★置頂zzllrr小樂公眾號（主頁右上角）數(shù)學(xué)科普不迷路！

在全新一期 On the SAIR 節(jié)目中，菲爾茲獎(jiǎng)得主陶哲軒（Terence Tao）與 Peter L.（SAIR基金會(huì)秘書長）展開對話，探討 “AI for Science（人工智能賦能科學(xué)）” 真正需要的是什么：不是炒作，而是科學(xué)家能夠信賴的方法。

隨著 AI for Science: Kickoff 2026 活動(dòng)臨近，陶哲軒分享了他為何參與聯(lián)合創(chuàng)立 SAIR：相關(guān)工具已經(jīng)具備重塑科研工作的能力，但錯(cuò)誤使用它們的方式，遠(yuǎn)多于正確使用的方式。想要用對，就需要研究人員深度參與、制定標(biāo)準(zhǔn)，并構(gòu)建能讓輸出結(jié)果可追責(zé)的工作流程。

本次對話還深入探討了為何數(shù)學(xué)或許是最佳試驗(yàn)場：當(dāng) AI 給出看似篤定的結(jié)論時(shí)，數(shù)學(xué)領(lǐng)域擁有相應(yīng)的學(xué)術(shù)傳統(tǒng)與工具去檢驗(yàn)它們，包括能把每一步推理轉(zhuǎn)化為精確、可機(jī)器核驗(yàn)的形式化驗(yàn)證系統(tǒng)。

陶哲軒與 Peter 共同探討了：

• 陶哲軒聯(lián)合創(chuàng)立 SAIR——Science & AI Research 的原因，以及為何學(xué)術(shù)界必須主動(dòng)引領(lǐng)、而非被動(dòng)跟隨

• 現(xiàn)代 AI 存在的可靠性短板，以及為何 “看似合理” 遠(yuǎn)遠(yuǎn)不夠

• 證明輔助工具與驗(yàn)證機(jī)制如何在數(shù)學(xué)領(lǐng)域保證輸出可信

• 為何知識廣度很重要，但仍離不開人類判斷

• 真正的進(jìn)步是什么樣的：交互式工作流程，而非一鍵出答案

• 為何 “AI” 并非單一技術(shù)，以及科學(xué)家與公眾使用的工具有何不同

正如陶哲軒所說：“我們不只要答案，我們同樣想要過程。”

SAIR 將在加州大學(xué)洛杉磯分校（UCLA）舉辦 AI for Science: Kickoff 2026，正式開啟其公開征程。這場全球盛會(huì)匯聚了學(xué)術(shù)界、科技界與研究領(lǐng)域的領(lǐng)軍人物，共同探索人工智能驅(qū)動(dòng)科學(xué)的下一個(gè)前沿。

作者：SAIR基金會(huì) 2026-2-10

譯者：zzllrr小樂（數(shù)學(xué)科普公眾號）2026-2-14

大家好。今天我們再次請到了陶哲軒（Terence Tao）。很榮幸能有機(jī)會(huì)再次采訪他。接下來我們要聊的是AI for Science（人工智能賦能科學(xué)）的應(yīng)用，尤其是再過幾天SAIR就要正式啟動(dòng)了。我們很高興能帶來一些新的視角，探討AI可以如何應(yīng)用于科學(xué)研究，以及未來我們可以做些什么。那么如果您不介意的話，能否簡單快速地做個(gè)自我介紹？

好的。我是Terence Tao（陶哲軒），目前是UCLA（加州大學(xué)洛杉磯分校）的數(shù)學(xué)教授。傳統(tǒng)上，我一直專注于純數(shù)學(xué)，但我越來越多地參與到利用AI及其他技術(shù)開展數(shù)學(xué)研究、乃至更廣泛的科學(xué)研究的新方式中。最近，我和其他多位科學(xué)家及捐贈(zèng)者一起，共同創(chuàng)立了SAIR這個(gè)全新的基金會(huì)，旨在以多種方式支持AI for Science，把這些新技術(shù)融入到科研工作流。幾天后，我們將在UCLA的IPAM（純數(shù)學(xué)與應(yīng)用數(shù)學(xué)研究所）舉辦首次啟動(dòng)活動(dòng)。

