菲尔兹奖得主承认AI胜过数学

一场自巴比伦以来未曾呐喊的房间里的静默地震

陶哲轩并没有说人工智能在数学上比他更强。他说的是更锋利、更难被从未目睹毕生心血一夜之间过时的人理解的话。

2026年10月8日，陶哲轩在一个名为"Proofs and Prompts"的学术博客上发文，该博客汇集了全球数学家的个人评论。他的段落很短，但其分量缓慢沉淀下来。

他用"深深的挫败感"来形容那种局面——没有人来解释这些证明，没有人回答问题，没有人教会学生推理究竟意味着什么。不是因为证明是错的——陶哲轩承认，它们包含真正有益的新思想。而是因为数学从来不只是关于答案。它是关于理解的传递，是关于直觉如何在人与人之间串联成链，是关于黑板前和会议走廊里的对话如何把一个正确的推导转化为学生能够复现、延伸、争论的东西。

OpenAI刚刚抛出的722份手稿长度的文档，涵盖300多个未解问题，涉及数论、代数几何和微分方程——在技术上是突破。在文化上，却是一场破裂。

OpenAI真正采访过的人

在我们被数字冲昏头脑之前，先看看OpenAI选择发布的是什么。这些不是基础练习题。它们是活跃的边疆——博士生花数年时间反复试探的问题，终身教授把它们列入基金申请书，菲尔兹奖得主在主题演讲中引用它们作为学科当前挑战的例证。

2022年菲尔兹奖得主雨果·杜米尼尔-库平直言不讳：他自己的讲座笔记、已发表论文和资金申请里，全都列着那些AI在数学界还没想明白之前就解决了的问题。他并非欢欣鼓舞地说这些话。他用"巨大的震惊"来形容，并立刻指出这对同行和学生造成的后续损害——他们的职业轨迹正依赖于朝着同样目标迈出那些渐进式的步骤。

彼得·舒尔策——史上最年轻的菲尔兹奖得主，如今正处于影响力的巅峰——完全略过了哲学层面的抱怨，直指实际危害。某些加密系统依靠数论中的困难问题来保护数据。如果AI能够生成高效路径来攻克这些问题，那些守护你银行密码安全的数论假设可能已经被一个无人能完全理解的模型推翻。

舒尔策没有具体说明哪些系统处于风险之中。这一省略本身就是一个信号：最能评估损失的人，也是最不愿公开表态的人——因为揭示漏洞正是对手寻找攻击目标的方式。

算法不会坐下来和你交谈

陶哲轩和他的同僚所表达的深层焦虑，不在于竞争。而是关于一个过程的空心化。

数学研究，在它最好的状态里，是对话式的。一个研究生证明了一个引理，在研讨会上陈述它，被另一所大学的博士后批评得体无完肤，然后修改、投稿、收到一份既有敌意又有善意的审稿意见——正是在这种摩擦中，工作变得让其他人类心智可以理解。价值不仅在于定理是正确的——每一个正确陈述的定理无论谁找到都是真的——而在于通向真理的路径会留下其他人类可以跟随的痕迹。

一个能够生成正确证明却无法叙述其推理过程的模型，留下的是另一种产物：一个输出令人印象深刻的黑箱。证明成立，但直觉无法传递。学生无法从中学习。年轻研究者无法在其方法之上构建。思想的谱系被切断了。

这就是为什么陶哲轩关于缺乏解释者的抱怨，比任何对证明本身的技术评估都更重要。模型证明了定理。没有人证明这些定理为何值得去证明，也没有人说明底层的策略如何推广到下一代问题。这种叙事——那种把结果转化为研究纲领的脚手架——几乎完全是人的工作。OpenAI没有搭建它。

DeepMind真正发表在《科学》上的内容

陶哲轩博客文章发表前两天，谷歌DeepMind自己的成果也以同行评审的形式出现在《科学》杂志上——此前5月曾有初步发布。他们的系统通过生成候选证明、运行计算验证并迭代，解决了9个埃尔德什问题和44个关于整数序列的猜想。该期刊的编辑说明相当公允：它指出，即使失败的AI证明尝试也能激发人类理解和后续研究。

这一说法值得审视。失败的尝试之所以有用，恰恰因为它们留下可见的痕迹——人类研究者可以审视、批判和学习的错误路径。一个顺利抵达却毫无痕迹的AI生成证明，并不显然比失败更有用或更没用。它只是不透明。这种不透明是抑制还是加速人类进步，完全取决于其他研究者能否快速逆向工程出模型的策略并在此基础上继续工作。目前，没有任何证据表明他们能做到，而有大量理由怀疑他们做不到。

谁赢，谁输，接下来会发生什么

赢家：以快于任何单一人类团队的速度发表成果的AI公司，制造出一种速度感，吸引进一步投资。已经在AI所能辅助的边界工作的研究者，因为他们最能从高维输出中提取可用的洞见。进入一个平台已然移动领域的学生——学会与AI工具协作的人会拉开距离；将其视为替代机制的人，可能会发现自己的训练与学科实际所需错位。

输家：那位原本指望在某个问题上发表第一篇论文实现渐进式突破的年轻研究者，现在被一个一个下午就生成300个渐进步骤的系统抢了先。依赖"某些计算障碍确实存在"这一假设运作的密码学界，没有精力应对措手不及的局面。建立在传统师徒模式之上的研究生项目——学习发生在对人类推理的逐步重构之中——而这一模式预设了有人已经足够熟悉推理过程，足以将其传递下去。

眼前的未来看起来是这样的：更多的证明发布潮。更多的初始庆祝，随后是审慎的技术审计。一些撤回——OpenAI自己已经承认，当解释显得单薄或推导中存在隐藏漏洞时——随之而来。数学家们评估已发表结果实际包含什么与它们初看似乎包含什么之间差距的不确定性时期。

然后，才是更难的问题——陶哲轩的段落所指向却未明言的那一个问题。如果AI能够大规模生成正确证明却无法传递让这些证明变得可理解的人类推理，那么这个专业必须决定：是将数学视为有效陈述的生产，还是视为共享理解的学科。这两者并非同一回事。它们始终不同。AI只是让这个区别变得无法再被忽视。