# 陶哲轩点破AI核心矛盾：简单数学与不可预测的行为

- 来源：Berryxia.AI (@berryxia)
- 发布时间：2026-05-17 09:46
- AIHOT 分数：61
- AIHOT 链接：https://aihot.virxact.com/items/cmp94h1n90nwuslnzww1py30s
- 原文链接：https://x.com/berryxia/status/2055827159986663484

## AI 摘要

菲尔兹奖得主陶哲轩指出，当前大语言模型（LLM）的数学基础（线性代数、矩阵乘法、微积分）其实很简单，本科生即可掌握。我们清楚如何构建和运行这些模型。真正的核心谜题在于，我们无法可靠预测它们为何在某些任务上表现出色，却在另一些任务上失败。关键在于现实世界的数据（如自然语言）处于“中间地带”——既非纯噪声，也非完全结构化，而是部分有序、部分随机。目前数学界对此类中间状态的理论非常薄弱，导致我们能描述模型机制，却无法解释其能力跃升或给出可靠的任务级预测。这种“简单机制”与“难以预测的行为”之间的矛盾，是当前AI领域的核心难题。

## 正文

讲真，这种言论只有真正牛的人才敢说啊！
本科生就可以来完成LLM的数学训练！

Terence Tao 最近在访谈里把 LLM 最核心的谜题直接说透了。

这位 Fields Medal 得主、数学界最高荣誉，被称作数学界诺贝尔奖，当代最顶尖的数学家之一，说：

今天大模型背后的数学其实非常简单。

线性代数、矩阵乘法，再加一点微积分，本科生就能完全掌握。

我们清楚知道怎么训练、怎么运行它们。

但真正让人困惑的是：为什么它们在某些任务上表现惊人，在另一些任务上却突然翻车，而且我们完全无法提前预测。

核心原因在于现实世界的数据，自然语言文本。

它既不是纯噪声，也不是完全结构化的数据，而是坐在"中间地带"：部分有序、部分随机。目前数学界对这个中间区域的理论还非常薄弱。

所以我们能造出强大的模型，却没法可靠预测它的能力边界。

这个"简单机制 vs 不可预测行为"的矛盾，才是当前 AI 最核心的 puzzle。

完整访谈视频在这里（Dr Brian Keating 频道）👇🏻：

### 引用推文

> Rohan Paul：Terence Tao says the math behind today's LLMs is actually simple. Training and running them mostly uses linear algebra, matrix multiplication, and a bit of calc...