謝謝。我想這也是很多人關(guān)心的問題：是什么讓您決定聯(lián)合創(chuàng)立SAIR？

這是很多因素共同促成的。正如我剛才所說，過去幾年里，我越來越確信，這些技術(shù)已經(jīng)成熟到足以變革科學(xué)，我們必須做好準(zhǔn)備、做好規(guī)劃去接納它們。我們需要學(xué)會(huì)以正確的方式使用它，避免錯(cuò)誤的方式。而遺憾的是，把AI用錯(cuò)的方式遠(yuǎn)比用對的方式多得多，所以我們必須把它用對。

學(xué)術(shù)界必須深度參與其中。我們不能只等著科技公司給我們一個(gè)產(chǎn)品，然后直接拿來用。我們需要真正參與互動(dòng)，弄清楚我們真正需要什么：哪些科研領(lǐng)域AI能幫上忙，哪些領(lǐng)域人類方法依然適用。

尤其是在過去一年，與此同時(shí)，很多科研經(jīng)費(fèi)突然出現(xiàn)了不確定性。比如我擔(dān)任IPAM（UCLA的純數(shù)學(xué)與應(yīng)用數(shù)學(xué)研究所）特別項(xiàng)目主任時(shí)，我們的經(jīng)費(fèi)一度被暫停，很多原本計(jì)劃開展的項(xiàng)目都不確定能否繼續(xù)。所以當(dāng)時(shí)確實(shí)到了需要尋找新的資金來源、接觸更多新的投資者與合作伙伴的時(shí)候。這段混亂時(shí)期帶來的一點(diǎn)積極結(jié)果是，IPAM如今有了很多新的項(xiàng)目，包括這次的合作。

我認(rèn)為，具體到數(shù)學(xué)領(lǐng)域，AI的能力格外強(qiáng)大。您是否認(rèn)同這一點(diǎn)？

我認(rèn)為它擁有格外巨大的潛力。現(xiàn)代AI工具，尤其是大語言模型（large language models），最大的阿喀琉斯之踵（Achilles' heel，致命弱點(diǎn)）是它們并不穩(wěn)定：有時(shí)能給出非常出色的答案，有時(shí)又完全是胡說八道。它們不扎根于現(xiàn)實(shí)，只是在統(tǒng)計(jì)上匹配它們認(rèn)為“合理”的答案，偶爾會(huì)給出極其優(yōu)秀的結(jié)果。

正因?yàn)槿绱�，AI在很多其他學(xué)科的應(yīng)用效果，并沒有我們最初期待的那么理想，核心問題就是不可靠性。但在所有應(yīng)用領(lǐng)域中，數(shù)學(xué)幾乎是獨(dú)一無二的——我們擁有非常成熟的驗(yàn)證輸出能力。如果有人給我一份數(shù)學(xué)證明，或是某個(gè)數(shù)學(xué)命題的聲稱證明，我們可以借助邏輯法則與數(shù)學(xué)法則，檢驗(yàn)論證是否正確�，F(xiàn)在我們甚至可以用計(jì)算機(jī)來完成這件事，我們有形式化證明助手語言可以自動(dòng)完成驗(yàn)證。

這在某種程度上能“約束”AI的行為，而這在其他任何學(xué)科中都更難實(shí)現(xiàn)。因此，數(shù)學(xué)最有希望過濾掉AI所有不好的應(yīng)用場景，只保留好的部分。當(dāng)然這并非完美，并非數(shù)學(xué)的每一個(gè)方面都能被形式化驗(yàn)證。證明是數(shù)學(xué)的重要部分，但還有其他工作：比如提出新的猜想，或是把內(nèi)容清晰地解釋出來。很多數(shù)學(xué)任務(wù)目前AI還不擅長，但至少在我們做的一部分工作中，潛力非常大。

我完全能理解這一點(diǎn)。您剛才提到了用于驗(yàn)證AI工作成果的程序。隨著這類程序出現(xiàn)和發(fā)展，您認(rèn)為未來會(huì)不會(huì)有一天，我們能擁有足夠穩(wěn)健的程序，讓AI持續(xù)生成想法并自動(dòng)驗(yàn)證，從而創(chuàng)造出新的東西，而不局限于我們已經(jīng)規(guī)劃好的內(nèi)容？

