洪樂潼談AI數學家:從可檢查的證明,到能提出問題的系統
- 講者
- 洪樂潼
- 來源
- 小宇宙
- 原片日期
- 筆記日期
- 閱讀時間
- 約 25 分鐘
本文有 22 個章節
數學題做得好,和能不能成為一個數學家,是兩個不同的問題。一個系統可能很會套用方法,卻不知道哪個問題值得研究;也可能寫出看似漂亮的推理,實際上偷換了定義。AI數學公司Axiom創辦人兼CEO洪樂潼的做法建立在一個區別上:找出一條證明需要探索,檢查一條已經完整寫好的證明則可以交給規則明確的系統。Axiom把這兩件事接在一起,希望保留AI提出想法的自由,又讓最後交出的結果有一道不靠語氣與文采判斷的檢查,並逐漸走向能提出猜想、累積知識、自己改進的完整系統。
數學的美,不只在答案,也在不同世界突然接起來
洪樂潼印象深刻的數學經驗,不一定是自己解出一道難題。她看到模形式與橢圓曲線之間的聯繫,或看到概率與物理之間的關係,也會有被數學打中的感覺。看似分開的領域,原來可以從另一個方向理解,這比一道題目的分數更吸引她。
她把數學理解成一套人類共同搭建的文明:先接受一些公理,再在上面建立定義、定理與證明。有的人在意用最少的假設表達最多的事情,有的人在意這套安排是否自然、有意思。數學因此不只是把既有題目做出來,也包括觀察例子、提出問題,以及創造能讓後續推理更容易進行的概念。
這也是「數學究竟被發現還是被創造」不容易回答的原因。有相近訓練的數學家,往往共享對什麼自然、什麼優美的感覺;拉馬努金帶來的直覺,卻可能超出原來的共同語言。證明在這裡不只是考試要求,還是一種讓不同學派能接受同一個結果的辦法。她談到張益唐的工作時,重點也不是不同做法必須長得一樣,而是即使方法陌生,仍可以先判斷推理是否成立,再互相學習、比較與簡化。
蠻力與直覺,不一定由同一種模型提供
她反覆說自己不是天賦型選手,這是她長期看待自己的方式。小時候做幾何題,她不容易直接看出圖形的巧妙關係,便用複數等代數方法把點與線轉成可以計算的符號。這條路可能比別人多花兩三倍時間,也擠壓其他題目的作答時間,但至少讓她有路可走。
她用這段經驗理解AI。有人看到圖,就知道該怎麼解;有的AI則會寫出大量程式,逐項分類、逐步推進。她回憶,團隊討論一題普特南數學競賽題時,Evan Chen畫出一張圖,大家很快理解了解法;系統卻走出另一條路,寫了數千行Lean(一種可以表達數學命題並檢查證明的程式語言)程式。這個對照不是說機器已經具有同樣的直覺,而是不同方法可能抵達同一個可成立的結果。
她描述Axiom的系統裡,有的模型擅長先列出大方向,有的模型則擅長在Lean裡一步一步補足細節。這些小步驟常由tactic(推進證明的一項指令或策略)完成。不是先選「直覺派」還是「蠻力派」,而是讓它們在同一個系統裡互補。
她也提醒,自動定理證明不是有了深度學習才出現。早已有研究者用規則系統找證明,或由人與電腦互動,把證明寫完整。現在的一個改變,是把原來需要人反覆操作的部分交給AI,而不是憑空創造了整個學科。
從排名的遊戲,走到可以一起搭建的數學
她在廣州長大,早期參加數學競賽。訓練環境有清楚的名次、分班與升降,連教室所在樓層都能讓孩子感到自己處在哪裡。同一群朋友要參加同一場考試,友誼與競爭很難完全分開。
