Terence Tao – 深度访谈

访谈以开普勒发现行星运动定律的历史展开。陶哲轩回顾了哥白尼的日心说、开普勒早期相信柏拉图立体能解释行星轨道比例，以及他如何依赖第谷·布拉赫多年裸眼观测所得的高质量数据。开普勒最初的优美理论与数据不符，但他持续多年分析，最终发现行星轨道是椭圆，并总结出面积定律和周期与距离关系的第三定律。不过这些定律当时只是经验规律，直到牛顿才给出统一解释。

主持人提出开普勒像一个“高温 LLM”：不断尝试随机关系，只要有可靠数据可验证，就可能发现有价值的经验规律。陶哲轩回应说，科学发现并不只是灵光一现，而包括选题、收集数据、分析策略、提出假设、验证和解释等多个环节。传统叙事偏爱天才式想法，但开普勒的成功同样离不开第谷比前人精确十倍的数据。陶进一步指出，现代科学已从理论与实验扩展到数值模拟和大数据时代，许多进展开始由大规模数据分析先行。

主持人继续比较第谷数据与现代仿真数据集，认为开普勒是在数据约束下反复尝试才得到经验规律。陶哲轩强调，开普勒第三定律类似现代回归：他用约六个行星数据点拟合出周期与距离的平方—立方关系，但样本很少，因此带有幸运成分。陶以博德定律为反例：它也从行星距离中拟合出规律，并曾因天王星和谷神星而看似成功，但海王星发现后偏离严重，说明少量数据很容易产生数值巧合。

主持人追问未来若有数百万乃至数十亿 AI 科学家寻找经验规律，是否会推动科学突破。陶哲轩回答说，AI 已把生成想法的成本几乎降到零，就像互联网把交流成本降到近乎为零。但这并不自动创造丰富成果，因为瓶颈转向验证、评估和筛选。过去同行评议体系像一道墙，用来过滤低质量理论；如今 AI 生成内容大量涌入期刊，人类审稿已被压垮，科学制度必须重新适应规模化验证的需求。

主持人提出，当未来 AI 产出海量论文时，如何识别类似“比特”这样能统一多个领域的概念。陶哲轩认为，许多伟大想法最初并未被高度评价，而是经过其他科学家继续发展和应用后才显现价值。深度学习、二进制计算、Transformer 等例子说明，某个范式成为标准并非完全由内在优越性决定，也与历史路径、文化采纳和社会惯性有关。因此，一个科学成果的价值不能脱离过去和未来的背景被孤立评分。

两人讨论科学史中新理论的早期困境。主持人指出，日心说曾因恒星视差问题显得荒谬，牛顿引力也因超距作用和质量等价问题受到质疑。陶哲轩补充说，正确理论在早期往往只是部分解决方案，看起来可能不如已被长期修补的错误理论完整；例如哥白尼体系最初精度不如托勒密体系，直到开普勒才改善。重大进步有时不是增加理论，而是删除根深蒂固的假设，例如物体天然静止、地球不动、物种静态等观念。

陶哲轩把当前 AI 冲击称为认知层面的哥白尼革命：过去人们把人类智能视为宇宙中心，如今却看到存在不同类型的智能，各自有不同强弱项。这迫使人们重新排序哪些任务真正需要智能、哪些并不需要。随后主持人借达尔文与牛顿对比，指出自然选择概念似乎更简单却更晚出现，原因可能在于其证据是累积和回顾性的，不像牛顿力学那样能形成紧密数据验证环路。因此，可验证性会影响科学进步速度。