這正是我們的希望。目前，如果你讓AI生成想法，它會(huì)產(chǎn)出各種隨機(jī)內(nèi)容，也許只有很小一部分真正有價(jià)值，但我們暫時(shí)還無法驗(yàn)證這些想法。不過我們或許可以從自然科學(xué)中借鑒一些思路。物理學(xué)家或化學(xué)家提出一個(gè)假說后，可以通過實(shí)驗(yàn)收集支持證據(jù)——這算不上嚴(yán)格證明或證偽，但有辦法增強(qiáng)或削弱對這個(gè)假說的信心。

我確實(shí)能預(yù)見，數(shù)學(xué)會(huì)比現(xiàn)在擁有更多實(shí)驗(yàn)性的一面。目前數(shù)學(xué)幾乎完全是理論性的，而借助AI，AI可以提出假說，甚至可能提出檢驗(yàn)這些假說的“實(shí)驗(yàn)”。比如你猜想某個(gè)公式對所有自然數(shù)成立，就可以檢驗(yàn)若干數(shù)值案例、尋找其他特例、檢查它是否與文獻(xiàn)中的其他結(jié)論兼容。這類應(yīng)用目前還處于初期階段。同樣，因?yàn)槲覀儠簳r(shí)還不具備完善的驗(yàn)證能力，進(jìn)展相對緩慢，但隨著我們正確使用AI的專業(yè)能力不斷成熟，我相信這一天會(huì)到來，不過可能還需要10年左右。

說實(shí)話這比我預(yù)想的要好。10年聽起來很久，但放在科研領(lǐng)域其實(shí)不算長。發(fā)展速度比我預(yù)期的要快。有些人的期望值非常高，以為到現(xiàn)在數(shù)學(xué)家或科學(xué)家都該被AI取代了。但現(xiàn)實(shí)是，AI已經(jīng)能夠證明一些此前未被標(biāo)準(zhǔn)方法證明的定理，也能發(fā)現(xiàn)我們之前沒注意到的patterns（模式、規(guī)律）。它依然非常不可靠，但潛力確實(shí)存在，我們需要研究如何正確、如何錯(cuò)誤地使用它。

我認(rèn)為AI非常擅長的是高度結(jié)構(gòu)化重復(fù)，也就是有嚴(yán)格指令、可以反復(fù)執(zhí)行的任務(wù)。它的意義在于幫我們節(jié)省時(shí)間，讓我們?nèi)プ龈щy、更有創(chuàng)造性的工作，對吧？

沒錯(cuò)。AI和人類不一樣。有點(diǎn)可惜的是，目前AI的市場宣傳，甚至“artificial intelligence（人工智能）”這個(gè)名字本身，都讓人覺得它是在取代人類。但人類其實(shí)很不喜歡做高度重復(fù)的任務(wù)。比如在數(shù)學(xué)里，給你一千道題，人類可能只會(huì)認(rèn)真做前一兩道，剩下的998道交給AI去完成就再好不過了。

所以我認(rèn)為，也許10年后情況會(huì)變，但短期內(nèi)最自然的分工是：人類啟動(dòng)一個(gè)數(shù)學(xué)項(xiàng)目，給出前幾步思路和預(yù)期方向，然后AI把這個(gè)框架充實(shí)完善，完成所有繁重的基礎(chǔ)工作。這可以極大地加速現(xiàn)有的工作流程。

說到底它只是一個(gè)工具，對吧？就是用來幫我們簡化大量流程。我還想請教另一個(gè)問題：當(dāng)AI給出看似隨機(jī)的解釋時(shí)，我們能做些什么？很多時(shí)候AI會(huì)給出看似合理、好像正確的答案，但實(shí)際上大量內(nèi)容都是無意義的。您認(rèn)為我們該如何改進(jìn)這一點(diǎn)？

在數(shù)學(xué)領(lǐng)域，目前我們找到應(yīng)對這個(gè)問題最好的辦法就是形式化驗(yàn)證（formal verification）。AI可以先給出一段自然語言論證，可能對也可能錯(cuò)，然后我們讓同一個(gè)或另一個(gè)AI把它轉(zhuǎn)換成形式化語言（formal language）。每一個(gè)論斷都必須被轉(zhuǎn)換成精確語言，再由一個(gè)非常嚴(yán)格的編譯器（compiler）驗(yàn)證——這個(gè)編譯器不是AI，而是傳統(tǒng)的、高度可靠的軟件。它被專門設(shè)計(jì)得極其穩(wěn)定，主流證明輔助語言的編譯器至今沒有出現(xiàn)過重大漏洞。

