但我觉得，最终AI for Math在各个分支都会上升，只是斜率不同。

甲小姐：AI正在让数学各分支的界限更模糊吗？

苏炜杰：我觉得已经在发生了。

数学像一个刺猬，不同的刺之间几乎是真空。过去不同数学分支交流少，不是因为大家不想交流，是因为大家说着不同的语言，有一种“巴别塔”的无奈之感。

过去几十年，这些语言间的距离一直在扩大，AI第一次可能把这个趋势逆转过来，让不同领域之间的语言界限开始缩小。不光英文、中文等自然语言，也包括不同学科间的语言。

AI是一种粘合剂，开始把这些空白填起来，原本非常遥远的刺也更容易联系在一起。

甲小姐：陶哲轩在讲digestion（消化）——无论AI产生多少数学结果，最终还要人去“消化”，把它并入人类的知识体系。按照现在AI for Math的速度，digestion能跟得上吗？

苏炜杰：这是一个重要问题。Digestion也是一种文化。数学本身就像食物，它要真正作用到每个人身上，转化成更小的营养素，让其他领域的人也能吸收这些成果，而不只停留在少数几个专家那里。但这种digestion能不能一直持续下去？如果AI始终只是超级解题家，我们指哪打哪，价值判断还是由人来掌握，那digestion相对容易；但如果AI开始具备创造新数学框架的能力，人类的精力和脑力可能会形成物理性障碍，这种可能性不能排除。

一个例子就是望月新一的ABC猜想。到现在为止，学术界对它到底是对还是错，还没形成定论。它为什么这么难消化？因为是很多篇paper，每篇都很长，一共好像有600多页，他又创造了一套新的数学语言，对其他数学家来说，真正读懂消化它，有精力、体力、脑力上的巨大障碍。如果有一天AI也产生这样的数学，我们也许可以通过形式化语言保证它的正确性，但正确性之外，我们能不能真正消化它？

甲小姐：数学家的价值会走向两头，一头是问题的挑选者，一头是答案的解释者？

苏炜杰：问题挑选者更容易长期存在。解释者会变得非常困难——即使没有AI，现在很多数学领域审稿已经要四五年，真正能理解一项工作的人可能只有个位数，AI只是让这个现象进一步加重了。

2.“白金一代”成长史：“你不可能在所有维度上超过AI，但世界是无限维的，你要找到自己的X轴”

甲小姐：7月底ICM期间，你和王虹、邓煜、唐云清、赵子慧、孙鑫拍了一张合影，你们是北大数院2007级的同学。那天大家聊了什么？

苏炜杰：那天嘛，王虹、邓煜，我们大家先膜拜一下，恭喜他们，非常高兴，也感到骄傲。

他们那天已经非常累了，一整天领奖、记者招待会、各种采访，后来就先休息去了。剩下我们几个，就聊聊以前北大的八卦、最近的生活，都是比较轻松的话题。没有聊AI。

北大数院07级同学合影：（左至右）赵子慧、唐云清、王虹、邓煜、孙鑫、苏炜杰，图片来源，北京大学北京国际数学研究中心

甲小姐：十几年过去，大家什么变了，什么没变？

苏炜杰：变化是大家在不同学校都做出了非常好的工作，方向跨度很大。但数院同学的气质没怎么变，都比较纯粹，依然很喜欢“喊弱”。

甲小姐：你突然把我带回本科时代了。

苏炜杰：哈哈，已经非常强的同学也会说，这方面不会啦，那方面也不懂，“喊弱”这种文化还是在的。

甲小姐：大家现在被称为“白金一代”或者“黄金二代”。你最早是什么时候意识到，身边这群同学确实很强？

苏炜杰：其实读书时没发现，因为北大每年都很强，每届都有大神。

比较早让我产生这个感觉的是余越。他去了法国读博士，导师也是菲尔兹奖得主。他很早就做出了很好的结果，博士毕业就入选克雷研究学者。那时我觉得，呀，我们系同学确实有点厉害。后来我们级做出来的人就越来越多，刘雨晨、王虹、邓煜、唐云清……越来越多，打不住了。我算了一下，我们级做纯数的同学应该有十一二个；做统计的，包括我，大概四个左右；一共做学术的可能接近二十个。

甲小姐：所以2007之所以成为2007，做学术的人数多是一个因素。还有别的原因吗？

苏炜杰：可能是陈天权老师。他在我们大一的时候，就用一种比较现代、比较抽象的方式给我们讲数学，很早就让大家接触到比较接近现代数学的思考方式。

还有一点，我说一下应该也没事吧，我们级数据结构那门课，所有同学都上得很不高兴，上完后都不想学应用了……我们有句话，“它培养了你对纯数学的爱”。

甲小姐：我听说陈天权老师当时教数学分析，大一上来就讲点集拓扑、测度论，相当于先从数学的根基把框架铺出来，再讲连续性这些概念。你们都选了他的课吗？

苏炜杰：我们当时有四个班，一二班是另一位老师，三四班跟陈老师，这是一种默认分配，但大家可以自由选。确实后来三四班出数学家好像比例稍高一些。

甲小姐：在“神仙打架”的一届，你是怎么做到本科专业年级第一的？

苏炜杰：我只能说我成绩还可以吧。但很多其他能力我肯定不是最强的。

比如邓煜成绩不是第一，但他大一已经开始选高年级的课，大二就在选研究生的课。跨级选课当然会影响你的成绩，但能让你更快进入前沿数学——所以年轻同学不要把绩点当成主要目标。

甲小姐：作为绩点第一的人，你在告诉大家不要太重视绩点？

苏炜杰：对。绩点高唯一比较明显的作用，就是申请的时候比较自由。

我当时读的是基础数学，也学了些计算数学。申请的时候，我受到新闻影响，天天看数据科学、压缩感知（Compressed Sensing）。Compressed Sensing的两位创始人Emmanuel Candès和David Donoho都在斯坦福，所以我就申请了斯坦福统计系的PhD。我本科没怎么选统计，但绩点高，选择比较自由。但长期看，绩点没那么本质。

甲小姐：做到专业年级第一，对你容易吗？

苏炜杰：我不太记得了，哈哈。大家当然都很努力，只是努力方式不一样。

大一就有讨论班，我会参与一些，但有些同学参与得更多，比如刘雨晨、许地生和余越。讨论班就是拿一本大部头的书，几个同学一起啃，你讲这一章，我讲下一章。这对成绩其实没什么帮助，甚至可能是反作用，它很占精力，但它能让你更快进入数学前沿。

回头看，大一、大二就参加讨论班的人，后来基本都去做数学学术了，这是一个非常强的自我筛选——你自愿参加讨论班，是未来你做学术最大的一个predictor。

还有一个很有意思的现象，就是转系。我自己统计了下，转系到数院的同学，后来在数学上发展得都非常好——这是显著的好，比例出奇的高。

王虹就不用说了，丁剑、高紫阳、沈俊亮也都是转系。转系生本身比例可能就10%，但出来的数学人才占比远远高于这个数字。

甲小姐：你本科四年横向做了很多事，除了专业第一，还有建模竞赛、微软亚洲研究院实习、经双、谈恋爱。你当时已经隐约觉得会走向更应用的方向？

苏炜杰：大一我没有特别确定做纯数还是应用，但比较确定想做学术。我一直觉得自己社交能力弱、内向，不太擅长去业界。前两年没确定方向，大三分方向选了基础数学，因为听说申请出国还可以重新选，所以也不急。

