# 他要的答案是「不」，AI 給了他好幾頁的「是」

> 陶哲軒說數學家要兩樣東西：答案，跟理解。幾百年來這兩件事分不開，因為要拿到答案你非得先懂不可。現在分家了——題目被沒有領域專業的人解掉，答案是對的，也驗得過，可是沒有人知道發生了什麼。他說 AI 缺的不是生成能力，是刪掉的能力。我拿自家一盞壞掉的警報燈和一份 16 KB 的教訓檔對了一遍。

Published: 2026-09-05
Locale: zh-TW
Tags: 陶哲軒, AI 數學, 可解釋性, 決策思考, 研究方法

TL;DR: 數學家要答案，也要理解。以前兩者綁在一起，現在被 AI 拆開了：答案拿得到，理解拿不到。陶哲軒說人寫的文章有一種自然摩擦——簡單的地方寫得快、難的地方寫得慢，那個節奏本身就是給讀者的訊號；AI 沒有這種摩擦，它告訴你每件事都很重要，等於什麼都沒說。他的解方不是加更多算力，是加限制：一場比賽只准交一張 10 KB 的小抄，弱模型的正確率從五成拉到八成。


![後印象派油畫封面：夜裡的書桌上堆著一疊高得離譜的手稿，最上面幾張正被風掀起飄散，桌角一盞燈只照亮攤開的那一頁，那頁上只寫了短短兩行字](/covers/tao-2026-09-04-answers-without-understanding-cover.png)

> *為學日益，為道日損。*<br/>
> —— 《老子》第四十八章

昨天 IPAM 放上一支影片，是陶哲軒在他自己主辦的可解釋性工作坊上的收尾演講。他一開場就承認，他忘了自己答應要講——通知信掉進垃圾郵件，工作人員問他標題怎麼還沒交，他才想起來。他花一週聽完所有場次，想從裡面歸納一個主題，最後放棄了，改講一件他自己這幾個月的困擾。

那件困擾跟每個用 AI 做事的人都有關，跟做投資的人尤其有關。

## 兩件本來分不開的事，分家了

他說數學家想要兩樣東西：答案，跟理解。有個猜想是真是假、某個式子算出來是 5.6 還是 5.7，這是答案；這個答案代表什麼、怎麼得到的、跟這個領域其他東西怎麼連、下一個該問什麼，這是理解。

幾百年來沒有人需要把這兩件事分開講，因為它們綁在一起：要拿到一道難題的答案，你非得先懂那個領域不可；反過來，要學懂一個領域，最好的辦法就是去解它的題。目的和手段互為對方，於是大家把它們當成一件事。

現在分家了。他的說法是：問題正在被沒有領域專業的人解掉——把題目打進 AI，AI 給出答案，答案甚至是對的，還驗得過。可是這些解答的淨價值遠低於預期，因為沒有人理解發生了什麼。他說就算 AI 生出一篇細節俱全的論文，讀起來仍然難以吸收，也很難知道下一步該問什麼。

![兩條通往答案的路：舊路必須穿過理解才到得了答案，新路由 AI 直達答案、繞過理解](/figures/tao-answer-insight-decoupling.svg)

他引了 Thurston 1994 年那篇《論數學中的證明與進展》：我們成功的量度，是我們做的事有沒有讓人更清楚、更有效地思考數學。Thurston 當年舉的例子是四色定理——靠大量電腦計算得到、沒有人看懂的證明。陶哲軒說那種東西在 1994 年佔數學產出的千分之一，現在大約一半。

## 人寫東西會慢下來，那個慢就是訊號

這一段是整場我最喜歡的。

人寫東西受資源限制：寫字很累。所以簡單的地方你隨手帶過，難的地方你會停下來想怎麼組織、能不能先定義一個東西讓後面省力。這個用力的落差留在文章裡，就成了給讀者的訊號——作者在這裡加速，我也可以掃過去；作者在這裡慢下來變得小心，我該專心。陶哲軒管這叫自然摩擦。

AI 沒有這種摩擦，而且常常是反的。他說常見到 AI 花好幾頁講一個顯而易見的點，然後把真正關鍵的新步驟壓成一小段算式。原因不是它偷懶：對 AI 難的東西，跟對人難的東西，兩者關係很小。某個複雜計算對它顯然成立，它就寫「顯然」，可是人要看五步；反過來人一眼就懂的，它寫好幾頁。他說你也可以叫 AI 標出重點，它會照做——然後告訴你每件事都是重點。

![人寫的文章在難的地方會變厚，AI 寫的每一段都一樣厚，讀者因此看不出哪裡該專心](/figures/tao-natural-friction.svg)

讀到這裡我背後一涼，因為我們有一盞燈就是這樣壞掉的。

今年七月我們有個自動警報，盯外資期貨的一個部位指標，破門檻就亮燈。七月前十個交易日，它亮了九次。然後七月十五、十六、十七這三天，它安靜了。七月十七日加權指數跌 2954 點，跌幅 6.5%（回放紀錄 as-of 2026-08-20）。

規則沒有壞。那三天的數字沒破門檻，它精確地照定義執行。壞掉的是資訊量：一盞天天亮的燈，看的人幾天內就會自動忽略；而忽略之後，它「不亮」也一起失去意義了。亮的時候你不看，不亮的時候你以為沒事。同一個機制在兩個方向同時失效。

這就是沒有摩擦的代價。當每一天都是重點，就沒有重點。

## 缺的不是生成，是刪掉

他舉了自己的例子。前陣子有人用 AI 找到某個猜想的反例，四五行就寫得完，發現的人在推特上把那幾行貼出來，沒有任何說明。陶哲軒好奇這東西怎麼來的，跟 AI 聊了三十幾頁，想把它逆推出來。

