只有天才才能做数学吗?

简介: 只有天才才能做数学吗? 答案绝对是——No。 为了能为数学作出比较重要的贡献,你确实需要努力工作,熟练掌握自己的领域,并尽可能学习其他领域和各种工具的使用,还需要提出自己的问题、与其他数学家交流,然后再思考思考数学的“大蓝图”(big picture)。



只有天才才能做数学吗?


答案绝对是——No。


为了能为数学作出比较重要的贡献,你确实需要努力工作,熟练掌握自己的领域,并尽可能学习其他领域和各种工具的使用,还需要提出自己的问题、与其他数学家交流,然后再思考思考数学的“大蓝图”(big picture)。当然,你确实需要一些聪明才智、足够的耐心以及成熟的心智。但是你并不需要所谓“天才基因”这样的“魔杖”,并不是说有了它们,你就能无中生有般地产生深刻的洞见、意想不到的证明或着其他超能力。


公众眼里的天才形象往往是孤军奋战(甚至有些疯狂),他们忽视现有的文献和其他传统的做法,大脑中灵光乍现(当然有时可能还伴有灵感出现前的煎熬),于是对一个问题的天才之解就此诞生,连相关领域的专家都摸不着头脑。这确实是一个充满魅力而又浪漫的形象,但是却很不符实——至少在现代数学的世界中。我们当然有一些伟大、深刻并且影响深远的成果和洞见,但是它们往往来自于辛苦的工作和前人几年、几十年、甚至几个世纪的成果的积累。从一个阶段的理解到下一个阶段的飞跃往往是非常不平凡的,并且经常出人意料,但是它们仍然是在前人工作的基础上做出来的,绝对不是无中生有。怀尔斯(Andrew Wiles)攻克费马大定理,以及佩雷尔曼(Grigori Perelman)攻克庞加莱猜想都是如此。


实际上,我觉得当今的数学研究的现状反而比当年我还是学生时对数学家浪漫形象的憧憬更加令我满足。当时我以为数学的发展都是由一些少有的天才的神秘灵感推进的,但事实是,当今的数学研究基本都来自于长期的努力工作,需要直觉的驱动、文献阅读的积累,有时可能还需要一些运气。实际上,对“天才”这一概念的狂热追捧会造成很多问题,因为哪怕再天才的人,都不可能日复一日地重复产生这些(非常稀有的)灵感,还得都是正确且一致的。(如果有人跟你说他能做到这一点,你最好对此表示怀疑。)一些人会因此对那些“大问题”、“大理论”过分着迷,一些人会因此过分坚信自己成果的正确性,还有一些人会因此失去继续做数学的勇气。同样地,将成果过分地归因于无法控制的天才,而非勤奋、良好的计划和教育这些人为控制的因素,也会造成很多问题。




请谨慎使用“天才”、“灵感”这样的字眼。它们就像是魔杖,任何想要了解真相的人都不应该被它们蒙蔽。

——何塞·奥特嘉·伊·加塞特(José Ortega y Gasset),《天才手记》


当然,尽管有些人鄙视“天才”这样的字眼,但不可否认的是,在任何时候,都有一些数学家会反应更快、更有经验、更有效率、更仔细或者更有创造力,但这并不是说只有“最好”的数学家才应该做数学,这是混淆了绝对优势(absolute advantage)和比较优势(comparative advantage)的概念;况且,有趣的数学研究领域和问题非常多,远远不是几个“最好的”数学家所能全部包含的;此外,有时你凭借你的工具或者想法会发现其他一些优秀的数学家忽视的东西,因为再优秀的数学家也会有不擅长的领域。只要你受过教育、有兴趣并且有一些才能,总会存在一些数学领域,在此你可以作出坚实而有用的贡献。它们可能不是最光鲜的数学领域,但是这才是健康的发展模式。历史的经验告诉我们,很多看似无聊的细枝末节,却最终会比一些看似“伟大”的问题更加重要。同样,在一个人有能力处理有名的“大问题”之前,也应该尽量在领域中看似不太重要的部分试试手。去看看一些有名的数学家早期发表的论文,你就理解我所说的了。


有些时候,太多的天赋可能还会有害于一个人长期的数学才能的发展。例如,如果问题很容易,这样的人可能不会花太多的精力去刻苦钻研,不能问出深刻的问题,或者会眼高手低,所以最终很可能会陷入瓶颈。同样,如果一个人习惯了简单的成功,他可能就不会培养出攻克困难问题所需的足够耐心。天分当然是重要的,但是如何发展和培养天分更加重要。


专业的数学研究不是一项运动(和奥数竞赛有着天壤之别)。数学的目标不是获得最高的排名、最高的分数或者最多的奖项,相反,最重要的目标是提升对数学的理解(不仅是为你自己,更为了你的同行、学生),以及促进数学的发展和应用。出于这个目的,数学欢迎任何想加入这个行列的人。