初中開始讀高等數學後,她發現了另一種遊戲。競賽有考綱、有期限,也有別人與自己爭取的有限位置;新概念卻可以不斷接上舊概念,不必每一次都回到同一張排名表。她仍要參賽,也會短期集中準備,但開始不願意把全部興趣交給名次。她甚至會先做試卷最後那道最喜歡的數論題,明知這不是爭取高分的好策略。
她和三到五個朋友玩過走馬步的棋盤遊戲:每到一格寫下一個數字,設法不重複地走過更多格子。後來問題從誰走得遠,變成能不能為不同大小的棋盤建立構造。他們一起找基礎例子,課上傳的紙條也變成棋盤。這是當時的共同探索,他們提出的仍是猜想,不是已證明的定理。
這段經驗讓她對大型形式化項目特別有感。把一個很大的證明拆成許多小任務,再讓不同人各自完成,比「一位天才獨力解決一切」更像軟體工程。共同搭建不只降低個人負擔,也改變了參與者之間的關係。
失敗是預設,不代表不需要重新補基本功
到了麻省理工學院,她身邊有許多自己從小就聽過名字的競賽選手。她的自述不是突然獲得自信,而是預期自己會是最不聰明的那一個,反而很珍惜能和他們上課、做作業的機會。她也曾花半年研究教授給的問題,持續回報試過哪些方向、哪裡失敗,並沒有得到漂亮結果。
她一度以為自己的數學不如同學,以後可能做量化金融,連大一暑假實習也已安排好。後來Ken Ono主持的本科研究項目把她從候補名單錄取,她最後選擇先做數學研究,畢業那年才去金融公司實習。她把這段選擇講成一次珍貴的機會,不是早已確信自己會成為研究者。
第一學期有成績保護,她和幾個朋友大膽選了一門博士概率論。以為會計算一些更難的概率,第一堂卻從測度論開始,連前置知識都不夠。她回憶一場滿分40分的考試,班平均約9分,自己約4分。
重要的不是把低分美化成天賦。她發現分析基礎不足,便回頭重學實分析;幾個同伴也討論要一起退課,還是繼續,最後選擇留下。她當時的獎勵很大一部分來自戰友情誼:不是我一個人在失敗,而是一群人仍願意把難的東西學下去。
她也提到曾短期刷完75套競賽卷,最後仍未入選。榮譽與失敗在她身上一直並存。談到後來的本科研究獎項,她反而強調教授的提名、推薦與鼓勵,以及同一群優秀學生之間評選結果的偶然性,不把得獎解釋成自己必然比所有人更強。
自由注意力,不是把每一天排得更滿
她用兩個概念說明創作與執行的差別。被框住的注意力,是郵件、期限與必須完成的工作;自由注意力,則是沒有立刻交差壓力時,思緒能自己走到別處的空間。小時候步行上學、想題想到走錯路,就是她懷念的一種狀態。
她最初創業時,也希望每天完成更多工作。後來發現,如果一切都像軍訓,只看執行量,可能失去更重要的判斷與新想法。自由思考卻不是投入一小時就能按比例收穫靈感:有時當下沒有結果,反而在之後做無聊工作時,突然接回先前留下的線索。
她沒有給出適用所有人的時間配比。她把前瞻、執行與溝通銷售看成不同長處,認為團隊既需要互補者,也需要思考方式相近的人。她對知名企業家的分類,也是自己的觀察。
疫情使原來的小團體散開後,她開始學習從難題本身獲得快樂。她也說自己對艱難過程有點上癮,同時承認這未必健康。談到領導力,她更接近服務者的形象:不是走在最前面拿喇叭,而是讓同行的人能繼續往前走。
神經科學與法律,最後把她帶回可精確表達的問題
她本科讀數學與物理,後來在牛津接觸神經科學。原本希望理解人腦,實際遇到動物實驗後,更傾向計算神經科學。她的研究興趣逐漸走向AI,甚至需要和老師一起把充滿AI內容的碩士論文重新連回神經科學問題。