我们级有很多纯数特别强的同学，我不确定基础数学到底有多难，应用数学的保证可能更高一些，所以我就花了一些时间做做建模。至于经双，是我当时的女朋友、现在的妻子想学，她把我拉去的，我本来不是特别想学，但她说一起学可以互相帮忙，做作业也方便。她是文科，我当时还帮她补了一下高数、线代什么的。

甲小姐：她在什么学院？

苏炜杰：外国语学院，学法语。

甲小姐：你刚才还说自己内向，你是怎么在外国语学院找到女朋友的？

苏炜杰：我们都是浙江人，老乡群里认识的。我其实在北大认识的人很少。

甲小姐：但你很高效啊，一进大学就谈恋爱了。

苏炜杰：这么说倒确实是。

甲小姐：你测过MBTI吗？

苏炜杰：没测过。我觉得内向也分很多种，有人天生内向，但社交能力一点都不弱，比如梁朝伟。我可能社交上比较笨拙，间接导致我比较内向。

甲小姐：可能统计学家不太看MBTI。

苏炜杰：我一般智商什么的也不会去测。这些东西，测得高，给你一个暗示，测得不好，又给你反面暗示。人是非常复杂的，任何一个指标可能都是以牺牲其他指标为代价的。

甲小姐：你以前讲过，中学竞赛一度消耗了你对数学的兴趣，到了大学，通过建模、高等数学，又重新找到了乐趣。

苏炜杰：竞赛如果长期搞，还是会有压力。

邓煜高一就进了集训队，高二拿了国际金牌，但高三他就不参加比赛了。他这种情况其实不多，大部分人可能还是会继续参加，学校也希望你参加。我觉得如果参加竞赛完全是因为兴趣，那很好。今年的菲尔兹奖Jacob Tsimerman是IMO金牌，John Pardon是IOI金牌。但如果变成一种压力，会对兴趣产生损耗。

甲小姐：有数据统计菲尔兹奖得主有50%左右有IMO背景。什么能力在竞赛里有利，在研究中反而不那么重要？

苏炜杰：竞赛和纯数学科研的相关度还是比较高，跟应用数学、统计的相关度弱一些。应用数学最难的地方，是怎么用数学方式描述一个真实问题。你是在两种思维之间不停碰撞——一方面，你要把自己当成一个做实证的人，尽可能把问题的真实面貌刻画出来；另一方面，数学工作者要把原本非常复杂的现象一层一层剥离。两种世界不停碰撞，慢慢融合，形成一个结论或者解决方案。这个解决方案单从数学角度，往往不是完美的，因为你要兼顾事实——它有一点“中庸”的思维。这跟竞赛很不一样。竞赛更多是在某一个维度上狂奔，但做应用是在甚至相互矛盾的维度中寻找平衡点。

甲小姐：你领COPSS奖的时候，专门感谢了北大、斯坦福，以及当年的奖学金。特别去感谢一笔资助的人并不多，为什么这件事对你这么重要？

苏炜杰：其实从初三开始，我主要就是靠奖学金和助学金一路完成学业。如果没有一路上这些资助，对我这种家庭相对困难的孩子来说，是很难持续下去的。

甲小姐：很多对你的报道里，“农村娃”“寒门”“贫穷底色”是高频词。你喜欢大家用的“寒门逆袭”这种叙事吗？

苏炜杰：大家如果愿意关注我、关心我，是我的荣幸，因为整个社会公众的注意力是有限的。如果我的经历能鼓励年轻学生投身数学，让欠发达地区的孩子更有信心，我觉得很好。但“寒门逆袭”有点像给我扣了一个帽子，我不反对，但稍微有点怪怪的。

甲小姐：如果你给自己的来时路写一个标题，你会怎么概括？

苏炜杰：这么短时间我可能想不出来。我大脑里可能有一个embedding、有一个vector，但decode好像找不到特别合适的词。人类语言毕竟是有限的。

甲小姐：如果不要求一个标题，多一点token呢？

苏炜杰：对数学的热爱，又希望把这种热爱跟实际应用结合起来，也希望鼓励所有来自普通家庭的孩子可以往这条路上努力。

甲小姐：你上次回余姚老家是什么时候？

苏炜杰：去年暑假。变化挺大的，我小时候那里都是农村，外围就是绿油油的农田。现在大部分农田已经没有了，我们那也差不多并入城区了。

甲小姐：我记得你小时候想买一本高等数学的书，还得专门跑到城里的书店，很困难，今天通过AI，知识获取门槛已经低了很多。

苏炜杰：现在的孩子想学数学、学物理，不是过去那种物质障碍，而是心理障碍。

AI会让年轻人产生一种错觉——我始终达不到AI的高度。这个差距会discourage很多小朋友。所以问题变成了怎么克服这种心理障碍？

你不可能在所有维度上超过AI，但世界是无限维的，每个人都有自己的一个维度，你要找到自己的X轴。

在这个轴上，你可以超过AI，至少努力以后你会比AI强，AI是帮你变强的助手——你需要有这种信念，如果这点能克服，每个人的机会其实比以前更多。

3.加入OpenAI：“现在世界上也没有多少人敢说自己真正理解AI”

甲小姐：2010年大三的你在北京的微软亚洲研究院实习，那时算开始接触AI了吗？

苏炜杰：那个时候大家都不敢提AI，主要讲机器学习。它也是数据驱动，但跟今天的AI完全不可同日而语。那次经历对我比较大的影响是认识了很多计算机的朋友，从另一个角度打开了一扇门。

甲小姐：一转眼16年过去了，你对AI的本质理解有什么变化？

苏炜杰：有变化。为什么？因为之前都没有理解，哈哈哈。

准确地说，现在我也不敢说自己理解了，我觉得现在世界上也没有多少人敢说自己真正理解AI。

我现在是在试着理解，每天都会有些新收获，但我觉得离真正理解还远着呢，或者可能永远也到不了。

甲小姐：数学家讲“理解”跟普通人不太一样，这个我们等会儿展开。先回到你加入OpenAI的故事。2025年12月，OpenAI研究员塞巴斯蒂安·布贝克（Sébastien Bubeck）邀请你加入OpenAI。这个联系是怎么发生的？

苏炜杰：我其实一直都没有去业界的计划，没有想过要离开学校。

去年12月，我正好在参加NeurIPS，收到Sébastien Bubeck的邮件，他问我对OpenAI有没有兴趣。我猜他联系我可能有几个原因。一个是他以前也在学术界，我们有过一些学术交流，另一个背景是，那之前一两个月，UCLA的Ernest Ryu用GPT-5解决了优化领域里的一个猜想，这是个比较标志性的事件，大家开始看到AI确实可以解决research级别的数学问题。Ernest在斯坦福比我高一级，我们本来就认识，他跟的是Stephen Boyd，我自己也一直和Stephen Boyd有合作。后来Sébastien Bubeck邀请Ernest去了OpenAI。可能这些因素加在一起让他想到了我。我们聊完觉得挺有意思，就开始了。

甲小姐：之前十几年你都没有考虑过去工业界？

苏炜杰：可能有性格原因，也有惯性吧。在学校做研究挺开心的。当然学校有局限，比如算力不够，但大模型还有很多方向——trustworthy、privacy、fairness——对算力要求低一些，学校可以做。而且这三年开始做LLM以后，更多学生愿意跟我，挺开心的。如果他不邀请，我不会主动找业界机会。