原文发布时间为:2017-01-21


本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
|
8月前
|
人工智能 Linux API
OpenClaw量化分析实战:创业板选股模型、阿里云/本地部署与千问/Coding Plan配置全指南
在人工智能与量化投资深度融合的2026年,借助AI智能体搭建个性化个股分析模型,已经成为普通投资者与技术研究者高效跟踪市场、挖掘行业机会的重要方式。OpenClaw(Clawdbot)作为开源可扩展的AI代理平台,能够整合大模型理解能力、市场数据解析、事件驱动分析与策略自动化生成能力,可稳定运行于阿里云云端与MacOS、Linux、Windows11本地设备,配合阿里云千问大模型API或免费Coding Plan API,能够快速构建覆盖行业事件、产业链、交易信号的完整个股分析体系。本文基于GTC大会驱动的创业板选股场景,完整讲解如何用OpenClaw搭建个股分析模型,同时提供2026年阿里云
1585 0
|
人工智能 关系型数据库 分布式数据库
PolarDB一站式记忆管理重磅上线:让记忆成为数据库最有温度的力量
PolarDB-PG 推出一站式长记忆管理系统,融合图+向量记忆库、开放记忆引擎与模型算子,支持跨会话/跨应用持续记忆用户偏好与历史交互,解决大模型“失忆”痛点,实现个性化、高可靠 AI 体验。
|
人工智能 安全 算法
AI战略丨协同共治,应对 AI 时代安全新挑战
人工智能行业的安全发展,需要整个行业“产学研用”等多方协同共治,才能实现人工智能的高质量发展目标。
|
11月前
|
数据采集 存储 机器学习/深度学习
搜索引擎的整体架构和工作过程
搜索引擎由爬虫、索引和检索三大系统构成:爬虫负责抓取网页并存储;索引系统对网页去重、分析并构建倒排索引;检索系统通过查询分析、相关性排序等技术,返回精准结果。全过程融合文本分析、机器学习与大规模计算,确保高效准确搜索。
|
机器学习/深度学习 人工智能 自然语言处理
AIGC技术深度解析:生成式AI的革命性突破与产业应用实战
蒋星熠Jaxonic,AI技术探索者,深耕生成式AI领域。本文系统解析AIGC核心技术,涵盖Transformer架构、主流模型对比与实战应用,分享文本生成、图像创作等场景的实践经验,展望技术趋势与产业前景,助力开发者构建完整认知体系,共赴AI原生时代。
2017 2
|
人工智能 决策智能
从此刻起,成为智慧体企业——阿里云上的Salesforce亮相云栖
金秋云栖,Salesforce携手阿里云共绘AI CRM新篇章。通过分论坛深度探讨AI+CRM落地路径,发布RAG技术预览与未来路线图,赋能企业实现从数据洞察到智能决策的跃迁,加速中国市场的智能化转型进程。
|
前端开发 NoSQL 关系型数据库
如何开发研发项目管理中的需求管理板块?(附架构图+流程图+代码参考)
本文探讨了中小企业在研发或产品工作中常见的需求管理问题,如需求记录混乱、交付靠口头约定、变更无追踪等。通过系统化的需求管理,可实现“谁在做什么、为什么做、何时完成、谁验收”的可视化与责任归属,减少沟通成本,提升效率。文章详细介绍了需求管理的核心功能模块(如需求看板、处理流程、研发日报)、系统架构设计、前后端实现参考、开发技巧与落地建议,以及上线后的运营指标与实施路线图。最终目标是将松散的流程规范化、可追踪、可复用,助力企业构建高效的研发项目管理体系。
|
人工智能 自然语言处理 算法
GEO的关键要素
生成式引擎优化(GEO)是AI搜索时代内容优化的核心策略。本文从技术架构、内容工程、算法适配与生态治理四大维度,系统解析GEO的关键要素,涵盖结构化数据、知识图谱、多模态适配等20+技术点,结合医疗、金融、工业等实证案例,揭示AI时代内容优化的底层逻辑,助力企业构建机器可理解、高推荐率的内容体系,抢占AI搜索战略高地。
|
人工智能 运维 云计算
专家对谈|AI推动文化传媒行业向“新”发展
随着“人工智能+”行动的深入推进,文化传媒行业正经历深刻变革。云计算与AI深度融合,重构内容生产、分发全流程,为行业注入新动能。预计到2025年,我国AI核心产业规模将破万亿,文化传媒作为技术应用先锋,以两位数增速迈向智能化。在CCBN活动现场,中央广播电视总台与阿里云探讨了大模型如何驱动行业升级,展望未来新图景。汪莹指出,大模型将重构文化消费形态,助力生产力与传播力倍增,推动中国文化走向世界。同时,解决AI应用“最后一公里”问题需产业链各方协同发力,基于现有大模型能力进行二次开发是切实可行路径。
984 4