如果通過驗(yàn)證，就說明成立；如果沒通過，我們就讓AI再試一次。通過驗(yàn)證后，我們會(huì)得到一長串AI生成的形式化證明（formal proof），可能不太易讀，但我們可以反過來讓另一個(gè)AI來解釋它。而且形式化證明的好處在于，證明里的每一步都非常精確。你可以手動(dòng)把這個(gè)大定理拆成若干部分，分別研究。

即便這份形式化證明長達(dá)數(shù)千行，你依然可以分析它——可以由人類、AI或兩者結(jié)合完成。我們已經(jīng)有很多這樣的案例：AI先給出一份我們一開始看不懂的證明，我們對它進(jìn)行反編譯（decompile，拆解）后，有人就能用人類的語言解釋清楚背后的思路。

到目前為止，每次AI給出那種“憑空出現(xiàn)”的驚艷證明，我們經(jīng)過幾天研究后都會(huì)發(fā)現(xiàn)，其實(shí)文獻(xiàn)中早就有類似思路的論文。AI相比人類的一個(gè)優(yōu)勢是，它可以吸收幾乎全部文獻(xiàn)。它不會(huì)直接記住所有內(nèi)容——它的內(nèi)存與參數(shù)不足以做到這一點(diǎn)——但它能吸收大量技巧的精髓。

人類數(shù)學(xué)家可能很擅長用四五種技巧解決某類問題，而AI可能掌握十幾種。它不一定總能正確應(yīng)用，有時(shí)會(huì)失敗，但它的廣度非常強(qiáng)，至少在處理文獻(xiàn)中已有內(nèi)容時(shí)威力巨大。我們目前還沒看到AI能提出完全沒有文獻(xiàn)先例的原創(chuàng)想法，但話說回來，大多數(shù)人類數(shù)學(xué)家也很難做到這一點(diǎn)。

這確實(shí)很難，尤其是現(xiàn)在很多AI都依賴已有信息。這就引出我的下一個(gè)問題：您認(rèn)為AI發(fā)展的一個(gè)重要里程碑會(huì)是什么？是思維方式、理解能力，還是應(yīng)用層面？

我們?nèi)匀黄诖吹胶芏鄸|西。一是真正擁有無法追溯到已有文獻(xiàn)的創(chuàng)造力。二是某種針對特定知識體系的持續(xù)學(xué)習(xí)與微調(diào)能力。

我自己曾把當(dāng)前AI在數(shù)學(xué)上的能力比作一名數(shù)學(xué)研究生：知識量很大，掌握一套方法，會(huì)去嘗試，有時(shí)成功有時(shí)失敗。但人類研究生有一個(gè)特點(diǎn)：如果嘗試失敗了，我們和他交流，指出錯(cuò)誤，他就會(huì)學(xué)會(huì)不再犯同樣的錯(cuò)，下次再遇到就會(huì)避開。

但AI不一樣，你新開一個(gè)會(huì)話，它就把之前的一切忘了。你可以保留上下文，它會(huì)短暫記住不要做某事，但并不可靠。甚至有個(gè)很常見的現(xiàn)象：你越告訴AI不要做什么，它反而越容易去做。

而且我們現(xiàn)在用的都是通用AI，在所有數(shù)據(jù)上訓(xùn)練，還無法把AI蒸餾（distill，提煉/專精）成只做數(shù)學(xué)的專用系統(tǒng)，就像人類研究生可以專攻一個(gè)研究方向那樣。我們目前只能做少量微調(diào)（fine-tune），遠(yuǎn)達(dá)不到想要的效果。

但我最希望看到的，是一種真正穩(wěn)健、能把AI融入我們工作流（workflows）的方式。現(xiàn)在我們都是用各種臨時(shí)辦法使用AI：寫論文卡住了，打開瀏覽器，點(diǎn)開聊天工具，用一下AI。有人試過把AI變成代理（智能體agent），讓它控制電腦——說實(shí)話出于很多原因這并不是個(gè)好主意。它還沒有真正成為一名“共同作者”。

和人類合作者工作時(shí)，你們可以在黑板前討論、寫公式、交流。和AI聊天有點(diǎn)類似，但還沒有那種渾然一體的協(xié)作感。數(shù)百年來，我們已經(jīng)打磨出和人類合作的最佳方式，但和AI合作的最佳方式我們還沒完全摸索出來。

