AI 解决了数学界最难的难题，但现在没人知道它找到了什么

证明确实成立。只是没人知道为什么。

OpenAI 花了约 1500 万美元的计算资源，去攻克数学中最难的若干问题之一。这家公司调用了 1 万个 AI 智能体，耗时 88 小时，烧掉了 3000 亿个 token，最终生成了一篇 166 页的证明——证明纳维-斯托克斯方程的行为符合数学家几个世纪以来的猜想。

这篇证明可以编译通过。一个叫 Lean 的程序——一种形式化验证语言——逐行检查了它，没有发现任何错误。按目前所有可用的技术标准来看，这个问题已经被解决。

然而，正如牛津大学的詹姆斯·梅纳德直截了当地说：“到目前为止，从这篇新的 AI 证明中提取任何人类可理解的东西，一直非常困难。”

这是一个将定义下一个科学发现时代的悖论时刻。AI 已经跨越了一道门槛：它可以验证真理，却不再产生洞见。数学界现在面临一个从未遇到过的问题：当一台机器能证明某件事为真，但没有任何人能跟上它的逻辑时，你该怎么办？

我们是如何走到这一步的

纳维-斯托克斯问题是七个"千禧年大奖难题"之一，每个都附有克莱数学研究所颁发的 100 万美元悬赏。这些难题确立于 2000 年，代表了纯数学中最顽固的障碍。纳维-斯托克斯方程描述流体如何运动——水、空气、熔融的钢——但至今没人能证明它们的解是否始终光滑，或者是否会突然崩溃成混沌。

纽约大学的数学家特里斯坦·巴克马斯特，正与合作者莱文特·阿尔珀格一点点靠近答案——后者在竞争对手 AI 公司 Anthropic 工作。其他顶尖研究者，包括苏黎世联邦理工学院（EPFL）的菲尔兹奖得主马丁·海勒，曾指出在七个千禧年问题中，“大家都认为这是下一个会被解决的问题。”

然后 OpenAI 注意到了风声。

9 月 1 日，公司宣布要动用全部算力投入这个问题。一万个智能体。八十八小时。一篇证明——似乎在比那些为此奋斗数年的人类研究者更快的速度下到达。

时机引发了怀疑。巴克马斯特后来告诉 NPR，OpenAI 似乎对他的方法了解得比公司承认的更多——这些信息可能不仅来自人类智慧，还来自智能体本身，它们搜集公开对话，或阅读巴克马斯特和阿尔珀格在自己 AI 辅助工作中使用过的提示词。

OpenAI 否认使用了他们的证明或提示词。但公司的行动更响亮。巴克马斯特指责他们试图强迫他从任何论文中剔除阿尔珀格的名字——这一举动会分裂一项合作，并可能让 OpenAI 独占最理解该问题的人类研究者。

梅纳德与其他 24 位菲尔兹奖得主共同签署了一份声明，称整个事件是"目标错位"——AI 公司为声望竞相追逐，与数学家们关心理解而非仅仅答案之间的冲突。

没有人能读懂的论文

这篇解法现在就躺在互联网上。任何人都可以下载它。但很少有人读完它。

布朗大学的数学家哈维尔·戈麦斯-塞拉诺在自己的研究中也使用 AI，他说这篇论文"不是写给人类看的"。巴克马斯特表示同意：“这篇论文没有解释哪些部分重要。哪些部分是常规的？这个想法如何注入到其他部分？”

这些不是小问题。在数学中，一篇证明不仅仅是一纸正确性证书——它是一个故事。它揭示某件事为何为真，而不仅仅是它为真。好的证明照亮前路。它们引入新工具、新思维方式、先前无关思想之间的新连接。一篇证明的价值在于它的可读性，在于它教会读者关于问题结构的知识。

OpenAI 的证明几乎没教任何东西。

戈麦斯-塞拉诺提供了一丝希望：经过"认真重写"，这篇证明最终可以帮助推进这个领域。但截至目前，一个数学家几代人 grappling with 的问题的答案，已经由一台机器产出——它显然以某种方式理解它，但无法再将这种理解传达回来。

无理解的验证

Lean 的形式化是社区确信证明正确的依据。Lean 是一种为单一目的设计的编程语言：用绝对的严谨性检查数学证明。如果代码编译通过，证明就是有效的。没有歧义，没有漏洞，没有指望疲惫的人类眼睛会忽略一个微妙错误的希望。

这才是这里正在发生的真正转变。几个世纪以来，数学真理依赖于人类的洞见。一篇证明被接受，当专家可以阅读它、追踪它的逻辑、并说服自己——以及彼此——相信它是成立的时候。数学的社会契约建立于共同理解之上。

那份契约正在碎裂。

Lean 不需要理解。它只需要编译。而 OpenAI 的证明编译通过了。

这创造了一个新的知识类别——经过验证却 opaque，为真却不可理解。数学界此前从未需要决定如何处理这样的情况。

这对科学意味着什么

影响远超单个问题。如果 AI 现在可以产出人类无法解析的已验证证明，那么每个依赖证明的领域——不仅是数学，还有理论计算机科学、物理学，甚至密码学——都将面对一个未来：机器生成的结果可能是正确的，但却是不可访问的。

想想这对科学方法意味着什么。科学一直依赖可重复性和理解。一个不能被另一位研究者一步步跟上的结果，不是真正的科学——它是别的东西。AI 生成的数学可能变成黑箱：输出的东西起作用，但其运作机制隐藏在无数计算层之后，没有任何单一人类能在脑海中持有。

马丁·海勒概括了最重要的区别：“这不仅仅是回答这个问题，而是背后的人类理解。”

竞赛已经输掉

也许最令人不安的是这里发生了什么。两位人类研究者，在使用 AI 工具的情况下，接近突破。一家资源远为丰富的公司 swoop in，产出了一份已验证的结果，然后留下那些人类数学家 scramble to publish 自己的成果——仍然不完整，仍然不可读——只是为了保持相关性。

巴克马斯特说，这场冲刺迫使他发表初步结果，那些结果"没有达到我满意的水平"，尽管至少引言部分包含了关键想法。学术界一直存在发表竞赛，但 AI 将其加速到一个地步：缓慢、仔细的理解工作，正在被快速、粗暴的答案生成工作取代。

梅纳德与其他菲尔兹奖得主呼吁 AI 公司与数学界更好地对齐。他们在 9 月 11 日发布的声明是对协作而非竞争的恳求——承认数学中最有价值的工具可能是那个能让机器产出变得有意义的人类心智。

前方待解的问题

OpenAI 证明了它能解决一个千禧年大奖问题。它花了 1500 万美元和 3000 亿 token 做到了这一点。证明检查通过。

但在 AI 爆发进入数学界之后的六个月里，正如学术研究者告诉 NPR 的那样，社区仍然无法阅读机器所写的东西。

这不是 AI 的失败。它是更古老、更难修复的东西的失败：验证与理解之间的鸿沟。

一台机器可以知道某件事为真。但它还不能知道为什么——它还无法告诉我们。

直到那道鸿沟闭合，AI 时代最深刻的发现也可能变成最不可理解的那些。