甲小姐：加入OpenAI，对你是一个轻松的选择，还是有犹豫？

苏炜杰：稍微有一些犹豫，但不多。

因为在北美，学术休假是一种比较常见的机制。你可以去公司待一年、两年，相当于会经历几代模型，到时如果觉得不合适，或者了解得差不多了，可以再回学术圈。

不过虽然是他主动找我的，我还是要正常走面试流程。一共四轮。两轮偏数学，主要是概率题，比较容易，很像brainteaser（脑筋急转弯）。另外两轮是coding。

Coding是我比较薄弱的一点。这么多年做研究，代码很多是学生在写，所以NumPy、PyTorch、Transformers这些，我大概花了一个月重新熟悉，最后应该勉勉强强达到了他们的要求吧。

甲小姐：Bubeck主动抛橄榄枝，而且你已经是统计学最高奖了，你还要四轮面试？

苏炜杰：对。想去他们那里的人其实很多，有些人在学术圈也已经积累很多，所以门槛本身比较高。

当然他们对教授的工程能力预期不会像工程师那么高。我们可以做偏算法的研究，不一定负责实际部署，但PyTorch、Transformer这些最基本的东西，我觉得是一个最低门槛，如果这些都不了解，连最基本的怎么开始做都不知道。

甲小姐：你春节准备了一个月？

苏炜杰：大概2月份吧，每天花两个小时，重新熟悉了NumPy、PyTorch、Transformers，看了很多Karpathy的nanoGPT视频，还有网上一些教程，不懂就问ChatGPT。那一个月coding能力确实提高不少，达到了我的一个小高峰。

甲小姐：很久没有这种体验了？

苏炜杰：过去代码看是能看懂，但面试你不能vibe，不能用AI。

甲小姐：代码必须自己一个字一个字敲出来？

苏炜杰：对。这个可能是唯一一个不能用AI的AI场景，哈哈。一旦允许用AI，这些问题就没有任何难度了。

有趣的是Jacob Tsimerman，今年的菲尔兹奖得主，他也面了coding——我那个同事还夸他，说他NumPy、Python还挺熟练的。

甲小姐：你跟Jacob有过交流吗？

苏炜杰：我之前在ICML和他打了个招呼，说以后可能要一起去OpenAI。昨天在公司里又刚刚见到他。

甲小姐：他接下来想做什么？

苏炜杰：他要做AI safety，看得出来他是非常认真的。

我自己比较好奇的是，理论层面到底能做到多少？数学有没有可能给它建立一个相对形式化的框架，在形式化意义上，保证一个模型是安全的？这和现在ad hoc的方式很不一样。现在可能是发现一个漏洞堵一个，发现另一个漏洞再堵一个，如果能形成一种形式化的安全保证，安全性当然会高很多。

甲小姐：你加入OpenAI的时间点很巧，刚晋升正教授、拿了COPSS奖，如果OpenAI早五年找你，你会去吗？

苏炜杰：那就不好说了，哈哈。早五年的话，2019年……

甲小姐：5年前不是2019年……

苏炜杰：2021年。

甲小姐：再次说明数学家是不会算数的……

苏炜杰：对对，是2021年，哈哈。那时候应该已经是GPT-3了吧。

当时大家还是有很多怀疑，觉得花这么多计算资源，next-token prediction，这条路真能走通？我相信除了Ilya等少数人，当时没多少人真相信它会发展成今天这样。如果那时能加入，相当于可以见证从无到有的历史过程。

但如果我真的那么早去了，可能也就回不到学术圈了。如果你到了正教授这个阶段，你跟学术圈的bond已经非常深，这个时候学术休假，以后也完全可能再回去。但如果在AP、还没有tenure的时候就加入公司，我看到的例子是大部分就一直留在公司了。从人生长远角度，我还是更喜欢在学术圈。

甲小姐：以学术休假加入OpenAI的人多吗？

苏炜杰：几十个肯定是有的。不只OpenAI，Anthropic也吸引了很多顶尖教授。最近比如Jelani Nelson曾是UC Berkeley EECS计算机科学部的系主任，他是非常有影响力的理论计算机科学家，他加入了Anthropic。

现在AI lab确实在大量吸引数学、应用数学、理论计算机，包括理论物理的人才。北美的学术休假体系提供了很大的便利，很多学校允许你休一年，第二年可以再续一年。这两年，你在公司跟其他员工没有区别，学校那边也没有教学义务，但学校会把你的职位保留下来，两年以后想回来，你的职位还在那，办公室可能也还在那。

甲小姐：Nothing to lose？

苏炜杰：对，这是学术圈一个很大的福利。

现在北美很多非常优秀的年轻博士生毕业后直接就想去业界，这如果变成一个群体性趋势，学术圈就可能后继乏力。我经常跟年轻人说，你可以在学术圈做几年，以后如果想去业界，仍然可以通过学术休假出去，也可以回来。学术圈给你的长期自由度，是一个经常被低估的福利。

甲小姐：现在Frontier labs和学术界之间，谁更需要谁？这是买方市场还是卖方市场？

苏炜杰：现在会有一种感觉，Frontier AI lab对学术界似乎关上了大门，它们不再发表论文，模型和技术也越来越封闭，很多时候只展示结果，秀一下模型多强，但细节并不公开。从这个角度讲，AI lab对学术界的依赖确实有所减弱。现在想去AI lab的人很多，但招的人数在下降或者保持不变，很多大厂也在裁员。但Frontier labs对学术界的依赖不可能完全消失，它终究还是需要人才，学校永远起着主导作用。当然，如果未来真走到RSI（recursive self-improvement，递归自我改进），那就不好说了。

甲小姐：我之前跟《奥尔特曼传》的作者周恒星聊，他说Sam Altman心中有一个曼哈顿计划。

苏炜杰：公司老板我也就不太方便评论，但他对员工都挺好的。

甲小姐：你跟陈立杰、尹希都加入了OpenAI，有人说你们是“华人三杰”，分别站在应用数学、理论计算机和理论物理领域的华人天花板。大家加入OpenAI的理由一样吗？

苏炜杰：把我跟他们列在一起，我有点惭愧啊，毕竟我刚刚加入公司，还没做什么贡献。公司里有大量大神，包括当年GPT开发的主力，我不敢居功。

但我跟陈立杰和尹希都聊过，特别是陈立杰，聊过好几次。我们加入的原因其实有点类似，大家都看到AI已经到了学术界没办法忽视的程度。

AI发展到今天，其实越是偏理论方向的教授，越容易感到震撼。特别是理论计算机、理论物理，感觉很明显。

甲小姐：为什么？

苏炜杰：一方面，AI在理论学科上的进展，确实比很多实证、应用领域发展快，理论问题的训练数据往往比较干净、高质量，奖励信号比较清晰；另一方面，理论领域的进展比较容易形成共识，如果AI真解决了一个问题，很难否认；还有一点——完全只是我个人体会，不代表其他人。选择纯数学、理论计算机、理论物理这些方向做学术的人，一般多少会有一些智力上的优越感。很多人从小学、大学到PhD，都是智力上碾压周围的人，而他们第一次看到AI在某些方面比自己强，这种感觉可能是人生第一次。

