一个数学家会因为什么被记住？拉宾的答案是：他教会计算机"抛硬币"。
2026年4月14日，94岁的迈克尔·拉宾（Michael Rabin）去世。这位1976年图灵奖得主、非确定性自动机（nondeterministic automata，一种能同时探索多条路径的理论计算模型）的共同发明者，生前最后的工作单位是哈佛大学。他的职业生涯横跨理论数学、密码学、分布式系统，但最反直觉的贡献在于——他证明了"随机性"本身就是一种可计算的资源。
这篇讣告式的学术回顾，藏着几个值得拆解的问题：为什么一个研究"自动机"的数学家能拿到图灵奖？他的工作如何影响了今天的人工智能安全？以及，为什么他的方法论——用概率解决确定性问题——正在成为大模型时代的底层逻辑？
反常识的起点：数学家"不认可"计算机科学
拉宾1931年生于德国布雷斯劳（今波兰弗罗茨瓦夫），4岁随家人移民巴勒斯坦。他的父亲是拉比（犹太教神职人员），却坚持把儿子送到海法最好的中学，师从数学家埃利沙·内塔尼亚胡——没错，就是后来以色列总理本雅明·内塔尼亚胡的叔叔。
1948年，17岁的拉宾高中毕业，随即被征召参加第一次中东战争。数学家亚伯拉罕·弗兰克尔亲自向军方求情，让他提前退役进入希伯来大学。这个细节很重要：拉宾的学术生涯从一开始就被"数学建制"庇护，却也让他更早看清这个建制的盲点。
1956年普林斯顿博士毕业后，拉宾29岁成为希伯来大学数学研究所主任，33岁晋升正教授。但他回忆这段经历时说了一句关键的话：「数学家完全不认可这些关于计算的研究，他们不认为这是一个新兴领域。」
这是1960年前后的学术现实。"计算机科学"尚未独立成科，图灵奖也才设立第二年。拉宾和达纳·斯科特在IBM兰布庄园写的论文《有限自动机及其判定问题》，今天被视为计算复杂性理论的奠基之作，但当时只是"暑期研究项目"的成果。
更有趣的是动机来源。拉宾第二次去IBM时，约翰·麦卡锡（John McCarthy，人工智能学科创始人）给他讲了一个间谍、卫兵和密码的谜题。这个场景驱动的思考方式，让拉宾写出了《计算函数的困难程度与递归集的层级》——计算复杂性理论的早期框架。
从间谍谜题到数学定理，从暑期项目到图灵奖。拉宾的路径说明：理论突破往往来自"不正经"的问题来源，而非学科内部的正统议程。
核心贡献：为什么"抛硬币"比"穷举"更高效
拉宾-斯科特定理的核心是非确定性自动机。简单解释：确定性自动机像一条单行道，每个输入对应唯一状态转移；非确定性自动机则像分叉路口，可以同时探索多条路径，只要有一条通向接受状态就算成功。
这个模型看似"不现实"——物理计算机不能真的并行无限路径。但它的理论价值在于：它精确刻画了"验证比求解更容易"这一现象。这正是P与NP问题的直觉来源。
但拉宾没有止步于理论。1960年在贝尔实验室，他引入了概率自动机（probabilistic automata，通过随机决策实现状态转移的计算模型）：机器通过抛硬币来决定状态转移。这看起来是"退步"——给确定的计算引入随机性——实则开辟了全新范式。
拉宾后来与加里·米勒合作的素性测试算法（Rabin-Miller测试），完美展示了这一范式。传统方法验证一个大数是否为素数，需要确定性计算，复杂度高；拉宾-米勒测试引入随机采样，以极高概率给出正确判断，计算量大幅降低。
这个算法的实用性超出预期。今天每台HTTPS连接的设备都在运行它的变种。当你看到浏览器地址栏的锁形图标时，背后就有拉宾1960年代的思想遗产。
关键洞察在于：随机性不是噪声，而是可量化的计算资源。拉宾证明了"有控制的随机"可以突破确定性计算的效率瓶颈。这与今天大模型的训练逻辑惊人地呼应——随机梯度下降、Dropout正则化、采样生成，本质上都是"用随机性解决复杂问题"。
辩论：拉宾的方法论过时了吗？
拉宾的学术遗产在今天面临两种截然不同的解读。我们需要把它们摆出来，再给出判断。
正方：随机性范式正在统治AI时代
支持这一观点的证据很充分。大语言模型的核心训练方法是随机梯度下降（Stochastic Gradient Descent，一种通过随机采样优化模型参数的技术）， inference阶段的温度参数（temperature，控制输出随机性的调节系数）直接调节采样随机性，RLHF（基于人类反馈的强化学习，一种对齐模型行为的技术）引入的随机探索机制。
