数学教育与大语言模型 (En)
2026-06-16
本文由 LLM 从英文原文翻译,以原文为准:Math Education, and LLM
摘要:本文界定了数学与数学教育,并指出无论大语言模型(LLM)的能力如何,人类学习数学(或任何其他高度抽象的学科)所需付出的精力都有一个无法跨越的下限。
大语言模型发展迅猛;仅仅一年时间,人工智能就已经能够攻克数学问题——我们曾以为这是人工智能最难自动化的领域——但它们正在逐步做到。无论 OpenAI 宣称的成果是不是营销噱头(人类当然提供了帮助,但帮了多少?我们无从知晓……),我们至少可以说,前沿模型在辅助数学研究方面已经颇具实用价值。由此自然而然会引出一个问题:人工智能对数学教育有帮助吗?能有多大帮助?
数学在所有科学中显得独树一帜,因为它根本不属于自然科学,尽管大学总是喜欢把数学系安排在某种自然科学大楼里。虽然数学起源于对物质世界的计数与测量,但在形式主义(formalism)运动期间,它已经脱离了物理学背景,演变成一门纯粹专注于先验推理与抽象的学科。我倾向于将数学定义为“对先验构造的研究”。我也喜欢把所有的数学知识想象成一张无限大的定理图:如果在选定的公理下,一个定理可以由另一个定理推导出来,那么对应的节点就会指向另一个节点。从这个有趣的视角来看,数学很像艺术、诗歌或音乐,每个定理都早已存在于某处,我们只是在发现它们。这种观点意味着,人类必须在数学研究中占据一席之地,因为一个抽象概念或一条定理是否有趣、是否值得深挖,最终要由我们人类来评判。数学与个人及集体的品味与才智紧密相连:“数学的产物是清晰与理解,而非定理本身。” [1]
因此,计算或证明定理只是研究数学的一小部分,真正的目标是培养良好的直觉 [2]——即游刃有余地驾驭和操控不同层次的抽象概念,从而“感知”如何从一个节点走向另一个节点,或者哪些节点值得探索。过去,人们从物理属性中提炼抽象概念,例如微积分的发明就是为了描述连续的物理现象。但如今,数学的抽象程度已经远远脱离了物质世界,往往是先发明了数学抽象,之后才找到应用:19世纪发明的黎曼几何,后来成了广义相对论(1915年)的语言。
数学教育的难点正在于此:数学本身是最严谨的学科,但反观优秀的数学教育,其标准却耐人寻味地难以界定,极大地依赖于人类的创造力与阐释能力。我只能列举优秀数学教育的一些特征:当我深入阅读材料,突然“开窍”,并能预测接下来会发生什么时,我的学习效果最好。这种“顿悟时刻”让我想起格兰特·桑德森(Grant Sanderson)在他的频道中反复强调的话——“希望让你觉得自己也能重新发明某个数学概念”。这也契合认知心理学中的“生成效应(generation effect)” [3]:如果人们自己推导出答案,而不是仅仅阅读现成的答案,记忆效果会更好。以我的经验来看,要写出一段优秀的提示词(prompt)来引导学生在学习中产生“顿悟时刻”,其难度不亚于编写一本能达到同样效果的优秀教材。
无论大语言模型的能力有多强,学习数学仍然需要人类付出相当大且不可压缩的最低努力。因为数学的核心是建立对抽象概念的直觉,古老、常规且或许是唯一的途径,就是去见识和练习大量具体的例子;唯有如此,才能理解为什么要引入某种抽象,进而真正掌握抽象概念本身。例如,要理解“群”这一抽象概念,必须先接触大量的整数、实数、多项式、模算术、矩阵等等,才能明白我们为什么需要这样一个概念。这个过程是无法跳过的。
我写下这篇文章的契机,是读到了《加州日报》(The Daily Californian)关于加州大学伯克利分校的报道:飙升的挂科率与日益频繁的人工智能使用率呈正相关。这印证了我上文的观点——培养数学能力永远需要脚踏实地的苦练;同时也暴露了问题所在:问题不在于大语言模型本身,而在于人类的惰性。不过,这并不意味着人工智能让学生变得更懒了,而是人工智能大大降低了偷懒的门槛:以前人们互相抄作业、上网搜答案,现在只需让人工智能解答任意数学题即可。既然世上确实有人真心愿意将一生投入数学,那么懒惰或许并非人的天性,而是教育体制存在缺陷的产物。如何解决这一问题超出了本文的探讨范围,但可以肯定的是,仅仅试图“封禁人工智能”绝非解决之道。References
- W. Thurston, “What’s a mathematician to do?,” MathOverflow. Accessed: May 11, 2026. [Online]. Available: https://mathoverflow.net/q/43690
- T. Tao, “There’s more to mathematics than rigour and proofs.” Accessed: Jun. 17, 2026. [Online]. Available: https://terrytao.wordpress.com/career-advice/theres-more-to-mathematics-than-rigour-and-proofs/
- N. J. Slamecka and P. Graf, “The generation effect: Delineation of a phenomenon,” Journal of Experimental Psychology: Human Learning and Memory, vol. 4, no. 6, pp. 592–604, 1978, doi: 10.1037/0278-7393.4.6.592.