甲小姐：纯数学、理论物理、理论计算机学者的感受，有点像当年柯洁面对AlphaGo？

苏炜杰：有这种趋势，但程度还不一样，柯洁的震撼可能更大——他刚刚站到人类领域的No.1，一下子被AI超过了，人类再没有机会了。数学、理论物理、理论计算机还没有这么大的反差，AI超越了其中一部分人，还没有超越所有人。

甲小姐：今年确实有基础科学人才往AI公司迁徙的感觉。这个潮流会持续多久？最后数学家、科学家会永久成为Frontier labs的标配，还是AI把人类知识吸收得差不多以后，就不再那么需要他们了？

苏炜杰：这个问题我以前倒没怎么想过，但我倾向于觉得，他们会一直是标配。

AI如果想突破人类凸包，它需要的就是杰出的科学家、数学家的知识和技能，这些恰恰是AI非常稀缺的。但另外一方面，我也跟朋友讨论过：一定要最顶尖的数学家、理论计算机科学家吗？它肯定需要顶尖的人，但不一定非是最最顶尖的。那现在为什么这么多特别顶尖的人加入？一个原因可能是想加入的人很多，公司有得挑。

甲小姐：顶级科学家进入公司后会不会反而有一种落差？比如发现自己的工作很基础，甚至有点像数据标注。

苏炜杰：一定程度上的失落，短期内可能是不可避免的。在学校里，教授是核心，整个课题组围绕着你，你是把关人，你是船长，学术自由接近100%。除了一些经费压力，研究方向没人干预，甚至根本没人过问你做什么。到了公司，公司本身是一艘大船，每个人更像一个水手，你首先要服务于公司的大方向、使命，你需要配合。

4.Scaling Law：“它更像一个重工业”

甲小姐：你曾加入OpenAI是好奇他们到底是怎么训练GPT-5，现在你的好奇得到回答了吗？

苏炜杰：首先，现在模型的发展已经非常复杂了。我的感觉是，几乎已经没有一个人能够把模型从端到端的发展讲清楚，或者复制一遍。

它更像一个重工业，每个人都只参与其中的一部分。跟我之前的预期比，工程性的比例更高，整个系统的复杂程度也比我原来估计的高。

甲小姐：基础模型进入重工业时代，竞争逻辑和算法主导的时代就很不一样了。现在各家基模竞争迭代越来越快，基本是“热更新”，各类benchmark城头变幻大王旗，甚至有人质疑模型本身到底还有没有护城河，你怎么看？

苏炜杰：护城河不完全是一个学术判断。理论上任何东西都没有护城河，如果投入国家级别的海量资源，很多东西是可以复制的。但商业上说的护城河，是在资本能够调动的现实资源范围内。

如果把“护城河”翻译成需要多少资金、多少资源才能上这个牌桌，那大模型的护城河还是非常深的。现在牌桌上的几个玩家，我觉得他们某种意义上已经成为了永久玩家，四五年之内，它们应该都会继续在这个舞台上表演下去。

甲小姐：之前有媒体采访你，标题是《Scaling Law撞墙后，为什么需要数学家出手？》，但显然Scaling Law还在继续。此刻你怎么看Scaling Law？

苏炜杰：我相信Scaling Law还没有撞墙。现在开源模型一个比一个大，能力还不停上升。之前所谓“撞墙”，很大程度上是基于已有的数据。但大模型的训练模式是多种多样的，就像一个人学习，我们小时候看的课本跟现在小孩子看的课本不会差别太大，但你进入社会后，不断跟各种人群、信息打交道，你还是会继续成长。大模型也是这样。它已经不只是从静态自然数据里学习，而是通过非常综合、多元的渠道继续提升。我觉得Scaling Law概念本身也应该放宽看——从动态的角度看，模型还有非常多元的提升场景。

甲小姐：加入OpenAI以后，你对Scaling Law的确信程度变高了？

苏炜杰：Scaling Law本身每个人的定义不一样，我不好说我对它信成什么样子，它的对象都没有被明确定义。但如果把Scaling Law理解成一个更本质的意思——模型能力的增加，是以一种相对可预测、比较确定的方式实现的——我对它的信心确实是增加了。

在AI lab的人应该都会有种感受，模型能力还在上升，短期我没看到什么明显的障碍，而且这个上升的斜率也没有下降的迹象。当然如果recursive形成，就更不一样了。现在coding agent已经明显加快了模型的研发迭代。去年很多公司一年推出一两代，现在三个月就有一轮大迭代，斜率不光没下降，某些地方甚至还在增加——不敢说指数增长，但确实没有任何下降的迹象。

甲小姐：未来有两种最基础的假设，一种是基础模型持续摸高，不断捅破天花板，另一种是Scaling Law放缓，两条路会产生根本性的不同影响。哪条路更有可能？

苏炜杰：这是一个好问题，要回答有很大难度。

AI发展到今天，是很多因素共同作用的。Scaling当然是大方向，光靠scaling也会work，只是它比较笨重，还是需要不断往里面加新东西。

Scaling这个词的意义一直在变。一开始主要讲pre-training scaling，后来有RL scaling，再后来有inference scaling、chain of thought，把更多算力放到推理阶段。

现在Scaling已经变成了一个“篮子”、一箩筐，什么东西都可以往里面扔。从数学上讲，只要大家找到一个新的变量，如果模型能力对这个变量的导数大于0，那我们继续增加这个变量，模型能力就会上升——那大家就会把它称为一种新的scaling。

模型已经是一个高维函数了，它的变量已经有无数个——这么多变量中，往往总有一个变量当前的导数大于0，所以大家在这个变量下投入资源，过段时间如果它放缓，那就再寻找下一个变量。这几年好像一直是这样。大家经常会看到，局部上某个变量的scaling系数在放缓，但容易忽略的是，其他几个变量的导数可能在变大，还可能有新变量进来。既然有这么多变量，一个变量放缓并不影响大局，至少现在来看还是一个增函数。所以我相信新的scaling还会继续出现，虽然我不知道是哪个变量会出来。

甲小姐：过去很多人认为Scaling Law只是一个bet、一个信仰，是过去式、现在式对未来式的推断，但你的回答包含了因果关系和合理性——模型足够高维、变量足够多，所有变量导数都为0的可能性很小，所以理论上，它永远可以找到scaling的方向？

苏炜杰：对，直觉上是这样子。

比如很多人觉得scaling的X轴是自然数据，这个维度确实没办法再往右走了，但除了X，还有Y，还有X1、X2、X3，模型的维度非常高。类似的事已经发生过好几次了。两三年前，在reasoning出来之前，大家对scaling的信心已经下降了。后来又有了o1，通过test-time compute继续把模型能力往上推。往往当主流观点觉得它已经没法再增加效益了，总会有人发现一个新的角度。所以我觉得这个story还会继续。当然，这不是数学理论上的判断，这依然是历史经验的判断。

甲小姐：数学家和科学家的研究品味、提出问题的能力是scaling的一部分，还是scaling之外的变量？

苏炜杰：这是个好问题。按照传统定义来讲，我觉得应该是scaling之外的。传统的scaling是比较暴力的，是重工业式的过程，但科学还是讲究技术和思想，科学家的参与我更倾向于把它理解成另外一个维度。现在的scaling比较擅长的还是把已有知识的“凸包”填满。就像我们说的八爪鱼，scaling很擅长把八条触角之间的空间填起来，但科学家还是应该在scaling之外发挥作用，把AI训练成为一个“科学家”，它需要有一种自主性、ownership、真正的参与感。

