陶哲轩谈数学2.0：警惕AI证明泛滥与理解力危机

菲尔兹奖得主陶哲轩近日公开发文与演讲，抛出一个令学界深思的判断：数学2.0时代已经到来。随着大语言模型与自动化工具的爆发，AI正在让数学证明从“极度稀缺”走向“大规模泛滥”，建立在证明稀缺基础上的传统研究范式正面临重构。

面对OpenAI等机构利用AI模型对纳维-斯托克斯方程、准黎曼猜想等前沿数学难题发起的猛烈攻势，数学界不仅在反思技术伦理，更在重新确立核心价值：当机器能飞速解题时，人类数学家真正的护城河究竟是什么？

从“证明稀缺”到“证明泛滥”

在传统的数学1.0时代，前沿难题往往需要顶尖学者耗费数年甚至数十年心血。“谁最先证明了什么”自然构成了学术贡献的核心评价标准。

但生成式AI与形式化证明工具的结合，彻底打破了这一平衡。在拥有充沛算力和前沿模型支持的条件下，研究人员能在极短时间内获取大量开放问题的推演解答。

陶哲轩指出，数学之所以成为前沿AI实验室攻坚的核心试验场，主要因为三个叠加条件：证明能被客观形式化检验；数学对象及推理逻辑高度数字化；海量高质量学术文献早已数字化就绪。

然而，获取解答的门槛降低，可能引发一种危险的错位——机器解出了题目，人类却没有随之增加理解。

陶哲轩特意引用了经典的“飞机弹孔图”提醒学界警惕幸存者偏差。AI厂商展示的往往是经过挑选的攻关案例，而海量失败尝试与巨大的算力开销被隐匿在聚光灯外。他呼吁行业建立公开透明的评估机制，将失败结果与算力成本一并纳入衡量基准。

盲目优化“解题”指标的潜在代价

“开放问题就像灯塔，”陶哲轩比喻道，“它们指引人们探索周遭的数学世界，而抵达灯塔并不等同于完成了探索。”

在人工攻坚过程中，失败的尝试、阶段性的猜想往往会催生出比答案本身更具生命力的新概念与理论联系。若自动化工具过早给出终局结果，而学术评价体系又单一奖励“已解决”，那么大量潜在的探索路径可能会被直接扼杀。盲目追逐解题数量，将实质损害数学长期发展的健康生态。

机器给出答案之后：理解与现实对齐

为了阐明人类理解的不可替代性，陶哲轩提出了一个生动的思想实验：

假设顶尖AI通过穷举算力，合成了一种能杀死癌细胞并通过三期临床的未知混合物，甚至在Lean系统中通过了全套逻辑推演。但在注射入人体前，人们仍然需要有科学家理解其生化机制，需要有数学家看懂其底层推理逻辑。

在陶哲轩的框架中，完整的数学研究包含五个环节：

1. 生成证明；
2. 验证正确性；
3. 解释清楚；
4. 被学术共同体理解与接纳；
5. 最终融入标准理论体系。

AI目前只能加速前两个环节，而后三个环节需要研究者找到更自然的表述，将其纳入教材与通用认知框架，这是机器无法代劳的。如果只盲目加速证明输出，学术界将面临严重的“知识消化不良”。

这也延伸到了对年轻学者的现实拷问：AI能飞速产出论文后，读博是否还有价值？

陶哲轩认为，如果读博的目标仅仅是刷论文产出，其必要性确实在降低；但如果目标是训练自己吸收复杂知识、进行高维综合并提出深层次问题，这种思维训练反而愈发珍贵。就如同在交通充裕时代，人类需要主动保持身体锻炼一样，在答案随手可得的时代，独立思考成为必须被刻意守护的能力。

目前，陶哲轩正协同推进SAIR基金会的开放数学模型项目，旨在将AI转变为协助学者核查引用、探索反例与处理形式化代码的基础工具，推动AI与人类研究者形成良性共存的协作生态。