AI时代数学家不够用了 AI开始闯入数学无人区

AI时代的数学家不够用了吗？AI正闯入数学的无人区。10月7日，OpenAI在GitHub上公开了722篇数学手稿，这些成果被归入372个“结果族”，涉及理论计算机科学、数论、几何、数学物理等17个方向。其中不乏对准黎曼假设、Hilbert第十问题、Mahler猜想、Kaplansky相关猜想等重大数学课题的推进，部分结论还附带了Lean形式化验证。

AI产出解题结果的速度，已经远远超过人类数学家核验、解读和吸收这些成果的速度。这不再是一句夸张的玩笑，而是AI深度参与学术研究之后，科学界不得不面对的现实困境。AI能迅速给出答案，但谁来判定这些答案是否正确？即便答案无误，它是否具备原创意义？AI无边界地涌入数学界乃至整个科研领域，背后的驱动力仅仅是因为“AI好用又快速”吗？如果这种趋势持续下去，科研和教育将遭遇怎样的结构性冲击？

在这之前，AI在数学研究中只扮演基础算力角色，比如大规模数值计算、文献整合、定理检索和标准化习题求解。但到了2026年，AI与数学研究的关系发生了质变，开始挑战人类耕耘多年的经典难题，并展现出独特的科研优势。以OpenAI为例，其内部模型调动了约1万个AI智能体，在88小时内给出了纳维-斯托克斯方程存在性与光滑性问题的证明，还公开了166页论文和Lean验证代码。虽然这一成果尚未获得最终确认，但已足以撼动传统科研的认知框架。

Anthropic的研究同样印证了这种变革趋势。其模型成功找到了雅可比猜想的反例，改写了传统猜想的研究逻辑。人类数学家通常围绕一个猜想寻找证明，而AI则能通过大量方程构造与计算检验，反过来搜寻能够推翻猜想的特殊情形。Claude构建了多个三变量方程，使局部条件成立，但不同初始点经过映射后却出现相同终点，由此指向雅可比猜想在三维及更高维度上并不成立。

AI拥有两项独特优势：一是在庞大的搜索空间中快速试错、探索多元解题路径；二是跨界重组不同学科的研究工具，发掘人类研究者因惯性思维而容易忽略的创新方案。数学之所以成为AI公司的重要竞技场，是因为它既足够复杂，又具备相对清晰的判定规则。然而，“能够被机器判定”并不等于“已经成为数学知识”。AI可以在大规模搜索空间中寻找方案，却未必清楚为什么要研究这个问题；可以构造反例，却未必理解反例改变了什么；可以生成形式化证明，却未必能讲清楚证明背后的概念。

这意味着，AI正在进入数学的无人区，但它首先进入的是数学答案的生产环节。它是否真正进入了数学思想的创造、解释与传承环节，仍要由人类数学共同体来裁定。

菲尔兹奖得主陶哲轩曾用“证明消化不良”来描述数学界的变化。长期以来，数学研究面临的是“证明稀缺”的难题，而AI普及之后，行业进入了“证明过剩”的时代。AI生成、机器核验证明的效率，远超人类阅读、理解、消化和教学的速度。数学研究的核心瓶颈，已从“能否找到证明”转变为“如何定义、解读、落地证明的学术价值”。

今年9月，陶哲轩、邓煜等25位菲尔兹奖得主联合发表公开信，指出当前AI公司与数学共同体的目标严重错位，可能损害数学研究生态，尤其会影响学生和早期职业数学家。学界对商业AI介入学术研究的抵触情绪，在加州理工学院的赛事争议中达到顶点。学者们尖锐地指出，商业资本正在把高深严肃的理论数学当作推销算力、炫耀模型能力的广告展台。面对学术界的愤怒，OpenAI决定撤回对该项赛事的商业赞助。

与此同时，学界也在展开自救，成立了“人类数学协会”，要求所有加入者做出道德承诺：不为商业性质的人工智能巨头效力，不发表任何由生成式算法撰写的论文手稿。

AI与数学科研之间的矛盾，不仅是技术适配上的争议，还牵涉个体诉求、行业生态、商业利益等多重因素。AI工具能直接赋能学术产出，带来短期利益，但也会导致科研选题范围收窄、跨群体学术交流频次下降。这种目标错位潜藏着巨大的科研隐患：当学术资源持续向适配AI评测、可符号化量化的浅层问题倾斜时，那些需要长期沉淀、深度思辨、难以快速量化价值的原创性思想研究，将被逐步边缘化。

此外，AI的普及还破坏了数学赖以发展的学术交流生态。如今，研究者担心公开的学术交流内容会被AI模型抓取、解析，被商业巨头抢先转化为量产成果，因此主动减少开放式交流，最终导致整个学术生态愈发封闭固化。

未来的科学研究不会因为AI的强大而淘汰学者，却会无情淘汰只会机械推演、依赖工具、丧失独立判断的研究者。人与AI在科研上的博弈，不仅是速度与算力的比拼，更是人类能否守住知识创造的主体性、科学传承的纯粹性和学术生态的多元性。在算法愈发万能的时代，人类独有的思辨、质疑、取舍与创新，将成为基础科学最核心、不可替代的壁垒。AI时代的数学家不够用了吗？AI闯入数学无人区。