Scaling就像三体，如果你在三维，它可以把三维空间给你填满，但我们很难想象它会让你到第四维，科学家可能有希望让它在第四维长出一个触角来。

5.模型的下一站：“它提这个观点的时候，100%确定没有任何人会遵守，但为什么它还是提了呢？”

甲小姐：RSI还在一个早期阶段，它已经开始影响大模型整体的斜率了吗？

苏炜杰：应该是的。Anthropic今年有一篇博客，提出RSI有很多层级。最高层级，人类只要提供计算资源，让它自己去做；把RSI往下稍微降低一点点，比如设置一个目标，让AI自主探索，这当然离真正的RSI有点距离，可能打个九折，但即使这样也已经是一个非常大的进展，这已经让探索的路径——比如启动一个实验——变得非常快了。

以前模型迭代过程中有很多物理性摩擦，现在摩擦系数已经接近于零了，非常光滑，给它一个目标，它基本上可以往这个维度上狂奔。

所以RSI真的一定要完全实现吗？即使它不是100%实现，只是80%、90%，已经能改变很多事情，它不是只有0和1。就像自动驾驶，即使还需要人监控，已经减少了很多驾驶负担。

甲小姐：现在RSI大概走到了什么程度，是human in the loop，on the loop，还是什么样的人机配比？

苏炜杰：每个人对RSI的定义都不完全一样。但总体来讲，RSI比AGI更容易讨论。AGI是一个很大的蓝图，大家都没有统一定义，但RSI稍微具体一点。

甲小姐：Anthropic6月5号发布的《When AI Builds Itself》不是一篇论文，它是一篇带有呼吁性质的行业观察和立场声明。文章围绕RSI，但结论是呼吁全行业刹车或者建立减速机制。这里哪些是事实说明？哪些是主观态度？哪些是营销目的？

苏炜杰：前面的部分，至少我现在能看到的，还是需要人来定一个目标。AI现在自己定目标的能力已经有一些，但品味还是差一些。但Anthropic后来呼吁全行业停下来，减缓AI发展，它提这个观点的时候，100%确定没有任何人会遵守这件事，但为什么还是提了呢？我觉得只有商业价值的考量。

甲小姐：历史上没有任何一次呼吁AI减速或刹车的声明起到了作用。它一边强调极端风险，一边持续加速研发，可能有商业目的，也有对监管的影响，以及跟OpenAI的IPO竞争。

苏炜杰：是的，它呼吁全行业停下来，那投资人或者公众可能会想：既然你这么强调风险，是不是因为你已经走得很前面？是不是你很有信心？它会给人一个印象：我很强，我已经看到这个问题了，我停下来，我可以陪你玩。这个角度来讲，我觉得是给投资人看的。

甲小姐：抛开营销和商业因素，只看技术本身，RSI会是渐进式的过程，还是会存在某个临界点，一旦跨过去就突然变快？

苏炜杰：加速变快不好说，但它确实有个临界点。

OpenAI研究员Yann Dubois提到过Codex去年年底或者今年年初到了一个threshold（阈值）。在这个threshold之前，你让coding agent完成一个任务，大部分情况下它会失败，你收拾烂摊子的时间还不如自己从头做。但去年年底或者今年年初的时候，它就跨过了一个阈值，大部分问题上它能够加速人的开发，虽然少数情况下还是会犯错误，但平均下来，它是加速的。一旦跨过这个threshold，格局一下就变了。因为你真正开始愿意用coding agent。这样的threshold不止一个——能力每提高一点，就会有更多人进来。原来有些人觉得某些工作还必须由人来把握，但只要AI达到他们行业的平均水平，或者前30%，就会有一批人开始使用，而因为有更多人加入，数据飞轮也形成了。

甲小姐：如果过了一个又一个threshold，算力、验证、人类审查和物理实验，会不会成为新的瓶颈，反过来阻止智能爆炸的过程？

苏炜杰：这是个很好的问题。这些问题本质上都在问，AI在这个loop里面，怎么获得反馈？最难获得的feedback还是来自物理世界。如果是在数字世界，比如数学证明，你可以通过形式化证明去验证；有些数学语料还没有被形式化，也可以用grader（评分器）。至少在统计意义上，它给出正确reward的概率是比较高的。但物理层面，feedback可能遇到比较fundamental的困难，可能是成本问题，或者空间问题，让它进入loop的难度天然高很多。

甲小姐：所以RSI今天做的很多事，还是在AI和计算机科学领域内部，还没辐射到跟现实打交道比较深的领域。

苏炜杰：这个应该现在还没看到。

甲小姐：Jeff Dean离开Google创办Discovery Loop，他想用AI自动化科学实验循环。他判断技术价值要看10倍提升，而不是百分比。你觉得他的判断是可能的吗？如果是，它是体现在模型架构、训练方法，还是别的什么？

苏炜杰：他的公司名字叫Discovery Loop，这个名字很明显对应着recursive，但几倍定量数字，我不太敢给。大模型已经具备了比大部分人更强的智能，但为什么它在真实世界的应用仍然相对局限？因为大部分人的工作都和真实世界有密切接触，这部分工作并不是强调智能有多高，而是强调在一个动态的物理世界里，你能更好地适应各种不确定性。这一点是现在大模型明显欠缺的。当然很多人都已经在做了，比如world model、具身，我不确定还要等多久能看到GPT moment，一旦实现，它产生的经济价值，可能是数字世界里GPT影响的10倍都不止。

甲小姐：今年ICML上有一篇很火的立场论文叫《LLMs Can’t Jump》。Google DeepMind的Tom Zahavy用爱因斯坦的科学发现来讨论一种“jump”——今天的LLM已经很擅长归纳、演绎，但还很少看到它完成重新定义问题、提出新概念或者新框架的溯因式跳跃。你在模型一线看到的情况吻合吗？

苏炜杰：这确实跟数学家观察AI for Math的现象类似。AI可以用一种非常暴力、非常工业化的方式，把不同领域的技术直接糅合在一起。但它有没有形成一种完全新的技术？我几乎还没怎么看到。比如用1914年之前的数据来训练一个大模型，能不能复现爱因斯坦？这个可能更难，人类在科学史上都没有超过5个跟他可以媲美的吧，是吧？

甲小姐：AI for science目前做的事更像从公理，到定理，再到证明和解题，还没有出现“建公理”的那一跳。有任何可能出现这一“跳”的迹象吗？

苏炜杰：每个人对迹象的理解可能不一样。也许有人会觉得，通过规模继续扩大，最终还是有希望出现。我只能说，我还没有看到。

甲小姐：如果RSI和这种jump都发生，那确实天花板被彻底打开了。这也解释了为什么现在有两股人才流动——顶尖科学家不断进入Frontier labs；已经在Frontier labs做了多年的人出来成立new labs，去赌下一个数量级的突破。这两批人的底层判断有什么不同？

苏炜杰：这些new lab有自己的优势。他们可能可以选择一个更垂直、更具体的目标，在这个方向上集中突破。最终还是取决于这个垂直方向需要多少资源，需要多少算力、多少数据。如果突破必须靠非常大的scale才能发生，new lab会比较困难。但如果它赌的方向并不需要特别大的资源，小团队就有机会。在一些垂直领域，可能用相对小的模型、相对少的资源，就会有突破，比如现在有不少Startup做AI safety，它对scaling的要求相对来讲不是特别大，如果找到一些principled的方法，也许可以极大缩小搜索空间。现在safety已经成为大模型的减速器，我觉得至少去年大部分人可能没有预料到。去年模型迭代相对比较慢，因为训练就是需要这么长时间，但今年bottleneck（瓶颈）有一部分变成了安全性，美国政府也已经参与进来，如果模型安全有问题，它就会被hold，发布时间会延迟。这一类方向，小lab也可能有机会。

