过去，数学家常常用几十年等待一道难题的答案。如今，他们需要学着应付答案来得太快。

前几天，华人数学家，菲尔兹奖得主陶哲轩在自己的个人博客转载了人类数学协会的声明，声明中呼吁所有数学家从现在开始都抵制 OpenAI。

转眼国内，丘成桐数学与人工智能实验室联盟在清华大学成立，计划汇聚约千名科研人员，开发面向数学研究的专用模型，探索 AI 辅助猜想发现、形式化证明和可解释的推理系统。

图源：Handout

丘成桐是当代全球最具影响力的数学家之一，首位华人菲尔兹奖得主。27 岁时，他成功证明了困扰国际学界近半个世纪的「卡拉比猜想」。

「人工智能在数学领域的发展就像一场海啸，」丘成桐说，并认为国内数学家需要组织起来，积极拥抱这项技术，而不是回避它。

丘成桐新论文还致谢了 GPT 6 Astra 和 Claude Pro。

在晚点最新的采访里，他说，比解题更重要的是原创的观念，是创造新的坐标，而真正的原创仍然来自人的志向、直觉、经验和想象力。

它有时候技术上并不复杂，而是换了一种理解世界的方法。我不相信在前人从来没有讨论过这个观念的情况下，AI能自己发明出「坐标系」。

丘成桐还表示： 「陶是位非常优秀的数学家，但这并不意味着他代表了整个数学界。」

在推动前沿数学研究的能力上，国内模型与美国前沿模型仍有明显差距

AI 改变了数学领域的时间尺度。

10 月 6 日，OpenAI 一次性公开了 722 篇数学手稿，涉及数百组研究结果。对于平日要花数月乃至数年打磨一篇论文的学者来说，这样的数量几乎难以消化。

发布后不久，部分手稿因证明错误被撤回，另有一些得到修改。数学家既要判断哪些结论成立，也要厘清它们与已有工作的关系。

Google DeepMind 在本周给出了另一种值得注意的进展。10 月 8 日，其 AlphaProof Nexus 研究经过同行评审，正式发表于《Science》。

这项工作最早在今年 5 月以预印本形式公开。研究团队让 AI 智能体不断尝试生成数学证明，再交给 Lean 形式化证明助手检查。遇到错误，系统读取反馈，调整步骤，继续搜索，直到得到能够通过检验的证明，或者耗尽资源。

在研究报告中，系统尝试了 353 个已经形式化的埃尔德什相关开放问题，解决其中 9 个，里面有 2 个问题悬而未决达 56 年。

它还证明了《整数数列在线百科全书》中 492 个待解猜想中的 44 个，并在代数几何、优化等领域取得进展。

当前沿研究的工具、算力和人才快速向少数机构集中，后来者如果迟迟不进入，就可能逐渐失去参与制定研究议程的能力。

丘成桐判断，国内模型在日常应用上并不弱，但在推动前沿数学与物理学研究的能力上，与美国前沿模型仍有明显差距。

联盟计划研发面向数学科学的专用模型，建立可共享的形式化数学库和算力平台，让 AI 帮助研究者提出猜想、搜索证明，也让数学理论反过来改善模型的可解释性和安全性。

参加的机构包括清华大学求真书院、中国科学院晨兴数学中心、上海数学与交叉学科研究院等，后续还将在北京、上海、南京、深圳和香港展开协作。

清华团队已经借助 AI 证伪了退化情形下的一项阿诺德猜想。另一项卡拉比猜想形式化验证工作，则在 Lean 4 中积累了约 27.3 万行代码。颇有意思的是，半个世纪前，正是丘成桐证明了卡拉比猜想。

卡拉比-丘流形的三维投影

中国数学会理事长席南华在联盟成立当天提醒，定理好比砖块，数学还需要把砖块组织起来的体系。中国科学院院士田野则谈到自己已经在研究中使用 AI，通过具体计算、构造和论证与它反复交流。

对中国数学教育来说，未来或许会越来越少地把做出标准答案当成终点

10 月 9 日，陶哲轩在加州理工学院做了一场题为 Math 2.0 的演讲。

演讲 PPT：//teorth.github.io/tao-web/slides/math-2-0-caltech-2026.pdf

他把传统的数学研究称为 Math 1.0，那是一个证明稀缺的时代。证明定理困难而珍贵，围绕难题建立起来的评价方式，大体能够激励人们发展新的工具和理论。如今，AI 正让数学进入证明逐渐丰裕的时期，旧有的衡量方式也需要调整。

他在演讲中提出了一个很好的比喻：开放问题有时像灯塔，研究者向着它前进，真正重要的发现却常常发生在途中。

有人寻找一条路线，发现它走不通，便学会了辨认一类障碍；有人为了接近答案，发明出可以在其他问题上反复使用的方法。即使最后没有抵达灯塔，这些经验也可能改写一片数学领域的地形。