法律則提供另一條線索。她原本喜歡辯論,對訴訟與憲法解釋感興趣。訪談區分幾種解讀方式:重視制定者原意、重視文本本身,或讓憲法意義隨時代與政策需要演變。她當時偏向從文字出發,也看到有人嘗試用語言模型研究法律文本的意義。
這讓她反問:如果AI能處理這些結構較清楚的法律問題,為什麼不能做數學?朋友早已向她介紹Lean與Mathlib。Mathlib可以理解成Lean社群累積的數學定義與定理庫;不是只有一個模型,還得有人把基本概念一項項建起來。
她在量化公司的經驗,又讓她直接感到運算資源對研究能做什麼的影響。真正的轉折,不是跨了多少學科便自然產生創業點子,而是她把喜歡的數學、可以機器檢查的表示方式,以及能動手訓練和搭建系統的條件,逐漸接成了同一件事。
先讀到可以自己判斷,再決定向別人要錢
她不是先想當CEO,再找一個AI題目。她原本很嚮往學術環境,甚至對辭學創業有排斥。她也曾問另一家做AI數學的公司是否招人,因為如果能加入別人,就不一定需要自己從零開始。她轉述對方的回答是只招計算機背景博士;這是一次求職接觸的說法。
真正讓她開始認真考慮創業的,是大量閱讀。她把一份AI數學資料清單裡數百篇文章的摘要讀過,對有意思的工作再讀全文;後來讀一篇綜述,又沿著引用補上原來沒看到的半張地圖。她和日後的聯合創辦人不斷討論,用自己的語言把技術路徑重新講明白,再想如果要真的搭起來,需要哪些步驟。
她當時形成的判斷,是這件事已從研究問題變成工程問題。對她而言,這至少讓自己能負責任地說明:為什麼值得做、已知做法有哪些、難點在哪裡,而不是自己也不相信,卻先向投資人承諾。
兩人最早在咖啡館認識,起初甚至不知道彼此完整的工作背景。長時間談科學與歷史,才逐漸發現既相似又互補。兩個平常不喜歡長時間視訊會議的人,讀文獻卻能聊四五個小時。這種實際相處,比先替對方填上一個共同創辦人的職稱更早。
她也把這段經驗放回更長的技術史:規則式證明、形式化語言、早期模型與後訓練研究,並不是突然在同一年誕生。她想做的是在資金與工程條件較完整的地方,把散在不同領域的做法接起來,而不是宣稱每一項技術都由自己發明。
融資不只是把估值拉高,還有誰能一起承擔不確定
第一輪融資過程中,她一邊上課、做研究,一邊接觸投資人、招人,甚至到討論投資文件時,才發現公司還沒有正式設立。她先確定工作身分與簽證,之後才離開學校,並非一句「決定創業」就能立刻完成所有轉換。
依她回憶,早期不同領投方案使估值提高,但第一份方案要稀釋約一半股權,她不能接受。後來真正打動她的,還包括能理解技術、甚至比她更樂觀地討論可能用途的人。她特別談到Howard Morgan,以及他在數學、量化投資與創業投資間的經驗如何讓對話變得不同。她當時甚至沒有確定第一個市場是什麼;即使自己做過量化交易,也不把它直接當成公司的最終商業模式。她也坦承,投資人若習慣把創辦人的樂觀打折,自己把風險講得很保守,未必就會被完整理解。
她自述種子輪以約3億美元估值募得6400萬美元;後來的A輪估值約16億美元,募得至少2億美元。
她不喜歡反覆向不同人講同一套故事,卻也承認融資讓自己遇到少數真正有意思的對話。後一輪有既有投資人提前提出投資意向,希望在她還沒有正式募資時先定下來;她最後仍比較不同方案,並讓原先支持者繼續參與。她說A輪領投方Menlo Ventures的投資人,從種子輪起便提供幫助,也有技術與經營背景;她同時把團隊執行速度視為得到支持的原因。投資人本人怎麼看出資原因,訪談沒有交代。她的選擇也因此不只是比較數字,還涉及技術理解、長期支持與交易條件。