甲小姐：Safety是技术上的减速器，还是推广和应用上的减速器？

苏炜杰：都有。一方面，美国政府对AI safety已经提出了要求，OpenAI、Anthropic的模型开发需要有一定的审计才能够放出来；另一方面，这些大厂本身也有对社会的责任，公司需要对它的safety负责。但safety需要投入资源，这些资源从哪来？是从模型训练和研发里分出来的。所以它确实可能让模型迭代稍微慢一点，但这是必要的。

甲小姐：这也是Jacob Tsimerman想干的事。但他直接来了OpenAI，而不是去Neo Lab。

苏炜杰：他可能想看一下最强的AI已经达到什么程度，毕竟是学者，好奇心起了很大作用。

6.权力的中心：“存在一个正的概率，会产生巨大危机”

甲小姐：从安全角度看，Anthropic的“末日营销”是真实恐慌还是表演式恐慌？

苏炜杰：我倾向于有一部分信仰，这种信仰又恰好契合商业叙事，于是两边互相加强——就像一个人数学不错，所以兴趣增加，而因为兴趣增加就做得更多，左右脚踏来踏去上升。但Anthropic比较缺乏人文关怀，过于强调AI末日、AI取代人类，把这种叙事说得理所当然。如果真的发生，作为主导方应该有一些愧疚感吧。

甲小姐：一些声音说硅谷对世界上其他地方发生的事情并不太关心，硅谷派系的AI的叙事方向就是取代人。你认为硅谷正在成为世界权力的中心吗？

苏炜杰：虽然OpenAI现在是我东家，但我还是想公平地讲一点，它的mission还是AGI，创造一种造福于人类的AI，它的mission并不是要取代人，这跟Anthropic的叙事还是有很大差别的。权力中心这个说法，我觉得有点过于绝对，硅谷的资本吸引力这几年确实抢了华尔街的风头。美国东西两岸，一个是加州的科技，一个是华尔街的金融，这几年明显看到，AI的比重在上升。

甲小姐：硅谷不仅在抢华尔街的风头，它已经抢华盛顿的风头了。

苏炜杰：确实，美国政治人物跟AI的关系确实比以往任何时候都要近。

甲小姐：权力是从叙事权开始的。DeepSeek、Kimi、智谱的很多进展是在挑战这种叙事权。比如DeepSeek让大家意识到模型可以更便宜地做出来，Kimi K3让大家意识到中国模型可以达到世界一流。这样的开源和中国模型的进步，是不是削弱了少数Frontier labs对能力边界和安全边界的定义权？

苏炜杰：我不太确定我合不合适回答，OpenAI现在总体还是闭源，当然跟Anthropic这样的绝对闭源派比，OpenAI还是温和一些，也推出过gpt-oss这样的开放权重模型。但确实能看到，中国AI通过开源开辟了一个新战场，获得另外一个维度的话语权，这是一个非常独到的竞争力。

甲小姐：张一鸣说字节不做模型蒸馏，他认为蒸馏会干扰长期技术突破，你认同吗？

苏炜杰：他能有这样的决心，我很佩服。我认为他是对的。短期内，蒸馏是模型提升能力最快的途径，但它的代价是路径依赖——它会给你非常强的即时反馈快感，你很难再放弃。自己做数据、做infra、开发自己的模型训练方案，都是苦差事，需要一步一步走。但长远来讲，如果一家公司真的想做到很高高度，你很难长期依赖蒸馏。这方面我不做任何的道德判断，有人说闭源模型也是蒸馏全世界的文化和知识，仅从功利的角度来讲，蒸馏确实非常快，但长期做副作用是蛮大的。就像运动员用兴奋剂，成绩短时间内确实会提高，但是长期下来，你会失去你真正的源动力。

甲小姐：前阵子G7峰会，Sam Altman、Dario等人讨论AI形成的世界格局，讨论怎么对待中国的AI，Sam明显比Dario对中国更友好，他更强调保持对话，把中国AI纳入协调机制，Dario的态度明显更强硬。

苏炜杰：对，都是靠同行衬托。OpenAI有段时间受到舆论批评，说比较close，但跟Anthropic一比，OpenAI还是比较open的。Anthropic并没有把AI惠及全人类放到最高目标的位置上，我不觉得它一开始就有这种想法。

甲小姐：其实我们并不太希望OpenAI和Anthropic长得越来越像，但看起来它们长得越来越像。

苏炜杰：商业价值的压力确实会让两家公司越来越像，因为商业有一些共同的evaluation，比如coding是一个现金流大市场，那你占多少比例？同样的市场、同样的商业考量，行为上的相似性自然就会提高。

甲小姐：一年前，大家还认为OpenAI是一个toC的公司，甚至有人认为OpenAI是互联网公司，争的是超级入口。但迫于上市及财务数字，它在coding上大干快上，二者的商业主战场越来越近了。

苏炜杰：我不是公司leadership，但我希望这是短期的。短期内可以为商业价值做一些布局，但长期来讲，如果一个AI公司已经在财务上足够好，它应该需要一定的社会责任感，比如做AI for Science，或者一些加速惠及全人类的技术。如果AI确实会取代一部分人，AI公司应该背负一定的愧疚感，也应该尽可能做一些事让这个转型更平缓。

甲小姐：你以前接受采访时甚至说过，如果有一个平行世界，你希望AI就不要出现？

苏炜杰：就相当于核武器——如果爱因斯坦的E=mc²不存在，人类彻底毁灭的可能性是降低了。AI也是。它增加了人类的能力，但代价是——存在一个正的概率，会产生巨大危机。但历史进展不会以人的意志为转移，我们能做的就是尽可能让它带来福利，同时降低危险。

7.Math for AI：“我们所有人都低估了AI的数学复杂度”

甲小姐：我们开篇聊了很多AI for Math，现在我想换过来聊聊Math for AI。数学家们加入Frontier labs，如果不做数学，他们会做什么？数据、安全、训练？

苏炜杰：都有。很多数学家、理论计算机学家原来的研究领域可能跟大模型有距离，但pick up很快，在全栈各个环节都能看到他们。

甲小姐：你曾说你的最终目标是寻找AI背后的数学规律，建立一个AI的数学理论，这是一个极宏大的目标。如果这件事实现了，至少是图灵奖级别的吧？

苏炜杰：这不是我一个人能实现的，应该是整整一代人。

我们偏数学、偏理论，又对AI感兴趣的学者，可能都希望尝试给AI建立一套有效的、定量的理论——这个理论不一定多么严密、多么严谨，但它需要有定量判断、有预测性，可以指导大模型发展。

比如像Greg Yang的μP（Maximal Update Parametrization，最大更新参数化），可以从小模型预测大模型的最优超参数。现在这样的例子非常少。如果越来越多，也许可以拼成一个版图，慢慢形成自洽的、严格化的数学理论。最终目的还是指导大模型的开发，减少训练成本，对AI safety也会有帮助。