如果机器直接把答案送到眼前，那些尚未走过的路怎么办？

陶哲轩担心，一旦研究只剩下持续清空开放问题清单，学科可能渐渐失去培养新思想的过程。大量正确的结果堆积在那里，能够理解它们、质疑它们、由此提出更好问题的人却未必同步增加。

在 Math 2.0 的设想里，AI 依然扮演重要角色。

陶哲轩希望用 AI 为难懂的证明寻找清晰解释，把分散在论文中的定理组织成持续更新的知识网络，建立更完整的形式化数学资料库，还可以重新检验旧定理，看看删去某些条件后究竟会发生什么。

这些工作可能让数学变得更可理解，也更容易向新的地方生长。

早在 2022 年，丘成桐谈到数学人才培养时，就强调真正的数学研究需要自己发现好的方向和问题。如今，他希望年轻数学家主动参与 AI 时代的研究，陶哲轩希望人们把 AI 用于扩大数学理解。

对中国数学教育来说，未来或许会越来越少地把做出标准答案当成终点。

学生仍需扎实学习定义、证明和逻辑，才有能力辨别机器给出的东西。与此同时，他们也应该有机会尝试失败的想法，听见不同研究者之间的争论，领会一个问题为什么会让人挂牵多年。

陶哲轩的 Math 2.0 演讲也引发了争议。

在其中一张 PPT 里，他声称人工智能的自动化证明方式会取代人类在理解问题上的作用，从而阻碍年轻数学家的成长。

随后，他提出了一个思考实验：我们是否应该以一种连我们自己都无法理解的方式，使用一种抗癌药物——该药物的作用机制已通过人工智能驱动的药物发现和成功的临床试验得到证实。

数学家再不能从数学研究中获得乐趣了？

从经济角度来看，说「现在我们基本上可以解决任何数学问题」是非常容易的，这意味着我们可以获得大量优秀数学成果带来的经济效益，而无需依靠大量培训成本高昂、维护成本高昂的人类来勉强应付。这对整个科学技术领域显然是一件好事。

不过，如果说有些人再不能从数学研究中获得乐趣了，那却未必。

作为一门研究学科，数学的目的更像是「深化我们对数学的理解」。这里的「我们」既可以指全人类的理解（现存人类的集体理解），也可以指汇集于文献中的理解（包括人类和人工智能的成果）。

证明定理是深化理解的关键环节，原因有三：首先，这是我们确信某个论断正确的方式；其次，定理的证明往往能让我们了解某些工具如何相互配合，或者迫使我们发明新工具来证明定理；第三，证明会引发新的猜想，让我们可以探讨这些猜想是真还是假。

因此，相当一部分数学研究并非旨在证明新定理。

它可能是通过不同的证明方法来修订和重新审视现有定理，或是分析为什么一个证明「必须」以某种特定方式进行。也可能是建立一些尚未完全严谨的类比。也可能是注意到一些发人深省的模式——这些模式并非 100% 有效，但足够独特，让人不禁思考其中是否蕴含着某种深意。

有时，研究甚至只是单纯地提出问题，其理由仅仅是：「嘿，虽然这看起来应该很简单，但我们实际上并没有现成的方法来处理这类问题，是吧？」

埃尔德什的许多问题就是这样的。这些其他类型的研究通常不被归类为「成果」，但却是推动该领域发展的重要组成部分，没有它们，我们就无法提出有价值的问题。

从事物理学、数学和计算机领域的研发工作的 Timeroot 认为，确实存在一个担忧，即数学可能会陷入停滞状态，因为我们没有那些富有好奇心的人去探索新的、有趣的数学领域，也没有那些有趣的问题来帮助我们成长，或者用来培养下一代人才。

有个孩子看过《侏罗纪公园》，非常喜欢恐龙。他可能会认为，考古学的最精彩之处就是「谁能找到最大的恐龙骨头」（或者更准确地说，找到最完整的恐龙骨骼）。

现在，如果一家公司提出了一种新的方法：一次性挖掘出一个100米×100米×100米的土块，然后将其摇松以提取骨骼。人们会说，啊，古生物学的问题终于解决了！但那些附着在骨骼上的植物痕迹都被破坏了，所有的痕迹都消失了。我们不会注意到那些为了保护巢穴而牺牲的恐龙们，也不会意识到这一切其实是一片巨大的针叶林。

因为过于急切地追求那些并不理想的「结果」，我们失去了很多东西。

孩子们看着宇航员时，心中充满好奇，不仅仅是因为他们想要成为宇航员，而是因为知道有那么一个人能够亲自从那里俯瞰地球，那真是令人愉悦。

相关参考：

//blog.ohaithe.re/post/829972087725817856/thoughts-on-ai-solving-math

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）