年輕在她看來也不只有好處。做深科技,需要反覆在很短時間內作出代價很大的決定,卻沒有足夠經驗保證自己看得完整。等待更多資訊,可能只讓自己更安心,不一定改變決策品質,卻會增加錯過機會的風險。她用第一次高空滑索前遲疑、最後仍必須踏出去的經驗作比喻。
招來的不只是數學家,而是願意改變工作方式的人
她描述團隊有三類重要能力:AI訓練與智能體、程式語言與編譯器,以及數學與形式化工具。即使最後要解的是數學題,也不代表多招數學家就能解決全部問題。模型需要資料,資料需要能大量產生與整理的方法,系統也需要工具、基礎設施和完整的工程能力。她特別舉出程式語言團隊的作用:生成資料、修復錯誤、分類失敗,比只請專家手寫,更可能大量補上稀少的Lean資料。不同專業不是裝飾,而是能從不同方向處理同一個瓶頸。
她曾受早期AI團隊不依賴傳統領域專家的故事影響,想延後大量招聘數學家。後來真正的區別,卻不是要不要專家,而是專家是否願意接受新的做法。有人重視手工推理,不願意處理大規模資料;她希望加入的人能同時理解數學,又願意讓系統在大量嘗試中學習。
數學家還有另一項任務:專門找系統的弱點,設計能難倒它的題。Ken Ono加入後,建立更好的題目與基準測試,是她認為很重要的工作。不是讓專家替系統寫更多稱讚,而是讓他們從相反方向逼出尚未解決的能力。
她談起幾位資深研究者加入,往往不是自己設計了一套說服術,而是持續一起談問題、報告進度,等對方決定是否願意承擔風險。對Ken Ono為什麼最後選擇Axiom,她提到數學氛圍、熟悉的合作者,以及能一起討論問題的社群;至於他與其他公司的接觸及動機,是她的回憶與推測。
普特南滿分的故事,不能省略題目如何進入系統
她回憶2025年12月的普特南數學競賽,團隊拿到當天試題後,先把題目轉成形式化命題,再交給Axiom的證明系統。上午六題、下午六題;她說最後十二題都完成,對應120分。這是團隊自述的系統表現,不是把AI登記成正式人類參賽者後取得的名次。
過程裡有一個容易被「滿分」遮住的細節。若題目要求證明一個已寫出的命題,可以直接形式化;若題目要求先求出某個數值,團隊當時以為要先由人算出答案,再把答案放進命題裡證明。原以為這類題不會太多,上午卻遇到四題需要求解,使擅長競賽解題的人特別忙。
她後來說,系統裡的自然語言模型其實也能先求出這些答案,人類不一定必須完成那一步。但這是後來的發現;當天的流程並非完全沒有人參與,題目轉換、初期求解與形式化證明是三個分開的環節。
她喜歡Axiom這個名字,也與這套方法有關:從有限的公理往上搭出更多結果。她理想中的成果,不只是一張競賽成績單,而是把稀少的數學推理能力變成更充足的資源,讓研究者與應用科學家都能取得原本找不到人協助的推理。
她也用純數學與應用數學的關係說明這件事:今天看不見直接用途的理論,可能在別的領域變成關鍵工具。她提到初等數論與神經科學、微分方程與法律經濟,以及純數學與密碼學的連結,重點不是替每個理論立即算出市場價值,而是不要把整個生態只留下當下看來有用的一端。
押系統,不只押一個更大的模型
Axiom不把自己定義成只訓練一個模型的公司。她描述一種常見做法:拿已有的開源模型,再針對數學與Lean做後訓練,把不同能力的模型放進系統,連上工具、搜尋與驗證程序。