甲小姐：所以它可能不是一个理论，是很多理论拼起来？

苏炜杰：是的，一个集合。我个人的判断，要创造物理学意义上的大统一理论，辐射大模型的方方面面，可能不太现实。AI有多面性，我更倾向于它是各方面理论的一个堆积、一个拼图。

甲小姐：到今天为止，深度学习很多最基本的特征还没有被理论解释，本质难处是什么？

苏炜杰：单独解释某个角度可能有专门化理论，比如过参数化的优势在哪里，比如为什么Adam、Momentum这些相对简单的优化会有优势，我也做过这方面的一系列工作。但这些往往是先有现象，再创造理论。我们希望先有理论、能提前预判，但这个难点就比较难形容。

过去十年，AI的数学理论一直是我每天思考的一个问题。我也做高维统计、优化等其他方向，但AI的数学理论是我投入时间最多、产出反而最少的一个方向。十年前我刚做AP，刚接触这个方向，我当时觉得是有希望，那时神经网络也就大概十几层，大家会觉得，它虽然比线性模型、SVM复杂，也没有夸张到完全无法理解。

但大模型的出现，对做AI数学理论的学者，其实是一个比较大的打击——大模型大到一定程度以后，你还能做出一个理论来逼近它吗？难道还可以通过一个多层线性模型来逼近吗？这个信念都已经没有了。

我现在觉得，需要一种fundamentally new的数学思想来理解AI。

传统的机器学习理论，包括传统数学分析，往往是基于线性的方式，比如调和分析，也是把一个复杂函数分解成简单的函数之和。但大模型不是线性的，不同层之间前一个函数依赖于后一个函数，它是函数的复合composition。

现在回想起来，我们所有人都低估了AI的数学复杂度。现在我们每个人面对AI，有点像2000年前亚里士多德对着物理世界——他的智力再高，也没办法想象到真实的空气本质上是原子。

甲小姐：新的数学思想可能长什么样子？一个更深的优化理论，概率框架，还是一些我们可能没想到的东西？

苏炜杰：这超过了我的想象能力。我问过很多纯数的同学，你们的数学能不能跟AI结合？有没有可能解释或者刻画AI？就我了解下来，现在主流数学的各个分支应该是做不到的，AI可能需要一种完全新的数学。

AI和物理有一个本质的区别。物理的微观规律是知道的，从微观到宏观可以推导。当然这个过程难度也很大，有些问题不是数学上可以处理的，但至少计算上是一个从小到大的过程。

但AI不一样，底层没有什么规律，一个参数没什么规律，它的规律在宏观。

比如我们先定义一个宏观的loss function（损失函数），然后通过back propagation（反向传播），再慢慢让它在每一个Neuron（神经元）、每一个位置的权重变化传递，它是从上到下的——物理是从下到上，AI是反着来的。

甲小姐：数学给AI带来的作用，有部分比较容易理解。比如预训练的本质是优化问题，让损失函数最小化，后训练涉及统计学、概率建模和不确定性的处理。你刚才说从宏观到微观的过程，确实AI跟物理不一样，但可能有些地方相似，比如物理学在微观和宏观两个尺度，像高能粒子物理和宇宙学，相对容易被理论解释，但在介观尺度的生物系统解释起来就难度很大。

苏炜杰：你这个观察非常sharp，往往小尺度有基本规律，大尺度有统计物理意义上的规律。所以有一种观点是，模型越大，数学解释越难，但也许到达一定程度以后，我们脱离了介观，可以用一些统计物理或者某些宏观状态去描述它，难度反而下降。这也有可能。

甲小姐：你的工作范畴是在介观尺度？

苏炜杰：倒也没那么悬，我做post training。

甲小姐：我怎么听下来，这个跨尺度的研究问题，应该把邓煜involve进来？

苏炜杰：对，他的获奖工作，本质上就是在研究微观和宏观之间的联系。他的工作很了不起的就是第一次在数学上严格证明了两个不同尺度之间的某些关键联系。

AI也有这种感觉，宏观上我们知道这个模型的表现很好，微观上我们知道这个神经元被激活了，但两个尺度可能差了10的十几次方。这么多尺度怎么联系在一起？确实有一种统计物理的感觉，但是它又是反过来的，统计物理是微观决定了宏观，但AI现在是宏观决定了微观。

甲小姐：邓煜的工作，有没有可能反一个方向过来？

苏炜杰：我也问过他，哈哈哈，他说挺有意思的，我也不知道他后来有没有想过。

甲小姐：这件事情要真的解决，可能宏观、微观、介观，都需要一些理论体系，还要找到它们之间的联系。物理学也是这样一步一步来的，比如说有牛顿定律、相对论等等，分别回答不同尺度的问题，逐渐在过程中建立一些联系。

苏炜杰：对的。

甲小姐：是否有另一种可能，由于AI的某些特征，比如它一直在动态地变，没有相对稳定的观察对象，它可能根本不会像物理学一样？

苏炜杰：这是个好的观点。它确实在变，但现在都是往大的变，所以也有一种收敛，不是实体上的收敛，但方向上慢慢收敛，所以是有一定希望的。现在已经有一些工作在探索微观和宏观的联系。比如Anthropic的mechanistic interpretability，它想研究神经网络的neuron的激活、不同circuit的连接跟模型宏观表现有什么联系，比如是不是哪几个神经元组合被激活了，模型就更容易说谎、欺骗？这方面工作其实就是把宏观和微观联系在一起，但这个联系的难度是指数级的，因为微观组合是指数级别的多。这套工具应用起来还是非常困难，可能还需要其他新的方法。

甲小姐：AI本身也给数学提供了一个非常大、非常有吸引力的研究目标？

苏炜杰：对，是的。AI目前还是一个非常偏经验的学科。大部分判断是先在某一个变量上，觉得它有scale的方式，沿着这个方向继续投入资源，模型能力增加，于是继续加资源，像金融里找Alpha因子，哪个feature能scale就多投入。它还是非常工程的，数学的、定量的参与非常少。但这也是AI的数学理论的潜力。如果未来真能建立这样的理论，很多现在靠大量实验、搜索、试错完成的事情，成本应该可以降低很多。

甲小姐：统计学原来是应用数学的分支，现在它已经变成一个一级学科，它在AI的作用是不是比其他数学方向更大？

苏炜杰：可以这么说。统计学是一个非常有效的方法，它是根据大量数据的规律直接建模，往往不需要知道模型内部的基本机制。

当然，如果机制知道多一点，可以在统计模型上再加一些参数、加一些内容，让它更精确。但如果你知道得很少，也是可以做的。

最简单的例子就是RLHF。AI的偏好模拟也是通过统计的一些模型来表达。但如果有一天，我们真的建立了AI的数学理论，也许我们可以更加直接、定量地解析、刻画AI的很多性质，也许更加直接的数学手段可能会有用。

甲小姐：你之前研究了人类偏好的孔多塞循环——多数人认为A优于B，B优于C，却又认为C优于A。这意味着，对齐不仅仅是数学优化问题，它是一个社会选择或价值选择的问题。

苏炜杰：对，人类内部的偏好本身可能没有办法做到完全一致、自洽。

自然世界的存在本身就是它合理性的最好证明，但AI对人类社会的影响不一样。AI使用的公平性，涉及就业、选拔这些过程，AI的偏好以某种形式传递到人类选择，怎么建立公平性？合理性？这非常重要，但没有一个绝对客观的标准，因为“偏好”不是一个物理存在。

