陶哲轩呼吁AI放慢脚步：警惕数学界的知识拥堵

曾经积极拥抱AI工具的数学家陶哲轩，近期公开对AI领域的过度狂热表达了担忧。

在近期的一场学术演讲中，陶哲轩向大模型研发机构喊话：“AI公司在无休止地加速，却对未来的影响一无所知。必须慢下来，完全没有必要这么快。”

菲尔兹奖得主Cédric Villani在目睹前沿模型攻克复杂数学猜想后也感叹，这种冲击是数学界前所未见的。

从积极拥抱到审慎反思

此前，陶哲轩一直被视作AI在科研领域落地的代表人物。他不仅将AI工具融入文献检索、代码编写及形式化验证工作流，还曾表示数学界正迎来一场前所未有的范式转变。

然而，随着模型在形式化推导上的突飞猛进，陶哲轩的关注点转向了更深层的学术生态问题：未解决的数学问题犹如海上的灯塔，其价值不在于抵达终点本身，而在于探索过程中建立的工具体系、理论框架与全新洞见。

陶哲轩梳理了一个数学证明的完整生命周期，通常包含五个阶段：

1. 提出未经检验的解答提议
2. 通过 Lean 等形式化语言进行机械验证
3. 阐释推导过程，转译为人类可理解的语言
4. 同行评审并形成学界共识
5. 写入教科书，启发下一代学者

目前，AI模型在前两步展现出极高的效率，但在阐释、消化与教学转化方面进展有限。其结果是大量形式化证明被迅速生成，却缺乏人类对其内核的真正理解与阐释。

陶哲轩将这一现象定义为**“证明消化不良”（Proof Indigestion）**。这宛如百年前汽车刚问世时直接涌入仅为马车设计的狭窄道路，导致系统性拥堵。

潜在隐患：创造力流失与数据污染

陶哲轩认为，单纯以基准测试（Benchmark）为导向的解题模式可能带来两大长期隐患：

• 探索性创造力削弱：新数学理论的萌芽往往源自构建知识体系时的查漏补缺和漫长摸索中的偶发灵感。AI直接给出最终答案，可能挤压这种探索空间。
• 合成数据反馈风险：现有模型强大的数学能力建立在人类数百年高质量学术积累之上。若未来学术界充斥着人类尚未完全理解的AI生成内容，后续模型再以此为语料训练，可能出现类似于生物克隆累积损耗的退化现象。

为此，陶哲轩联合包括 Peter Scholze、Pierre Deligne 在内的 25 位菲尔兹奖得主签署公开信，指出数学研究的真正精髓在于推导中的“认知摩擦”，单纯追求自动化输出将对基础科研的生长土壤造成冲击。

行业回应与多方讨论

面对学界反馈，OpenAI 宣布在普林斯顿高等研究院设立独立顾问小组——“数学与人工智能顾问小组”，成员包括 Edward Witten、Timothy Gowers 等知名学者，旨在为新兴研究成果的评估与传播机制提供咨询。

不过，该顾问小组并不直接参与模型内部研发流程的决策。

这一争论也引发了公众对于AI技术向顶尖智力领域渗透的广泛探讨。AI在不断刷新基础科学研究效率的同时，如何保持人机协同的理解力平衡，正在成为学界与产业界共同面对的新课题。