資料與工具都不現成。網路上的Lean資料遠少於常見程式語言,難以直接照搬大量自然語言資料的訓練方式。Lean本身又有嚴格的結構與限制。系統不只要把程式寫到能執行,還要確定沒有靠新增不合理假設,偷偷把原來要證的問題變簡單。
她舉例,若先假設一條會讓算術失真的公理,再「證明」原本不成立的結論,形式上得到結果也沒有意義。因此,找證明和檢查它依賴哪些前提,是兩項不同的工作。團隊還得自行改善速度與工具,不能假定所有現成方法在成本上都適合。她自述團隊很快從競賽走到三四個研究問題,也承認壓縮進度留下了要補的基礎設施工作。這些研究結果在訪談裡沒有獨立重現的佐證。
她的原則是先用最便宜、最確定的方法處理能處理的部分,再讓昂貴的模型探索剩下的問題。Lean社群的自動化工具有時已能直接解掉一題,這種情況不應把結果全部歸功於AI。她談到曾想贊助社群工具、卻因對方人力不足而未能促成的經驗,也說明錢不是每一項工具都能立即長出來的條件。
列提綱、補證明、累積經驗,是一條有分工的路
她介紹一種先列思路、再轉成形式化骨架、最後填補證明細節的工作方式。自然語言模型先給大方向,形式化模型把它變成Lean可以處理的結構,再由AI或規則工具把中間尚未完成的地方補上。Lean裡的sorry可以暫時標出未證明之處;留下這個洞,不等於已經完成證明。
搜尋的設計同樣重要。她覺得某些傳統搜尋方法成本太高,便探索讓不同子智能體分工處理局部任務;它們不必每次從頭亂試,而能運用先前留下的工具與技能。
這讓「從經驗學習」變得具體:一次找證明的過程,包含哪些步驟可行、哪些方向失敗,之後可以成為資料,或成為下次能直接用的技能。她希望今天證出的結果能進入明天的工具與知識。這是系統持續改進的目標,訪談沒有展示一個已能無限自我提升的成品。
她也報告團隊在一項程式驗證測試取得約98.93%的表現,並以較舊版本的DeepSeek Prover約11%作比較。訪談沒有提供足以重現比較的完整版本、測試條件與獨立結果;她用這個數字說明團隊為何重視從數學到程式驗證的遷移,它不表示所有程式都已接近百分之百可靠。
她還提出一個可能的原因:若程式用Python寫、證明用自然語言寫,訓練時要同時顧到兩種不同目標;若把生成與證明接進更一致、可以檢查的表示方式,可能更容易一邊生成、一邊檢查。前述分數本身不足以證明這個因果。
證明家、猜想家與知識庫,少一個都不完整
在她的圖像裡,AI數學不只有證明家。還需要猜想家提出值得證明的問題,需要知識庫記住已知定義與結果,也需要在自然語言與形式化表示之間轉換的能力,讓這些部分真的接得上。
證明家相對容易取得回饋:在既定前提與檢查規則下,某條證明是否成立,可以得到明確結果。猜想家難得多。它可以提出一個正確卻毫無意思的命題,讓系統很快證完,看起來成功率很高,卻沒有研究價值。
她談到有研究用命題與證明的長度來篩選是否優雅,但認為這在更高階數學裡太粗糙。短不一定重要,長也不一定沒價值;在高中數學資料上有效的做法,未必能延伸到研究級問題。
提出新猜想也不一定只靠文字。她提到另一條路,是先生成或改動圖等數學物件,觀察例子、反例與局部或整體變化,再試著提煉規律。自然語言有助於提出方向,形式化系統有助於收緊條件,兩者之間可以來回,但探索並不只有一種入口。
人類數學家因而不只負責寫證明,還要判斷哪些問題重要、哪些問題相互連結。若算力有限,這更像資源分配:應該把大量運算花在哪裡?若資源充足,她想像的則是更廣泛地探索。她用蛋白質結構研究的故事作比喻,但不是主張數學問題有限、可以列成一張清單後全部算完。