我去年听Geoffrey Hinton讲，他觉得AI safety最终的解决方案是让AI有maternal instinct，让AI有母性，在开发AI的过程中，给它注入一种母性关怀，让它觉得人类是它的孩子，强者无条件保护弱者。这个理论听起来非常自洽，但是它也有个缺陷——哪些孩子呢？世界80多亿人，有一些不可调和的东西，AI把人类当做孩子，但偏好怎么解决？即使不存在一个公认的偏好，怎么从一个相对合理、相对功利性的基础出发，找到一个尽可能多人认可、相对合理的偏好？能不能创造出这样一个机制？这是未来学术圈非常重要的问题。

甲小姐：你曾经说“不确定Transformer是不是现在应该把所有资源都投入进去的架构”。目前有任何迹象表明，底层架构可能会出现颠覆性的改变吗？

苏炜杰：数学圈里的人会容易有这种判断，我们总觉得一个东西的最优点怎么可能这么轻易地被发现呢？理论上，一个东西如果真的是最好，那一定要有个数学定理保证它是最好。但我从来没看到过一个定理说Transformer就是最优的，是吧？这是数学背景带来的判断。

几年前其实还有很多alternative（替代方案），比如RWKV、Mamba。那时大家觉得也许Transformer不是唯一路线，但这几年下来，Transformer的优势反而越来越巩固。

它也有一些所谓的“魔改”，比如MoE，以及Kimi的Attention Residuals，都是围绕现有架构进行的扩展和改进。

我的判断是，要出现一个完全不同的架构，从无到有彻底把Transformer取代掉，概率已经比较小。更可能的路线是Transformer作为一个基础架构长期存在，上面不断出现各种变体和局部改进。

这其实有点像进化论。如果没有6600万年前小行星撞地球，地球肯定还是恐龙的天下，恐龙也会产生智慧。大模型现在已经有进化的趋势了——一旦进入进化论，就是依赖路径的。

甲小姐：一个新物种不一定是理论上上帝设计的最优物种，但是它不可逆？

苏炜杰：对。如果有另外一个平行世界，比如Mamba或另外一个架构先出现，也许大家就在这个架构上不停地魔改魔改，也能达到大家想要的能力。但现在Transformer最早出现，我觉得大概率就是Transformer成为基本架构，在这个基础上有各种变体。

8.选择：“AI跟其他领域比，时间因素更加关键”

甲小姐：你被任命为ICML2026科研诚信主席、2027程序主席，你提出的保序机制被2026年的ICML正式采用，效果怎么样？

苏炜杰：那个方法本身挺简单的，是高中竞赛经常用到的排序不等式，但还挺有用。ICML做了三四年实验，发现ranking跟paper未来的引用率是明显正相关。但还要再等一段时间再看看最终效果，毕竟ICML上个月才刚结束。

甲小姐：ICML今年投稿量比去年增长了百分之六七十。

苏炜杰：比较恐怖的是，它不光指数增长，连指数增长的ratio都在增加。

我们估计明年可能破5万篇。地球上已经找不到足够的审稿人了。即使所有合格的审稿人都愿意给你审稿，也都不够，更何况没这么多人可以为爱发电。论文已经爆炸了，AI参与审稿的趋势不可阻挡。

甲小姐：论文体系本身在遭遇挑战，论文的形式可能过时。你想做的是修补，还是为下一种制度做准备？

苏炜杰：短期内，还是要在已有资源下维持体系，能让人审稿还是希望人来审。但AI辅助比例肯定要提高。

从更久看，在AI加持下，论文形式已经不太适应这个时代了。现在大家读论文往往是间接地读——让AI搜索总结，很少单独拎出一篇来读。以后的论文或者学术成果，可能更多是整个数据库的一个节点。怎么让AI更容易搜索到你的成果，把你的知识转化成数据库的一个节点，这是更重要的问题。以往论文要有标题、摘要、引论、Discussion，完全是为了人读起来方便。以后论文并不一定需要这样的形式。也许以后的学术成果可能更像GitHub repository：论文、数据、算法、代码放在一起。不一定完全是GitHub的形式，但希望有更适合论文发表形式的平台。

甲小姐：从美东回湾区，阔别10年，有什么感觉？

苏炜杰：有些亲切感。2016年离开湾区时大家还讲大数据，现在101、三藩都是铺天盖地的AI广告，公交车上都有。这是湾区独有的特色。

甲小姐：现在工作节奏比美东快吗？

苏炜杰：绝对工作时间差不多。最大区别不是时间长短，是频道切换频率。学校里一天切换五六次——写paper、写proposal、和学生meet、和同事开会。公司相对聚焦一个项目，切换少一些。

甲小姐：2022年SIAM数据科学奖颁奖时，你带孩子去了现场，当时他8岁。你当时说这是让他相信做数学是有趣的一个最好机会。现在你会刻意引导他学数学或者AI吗？

苏炜杰：我没给过他压力，我爸妈也是这么对我的，想怎么样就怎么样，健康就行。

甲小姐：你太太的故事在报道里出现比较少，方便讲讲她吗？

苏炜杰：她是北大外院法语专业，也是专业第一。后来在西非工作过两年，晚两年来美国，在斯坦福读了统计Master。我导师Emmanuel Candès还帮她写信，我一直非常感谢他。

甲小姐：我们最近在盘点AI浪潮中的北大人，北大人之于AI，有什么特征？

苏炜杰：北大人总能把北大精神融合到各行各业。北大在AI方面有大量的人才，比如千问的前负责人。我相信未来会越来越多，只要北大人愿意瞄准一个靶子，都可以做得非常好。

甲小姐：OpenAI内部有多少北大人？

苏炜杰：北大人有一个小群，好像有二十几个吧，也有些同学还没加入。我们点对点会聊聊，但一起聚的情况跟隔壁还是不一样的，哈哈。

甲小姐：假设时间回到2007年，重来一遍，你会改变哪些关键选择？

苏炜杰：如果可以穿越，也许当初AI这个点可以踩得更早。AI跟其他领域比，时间因素更加关键。很多领域，做到什么程度，更多取决于你的个人气质和能力。但AI领域，参与早晚还是会决定你的高度。

甲小姐：姚顺宇也说，AI不是个人英雄主义，是集体英雄主义。

苏炜杰：早期还是有点个人英雄主义，Ilya就是——他很早相信Scaling，把这条路push成功。但现在每个公司几百上千人，全世界从事AI的至少上百万，已经是集体主义了。

甲小姐：多年以后，2026年会被认为是AI史、数学史、科学史上的一个什么样的节点？

苏炜杰：我觉得这个节点是哲学的。

过去两千多年，人类经历宗教世界观、文艺复兴、启蒙时代，人的主体性一直在提高——人逐渐脱离神学、脱离封建皇权，人的独立性、重要性不断增加。

但2026年，这种信念出现了一点松动。2025年大部分人可能还没那么明显体会，2026年越来越多人开始感觉到：人类的智能好像并不是唯一的。

从哲学上，这会逼着我们重新回答一些很基本的问题：智慧对于人类意味着什么？人类之所以是人类，是因为智慧吗？当AI智慧超过人类，什么是人类的主体性和价值？

这很像16世纪哥白尼提出日心论。那之后，大家才认识到，原来我们的地球不是中心，我们人也不是中心。

AI可能多少有一种类似的意味，我个人有一种地心论被日心论取代的历史相似感。

（封面图来源：甲子光年）

END.