如果讓您說，目前工作流程推進(jìn)中最缺的是什么？

這是個(gè)好問題�？赡苁悄撤N無形的東西。有點(diǎn)像疫情期間我們?nèi)嫁D(zhuǎn)向線上會(huì)議。你可以說線上會(huì)議完全夠用，只是聊天而已，在屏幕前和面對面有什么區(qū)別？但面對面交流確實(shí)有一些無形的東西：眼神交流、肢體語言。

和人類交流時(shí)，你們說的話、在黑板上寫的公式，只是對話的一部分，還有很多其他信息在傳遞，而這些在和AI互動(dòng)時(shí)無法被捕捉。

我理解。另一點(diǎn)是和其他人的相互協(xié)作，互動(dòng)感比AI強(qiáng)得多。

沒錯(cuò)。AI公司傾向于展示“一鍵完成”式的成品：按一下按鈕，AI就給出完整解決方案，而你本人沒有參與解題過程。這樣一來，如果你要向別人解釋這個(gè)方案，你根本解釋不了；你想修改它，也只能回頭再讓AI改，每次修改效果都會(huì)變差一點(diǎn)。

所以理想情況下，我們需要更互動(dòng)的體驗(yàn)：你走一步，AI走下一步，你給出反饋，它進(jìn)行修正。在這個(gè)互動(dòng)過程中，你才能理解證明是如何形成的。人類寫出證明、解決問題后，可以解釋思考過程、嘗試過的思路、受到哪些文獻(xiàn)啟發(fā)。但AI生成這些證明產(chǎn)物（proof artifacts）時(shí)，有時(shí)不會(huì)附帶任何來源記錄，只給出一個(gè)答案。

而我們后來意識到，這只是我們想要的一部分。我們不只要答案，我們還想要過程。一旦我們找到把AI整合進(jìn)來的方法——也許關(guān)鍵就像用鹽：少量提味，不能整罐倒進(jìn)去，用在合適的時(shí)候，不用在不合適的時(shí)候。

我覺得很棒。而且科研本身通常也不是立刻得到答案，往往是一個(gè)漫長的過程，在已有基礎(chǔ)上不斷迭代，有時(shí)甚至不一定能得到最終答案，對吧？

是的。人類其實(shí)非常不擅長精確設(shè)定目標(biāo)。而AI的特點(diǎn)是，它太擅長完成目標(biāo)了，有點(diǎn)像神話里的精靈，會(huì)非常字面地實(shí)現(xiàn)你的愿望。你說要優(yōu)化某個(gè)指標(biāo)、解決某個(gè)問題，它就會(huì)耗費(fèi)大量算力和精力，嚴(yán)格按你的要求去做。

結(jié)果你常常會(huì)發(fā)現(xiàn)，比如我讓AI在某種形式化證明助手語言里形式化證明，不惜一切代價(jià)給出證明，它就會(huì)走捷徑：自創(chuàng)公理、修改定義，用各種方式嚴(yán)格滿足你字面上的要求，卻違背本意。

我們正在學(xué)習(xí)，給AI下達(dá)任務(wù)，尤其是需要高度精確說明（specifications）的任務(wù)時(shí)，必須把一切描述清楚，確保沒有漏洞，清晰想明白自己真正想要什么。就拿證明來說，我們不只要答案，還要理解：它和現(xiàn)有文獻(xiàn)有什么聯(lián)系、能解決哪些其他問題、如何向他人解釋這個(gè)結(jié)果。

以前我們不需要過多考慮精確目標(biāo)，因?yàn)樽屓祟愖鍪聲r(shí)，他們通常不僅會(huì)完成你明確要求的部分，還會(huì)做好你隱含希望的所有事。比如你讓人倒杯茶，對方不會(huì)直接把茶潑在你身上，而是會(huì)連杯子、托盤一起準(zhǔn)備好。即便你沒有明確要求，對方也理解背后的語境。AI有時(shí)能理解語境，有時(shí)則不能。所以我們必須更擅長明確目標(biāo)，才能最好地使用AI。

這個(gè)視角很有意思：AI只專注于回答問題，卻不確保把所有事情都弄對。也許這正是目前限制它發(fā)展的核心問題。

可以這么說。這其實(shí)是整個(gè)機(jī)器學(xué)習(xí)（machine learning）的理念。過去并非如此，傳統(tǒng)AI并不那么基于目標(biāo)，早期AI試圖構(gòu)建模仿人類思維的推理系統(tǒng)（reasoning systems），但進(jìn)展艱難，只能完成非�；A(chǔ)的任務(wù)。