最容易被低估的工程,是把一篇數學文章真正變成Lean
自動形式化不是把英文翻成另一種日常語言。自然語言數學文章會省略大量讀者熟悉的步驟,定義也可能分散在其他文獻。把二十頁文章轉成機器可接手的小任務,可能需要先展開成數百頁的細部藍圖,才能逐一形式化。
藍圖不只切段,還得辨認哪些是定義、哪些是命題、哪一步用到哪個已知結果。如果拆得太粗,後面沒有人或模型能把缺口補起來;拆錯,甚至可能證了另一件事。她認為這一步至少和找證明一樣難,卻較少得到競賽成績那樣的關注。
知識庫因此必須能搜尋:有哪些東西已經證過,哪些還沒有?若找到反例,也可能直接知道命題不成立。反方向把Lean轉回自然語言較容易,但還要確認沒有改變意思。她提到來回轉換、比較結果的一致性作檢查;這是所用的方法之一,單靠翻回去不能保證完全忠實。
形式化也不是把數學和自然語言徹底分家。像代數幾何中的術語,在一般英語有另一種意思。自然語言擅長表達直覺、意圖與粗略方向,Lean擅長把可檢查的條件寫明白;她想結合兩者,而不是要求所有思考都只能留在其中一邊。
程式跑出答案,和程式符合要求,仍是兩件事
她區分編碼與數學的用途:程式可以算出輸出,數學可以幫助證明它具有某種性質。今天用測試案例抽查輸入與輸出,她希望未來能同時產生程式與符合要求的證明,減少只憑少數測試就信任整個系統的情況。
但她也承認,真正卡住的可能不再是找證明,而是把使用者需求寫成精確規格。人說「幫我排序」不等於所有要求已清楚,還得把輸入、輸出與預期性質變成機器可以處理的命題。測試案例在這裡仍有作用,能幫助判斷轉換後的規格是否接近原意。
她在訪談中說「任何能定義的都能證明」,這是公司的遠期願景,不是一項已成立的數學定理。她緊接著舉出的限制說明了距離:某些研究題連定義都還沒有進入Mathlib;浮點數相關任務也仍然困難。Axiom想做的是證明這一環,並未宣稱需求理解、所有驗證條件與所有實際系統問題都已解決。
補充背景: Lean官方說明把形式化驗證界定為:用精確數學描述系統,證明它符合指定規格。證明仍依賴所採用的定義、公理與邏輯規則。因而「Lean接受了一條證明」不等於「自然語言需求一定寫對了」,也不等於「現實系統任何情境都安全」。這個區別是理解訪談中「正確」與「消除幻覺」的必要邊界。Lean官方導論與公理說明可參照。
第一個市場偏向驗證,還不是每個人的萬用數學助手
她看好晶片與程式驗證,是因為某些錯誤代價高,而現有工作又昂貴、仰賴專家。她以大型企業長年投入大量證明程式的案例說明痛點;這些投入數量與商業機會是她在訪談中的引述,不是已確認的客戶需求或訂單。
主持人追問,一般人是否也能像使用編程工具一樣,突然開始做高等數學。她的回答在更具體的地方:即使不是硬體專家,工程師也可能借助形式化工具證明某些晶片性質;更廣泛的程式工作,也可能受益於能附帶證明的函數。但不是每個人都有同樣需求,專業市場的痛點可能先更強。
她希望在繼續推進技術的同時,開始小規模探索商業用途,尤其注意系統做不到哪些事情。對她而言,解決一個有意義的失敗,可能比展示許多簡單成功更有價值。這還不是一套已確定的定價、產品與交付時程。
不會先變成全能AI,而是先向一個方向走得很遠
她用盤子比喻不同智能任務。盤子中央是簡單的加法與打印文字,外緣有解重大數學猜想、治療疾病與寫出頂尖文學作品等超人類目標。有些公司想讓能力的圓圈整體擴大;她想先朝數學的外緣前進,再向程式驗證、物理等鄰近方向展開一個扇形。