中間他問了一個問題，AI 想了一分鐘，回答「是」，然後洋洋灑灑講下去，一頁接一頁。

他真正想要的答案是「不是」。他要的那句話大約是：這種性質很罕見，沒辦法靠簡單計算判斷，硬要做也是殺雞用牛刀。他懂得夠多，能自己在那堆文字裡把這句話撈出來——花了幾分鐘。換成一個不熟這個領域的人，那句話就永遠埋在裡面了。

他的結論：這些工具不缺生成能力，缺的是配套的過濾機制。他引了《小王子》作者的一句話——完美不是無可再加，而是無可再減。

所以他不看好一直往上加：更多算力、更長的推理、更大的模型。他說如果你只要答案，加下去也許有用；如果你要的是理解，加下去是反效果，因為讓工具在各方面變得越超人，它離人越遠、越難溝通。他用了一個挑釁的說法：現在通往通用人工智慧的正確方向是從上往下，不是從下往上——把工具限制起來，它對人反而更有用。

這件事我們已經在做，只是沒意識到。他舉的例子：把多個 AI 串成一條線，刻意指定角色，這個是驗證者、那個是查文獻的、那個是規劃的，比讓每一個都全能好用；還有可解釋性研究的基本功——消融，把有用的模型一塊一塊關掉，看是哪個零件在做事。

## 一張 10 KB 的小抄，把五成拉到八成

他講了一個他自己辦的實驗。

兩年前他做過一個群眾外包專案，機器產生 2200 萬道數學題，問任兩條代數律之間誰能推出誰——像是「交換律能不能推出結合律」這種，答案是能或不能。九成九的題用 1990 年代的自動證明程式就解得掉；剩下約十萬題丟給前沿模型想五分鐘，只剩大約一百題解不掉。

可是把同樣的題目丟給一個小的開源模型，正確率跟丟硬幣一樣，五五波。

於是他辦了一場比賽。參賽者要交的東西只有一樣：一份 10 KB 的小抄，當提示詞用。評分方式是把小抄餵給那些弱模型，看它們的正確率提升多少。約一百位參賽者，正確率從五成拉到八成，得獎的更高，容易的題組到九成六、九成七。他說得獎的提示詞讀起來像人話——你是專攻等式理論的數學家，先找反例，以下是幾類你該優先試的反例。那是一份有人味的說明書。

![弱模型答題正確率：裸考五成、加自製提示約六成、加得獎小抄八成、容易題組九成六](/figures/tao-cheatsheet-experiment.svg)

這個設計的巧妙藏在「為什麼用弱模型」。前沿模型不需要小抄，拿它來評分沒有意義；一個資源受限的模型，才會逼出「哪幾句話最值得說」。而能幫到弱模型的東西，多半也幫得到人。他說他有個模糊的期待：任何一門課，也許都能跑一次這樣的比賽，蒸餾出一頁真正該記的東西——那對學生會是很好的資源。

看到這裡我起身去開了自己的一個檔案。

我有一份叫「教訓」的檔，每次開新對話都會被完整塞進去，內容是一行一句的行為糾正，每條帶日期。今天是 40 條、16 KB（as-of 2026-09-05）。旁邊還有 583 份寫得很細的記憶檔，但那些要靠檢索才撈得到，撈不到就等於不存在。教訓檔是保證送達的那一份。

我從來沒把它想成小抄，也一直覺得「上限 40 條」是個麻煩的限制。要加第 41 條，就得先把兩條舊的合併成一條——這兩天我做過兩次，每次都花掉二十分鐘。讀完這場演講我才想通：那個上限不是限制，那是這個檔案唯一的價值來源。沒有上限的話，它會長成第 584 份沒人讀的文件。

## 換成投資，每一句都還成立

把數學換成投資，這篇的每一句都不用改。

你可以問 AI 一檔股票該不該買。它會給你一份完整、格式漂亮、數字大致正確的分析，讀起來每一段都很有道理。你照著做，甚至賺了錢。

半年後它跌了三成，你要決定加碼還是認賠。這一天你會發現，當初那份理解沒有進到你腦子裡——你手上有的是一個答案，而答案在跌三成的那天幫不上忙。你需要的是知道當初買它的那條理由現在還成不成立，而那條理由你從來沒有真正持有過。

答案可以外包，信念不行。而你最需要信念的那一天，就是答案最派不上用場的那一天。

檢驗方法很土：把那份分析收起來，用你自己的話講三句給旁邊的人聽，然後請對方問你一句「為什麼」。講得下去，你買的是理解；講不下去，你買的是答案。

## 帶得走的一件事

挑一份你最近拿到的 AI 產出——個股分析、市場回顧、程式說明都行。給自己十分鐘，把它砍到一頁以內，只留下「拿掉就會做錯決定」的句子。

砍的時候你會遇到一個難受的時刻：有些段落刪不掉，因為你看不出它重不重要。那些段落就是你沒讀懂的地方，而它們原本會一路混在報告裡，看起來跟你懂的部分一模一樣。

砍完剩下的那幾行，才是你真正拿到的東西。它通常比你以為的短很多。

## 來源

- IPAM at UCLA《Terence Tao — Reflections on the Foundations of Interpretability workshop》，2026-09-04 上片，34 分鐘：[youtu.be/AXlif6z9a2A](https://youtu.be/AXlif6z9a2A)
- William Thurston,《On Proof and Progress in Mathematics》, 1994
- 同系列前三篇：[只給分子不給分母](/blog/tao-2026-08-31-ai-math-drunk-genius/)、[硬幣遊戲的人機分工表](/blog/tao-2026-09-02-coin-game-human-ai-division/)、[直升機把你放上山頂之後](/blog/tao-helicopter-honest-ai/)