后來有人嘗試了相反的思路：只指定一個(gè)目標(biāo)，不計(jì)較方式是否笨拙、是否符合邏輯，只管盡可能優(yōu)化衡量目標(biāo)距離的指標(biāo)。一開始效果并不好，但隨著算力、數(shù)據(jù)和規(guī)模不斷提升，效果越來越好，突然跨過一個(gè)閾值，就變得相當(dāng)出色。

但問題是，它有時(shí)過于“優(yōu)秀”，只會(huì)嚴(yán)格優(yōu)化你設(shè)定的指標(biāo)。有很多機(jī)器學(xué)習(xí)的例子：你讓AI打贏一個(gè)電腦游戲，它總會(huì)找到exploits（漏洞/作弊方式），利用代碼里的bug，違背游戲精神，但卻嚴(yán)格完成了你要求的任務(wù)。

我的最后一個(gè)問題是：您認(rèn)為人們在科學(xué)中使用AI時(shí)，最常見的誤區(qū)是什么？

對大多數(shù)人來說，現(xiàn)代AI就是聊天機(jī)器人，會(huì)跟你說“您的觀察很棒”這類讓你心情好的話。有些科學(xué)家確實(shí)用聊天機(jī)器人輔助思考，但AI for Science最高效的應(yīng)用其實(shí)完全不同。

通常是和驗(yàn)證結(jié)合在一起，比如我經(jīng)常用它做數(shù)值計(jì)算（numeric computation）、畫圖、檢驗(yàn)?zāi)硞�(gè)論證�？茖W(xué)家使用AI的方式和公眾很不一樣，比如我們不會(huì)用它生成很多好看的圖片，那對科研用處不大。

遺憾的是，人們把AI籠統(tǒng)地當(dāng)成一項(xiàng)單一技術(shù)，可它實(shí)際上并不是一項(xiàng)技術(shù)，而是數(shù)百種相關(guān)技術(shù)的集合。最受關(guān)注的那些，往往不是科學(xué)界最常用的。也許我們應(yīng)該有更細(xì)致的命名，不要把所有東西都叫AI。

現(xiàn)在其實(shí)已經(jīng)有g(shù)enerative models（生成模型）、LLMs（大語言模型）、algorithms（算法）等區(qū)分了，但公眾通常只關(guān)注“AI”這個(gè)統(tǒng)稱，不關(guān)心它們的區(qū)別、用途和運(yùn)行原理。但我認(rèn)為運(yùn)行原理才是最重要的，因?yàn)樗鼜母旧蠜Q定了AI在做什么、準(zhǔn)確度有多高——對科研來說這至關(guān)重要。

是的。神經(jīng)網(wǎng)絡(luò)（neural networks）是已經(jīng)有20年歷史的技術(shù)，雖然不像現(xiàn)在的大語言模型那么吸引人，但科學(xué)家已經(jīng)用了很多年，效果非常好。它沒有文本界面，只是用來在數(shù)據(jù)中尋找規(guī)律，用神經(jīng)網(wǎng)絡(luò)做數(shù)據(jù)科學(xué)（data science）效果出色，但過程非常普通、枯燥，就是數(shù)值計(jì)算，完全不像和科幻機(jī)器人對話那樣酷炫。

好的，我們的采訪到此結(jié)束。再次非常感謝您的到來，這是第二次采訪，非常愉快。

我也很榮幸。

好的，謝謝。

參考資料

https://sair.foundation/event/ai-for-science-kickoff-2026/

https://www.youtube.com/watch?v=Z5GKnb4H_bM

https://sair.foundation

https://flive.ifeng.com/live/1016492.html

小樂數(shù)學(xué)科普近期文章

·開放 · 友好 · 多元 · 普適 · 守拙·

讓數(shù)學(xué)

更加

易學(xué)易練

易教易研

易賞易玩

易見易得

易傳易及

歡迎評論、點(diǎn)贊、在看、在聽

收藏、分享、轉(zhuǎn)載、投稿

查看原始文章出處

點(diǎn)擊zzllrr小樂

公眾號主頁

右上角

置頂加星★

數(shù)學(xué)科普不迷路！