這就是她在這場談話裡所說的ASI:偏向專門領域的超級智能,而不是宣稱已涵蓋所有人類任務。她不認為數學進步一定會同速轉成良好的日常對話,甚至觀察到數學模型有時不太會聊天。從數學到程式生成與驗證較有希望,跨到所有智能則更慢,也未必戲劇化。
她想探索的下一步,是那些沒有現成形式化基礎的研究領域。若只在已有定義與熟悉題型上得高分,並不能說明換個分布還行不行。她希望系統面對新領域仍能工作,而不只是成為某一類幾何題的引擎。
這又帶回最難的一件事:能否自己建立新的定義與定理庫?一條證明有明確檢查結果,一個新定義卻不容易用同樣方式評價。它是否忠於原來的人類概念?新引入的概念會不會讓後面的工作失去原意,甚至和其他設定發生矛盾?這些都是她尚未解決的研究問題。
自我改進的想像,要等猜想與轉換能力一起補上
她相信數學、程式與真實世界實驗,可以構成不同層次的回饋。數學與程式先提供較快、較清楚的檢查環境;科學公司若要進入濕實驗室,還要承擔設備、材料與實驗週期。Axiom當時的選擇,是先留在數位世界,協助他們處理理論或程式問題,而不是自己做所有實驗。
她很期待猜想與證明互相推進:證明家越強,就能替猜想家提供更多回饋;新知識又成為後續資料與工具,形成向上的循環。但當早期實驗失敗,團隊甚至不容易分清,是猜想不好,還是證明家還不夠強。因此她把自動形式化列為更靠前的工作,沒有讓全公司立刻一起衝猜想。
她對持續學習、多模態推理、子智能體分工與形式化工具作訓練回饋,都有樂觀預期。談到像拉馬努金那樣提出全新方法的直覺,她給出的卻是五到十年的可能尺度,並承認只做後訓練未必能產生那類能力。這些是她在2026年訪談時的研究押注,不是已完成的結果。
年輕CEO的一次隨口提議,也會變成別人的優先工作
她不覺得自己最舒服的角色是CEO,反而喜歡當能提出不成熟問題的研究實習生。有一次,她想做一份博士級數學基準測試,便找幾位有數學背景的同事,說每人找二三十題,當成一個有意思的小項目。
後來資深工程師提醒:她是CEO,年輕工程師與實習生會把這當成重要任務,即使她自己以為只是業餘興趣。這和團隊原來的優先順序相衝。她因此更注意不要隨手干預,把很多具體技術判斷留給負責的人。
這個故事比「由下而上的文化」更具體。她說技術人員是公司的主幹,自己不在每一項細節上都有強烈既定答案,反而讓不同想法有機會長出來。但她也不能假裝自己還是一位普通研究者;同一句話從CEO口中說出,對別人的含義已經不同。
她描述公司沿襲早期成員熟悉的Facebook工作方式;她對那家公司文化的評價出自個人經驗。Axiom選會議室名字也很能反映這群人的興趣:大家在意的不是只選最喜歡的人,還希望有跨領域的數學家,呼應不想困在單一題型的方向。只有幾間會議室,當然容不下所有人的偶像。
使命、公司與人的責任,不能只靠樂觀調和
她最大的焦慮,是執行越多,學習越少;想動得快,又怕急著動,反而犯下方向性的錯誤。公司拿到更多資源,也意味著更多期待。研究與工程如何分配,商業探索做多少,都不能靠「長期主義」一句話取消。
她承認公司不是純科學項目:對早期團隊與員工負有責任,必須能活下去;同時又不能因為一味追逐眼前商業化,丟掉最初要做的難事。她把成功或失敗看得很兩極,也想像若這條路失敗,自己可能回到神經科學等其他研究;這是她自己的風險觀。