更深层的是安全领域。拉宾晚年参与的"秘密共享"（secret sharing，将秘密拆分给多方保管的密码学技术）和多方计算研究，正在成为隐私计算的基础设施。零知识证明（zero-knowledge proof，证明者能在不泄露信息的情况下验证陈述真实性的密码学协议）的交互式证明系统，延续了拉宾"概率验证"的思想脉络。
从素性测试到区块链，从自动机理论到差分隐私，"可控随机性"的版图在扩张而非收缩。拉宾1980年代预言的"分布式系统中随机算法的必要性"，已被比特币的共识机制验证。
反方：确定性方法正在回归
但另一股趋势同样真实。2024年以来，AI领域出现明显的"去随机化"动向：推理模型（如OpenAI的o系列）强调确定性思维链，减少采样波动；形式化验证（formal verification，用数学方法严格证明系统正确性的技术）在关键系统（自动驾驶、医疗AI）中的需求激增；量子计算研究者正在寻找"真正的随机性"来源，以替代伪随机数生成器。
更根本的批评是：拉宾时代的随机性是"计算受限时的妥协"，而今天的算力过剩让这种妥协不再必要。当GPU集群可以暴力穷举时，概率算法的效率优势是否还存在？
一个具体案例：大模型的"幻觉"问题。其根源正是生成过程中的随机采样。行业正在投入大量资源减少这种随机性——通过检索增强生成（RAG，结合外部知识库减少模型胡编的技术）、约束解码、确定性验证层。这与拉宾"拥抱随机性"的方法论方向相反。
判断：两种范式需要重新整合
我的判断是：这场辩论的前提本身需要更新。拉宾的真正贡献不是"随机优于确定"，而是建立了量化分析随机性的数学框架——计算复杂性理论。
这个框架让我们能够精确回答：对于特定问题，随机性能带来多大效率提升？需要多少随机比特？错误概率如何控制？这种"元能力"在今天反而更加稀缺。
当前AI领域的困境恰好说明这一点。我们不知道大模型为什么能涌现推理能力，无法预测特定输入的输出行为，缺乏对"幻觉"发生条件的精确刻画。这不是随机性太多的问题，而是对随机性理解太少的问题——我们还没有拉宾式的复杂性理论来刻画神经网络的行为空间。
拉宾的方法论价值在于：把"不可控的黑箱随机性"转化为"可分析的可计算资源"。今天的AI安全研究，需要的正是这样的理论工具。
被低估的遗产：从理论到工程的翻译能力
拉宾的职业生涯有一个容易被忽视的模式：他持续地在理论突破和工程应用之间切换。
1950年代末的自动机理论是纯数学。1960年的概率自动机开始面向物理实现。1970年代的密码学工作直接服务于安全通信。1980年代转向分布式系统，与丹尼·杜勒夫（Danny Dolev）合作的"拜占庭将军问题"相关研究，影响了区块链共识设计。晚年回到耶路撒冷，他推动的密码学基础设施成为以色列网络安全产业的底层技术。
这种"双向翻译"能力在学术界罕见。大多数理论家满足于定理证明，大多数工程师困于具体实现。拉宾却能在IBM的暑期项目、贝尔实验室的应用研究、哈佛的学术职位之间无缝切换，且每个阶段都产出奠基性工作。
一个细节：拉宾-米勒测试最初是理论结果，但拉宾本人参与了后续的实用化改进。他知道"概率素性测试"要从学术论文变成TLS协议（传输层安全协议，互联网通信加密标准）中的标准代码，需要解决具体的工程问题——随机数源的质量、错误概率的边界、对抗性输入的防护。
这种"全栈"视角在今天更加重要。大模型研究正面临类似的翻译挑战：理论上的可学习性结果，如何指导训练数据的选择？注意力机制的数学性质，如何转化为推理优化的工程决策？拉宾的职业生涯提供了一个历史参照——这些翻译工作是可能的，且往往产生最大的实际影响。
最后的问题
拉宾去世时，94岁，仍在工作。他的最后一个学术职位是哈佛大学计算机科学系的戈登·麦凯教授——以工程应用命名的讲席，而非纯数学教职。这个细节或许比任何定理更能说明他的自我定位。
我们今天纪念他，不是因为非确定性自动机或素性测试本身，而是因为他示范了一种思考方式：当面对看似需要穷举的复杂问题时，先问——随机性能否替代确定性？验证能否替代求解？分布式协作能否替代集中计算？
这些问题在1950年代是理论好奇，在1970年代是密码学需求，在1990年代是互联网协议，在2020年代是AI安全。拉宾的遗产不是答案，而是提问的框架。
那么，在大模型试图用更多参数、更多数据、更多算力"暴力求解"通用智能的今天，我们是否忽略了某种更优雅的随机化路径？当整个行业沉迷于Scaling Law（规模定律，模型性能随规模可预测提升的经验规律）时，拉宾的方法论是否提醒我们：效率提升不仅来自"更大"，也可能来自"更聪明地随机"？
热门跟贴