當事情與人衝突,她舉出團隊確實曾讓實習生離開。她說這種決定要收起平時的樂觀,慎重考慮對人的責任;也要回看,是否更早的管理決策把事情一步步推到這裡。她用authorship表達這種態度:不把當下局面當作完全與自己無關的外力,仍要追問自己能改變哪些條件。
對新研究公司的浪潮,她也沒有只說好奇心一定值得被資助。退休資金經過多層投資,最後承擔登月項目的風險,是否負責任,是她認為公平的質疑。她希望看到的不是每個人為了虛榮各立山頭,而是真正能把不同背景與技能聚在一起的團隊。
競爭提高了速度,也可能擠掉需要較長時間的研究
她相信小公司仍有機會,理由之一是每一份資源能換來多少創新,以及足夠高的人才密度。但她也承認,資源總量不是自己能和大型實驗室相比的。她舉早期OpenAI作比喻,最後說「總有辦法」是一種信念,不是她能證明的結論。
競爭同時有兩面。它促使好的、能快速確認有效的做法迅速擴大,短時間推高能力;但需要更久才能看見結果的方向,可能沒有被走下去。她把新研究公司的出現,理解成有些人不願意放棄長期好奇心,於是換個環境繼續試。
她希望Axiom能在數學之外帶來更廣的科學探索,也承認即使最後是別人先做成,仍是一件好事。對中國AI團隊,她肯定執行與研究能力,期待技術想法有更多流通;對公司內部未公開的安排與未來中美角色,她沒有給出足以確認的答案。
假如證明變得充足,數學家的生活會消失嗎
她起初也擔心,若AI能迅速完成大量證明,數學家之間珍貴的合作與文化是否會消失。她想到曾參加的數學家生日學術聚會:學生與合作者輪流講述對方的工作,知識與人生關係交織在一起。這不是一份答案生成器可以完整替代的經驗。
她後來傾向相信,更多證明會帶來更多好奇心。即使AI交出一百萬行Lean,人仍會想知道到底怎麼做到,再提出下一個問題。熟練運用一套工具,與發明一套此前沒有的方法,也不是同一種直覺。她期待機器先承擔前者,未來再試著碰後者。
最後一個思想實驗,把整場談話繞回公理:若AI使用一條人類原本沒有的公理,得到重大結果,人會接受嗎?她一方面談到系統可能藉不當假設作弊;另一方面也認為,數學社群可以探索不同公理下的世界。接受新公理後成立,和在原來前提下證出來,仍然是不同的主張,不能把兩者混在一起報成功。
她也談到16歲時對真理與發現的嚮往,以及創業前晨跑經過教堂時,一種近乎精神性的觸動:如果能把一個人一生留下的數學成果擴大許多倍,是否值得去做?她同時承認,既希望這件事發生,又希望由自己的公司做成,裡面也有個人的雄心。
她最想保留的身分不是天才或CEO,而是學徒。她談《紅樓夢》、數學書與企業家的艱難經驗,也說最快樂的幾個月,是密集讀AI數學文章、和朋友一起把想法弄明白。如今那些文章的作者成了同事,日復一日的執行仍辛苦,但與新同伴重新對上思考的頻率,讓她感到原來的好奇心還在。
她在結尾把自己的押注說得很清楚:不是只押某一個模型,而是押系統如何組織模型、工具、驗證與經驗。即使做出會自我改進的能力,下一步怎麼進入真實工作,也仍是問題。數學家早就在自然語言裡做精密推理;現在把這些推理接上可執行、可檢查的表示方式,究竟能打開多少原來到不了的地方,是這場談話留下的方向,而不是已經交付的終點。
她最後還把世界想像成高維幾何空間,問只依賴文字預測的模型究竟探索了哪些地方,又把哪些結構壓平了。這是她用來思考學習方式的比喻,訪談沒有由此給出一套新的模型設計。