AI攻破百年数学难题,25位菲尔兹奖得主为何联名抗议
2026年9月,OpenAI宣布用AI在88小时内跑通纳维-斯托克斯方程的形式化证明,三天后25位菲尔兹奖得主联名发表声明《人工智能在数学中的严重错位》。本文区分「反对AI」与「反对目标错位」,用声明原文和陶哲轩的双重立场说明:数学家真正担心的是证明变成无法理解的黑箱,动摇数学赖以立身的理解与审美标准。
AI攻破百年数学难题,25位菲尔兹奖得主为何联名抗议
## 88小时攻破百年难题,为什么数学家不鼓掌反而联名抗议
一个反常识的冲突:AI解出了人类近百年没解出的题,数学界却炸了
2026年9月8日,OpenAI宣布用AI工具,花88小时跑通了纳维-斯托克斯方程的形式化证明。这是克雷数学研究所七大「千禧年大奖难题」之一,每题悬赏100万美元,困扰了数学界近百年。
按常理,这该是头条喜讯。但三天后,25位菲尔兹奖得主联名发表公开声明,标题是《人工智能在数学中的严重错位》。签署者里,有2026年刚获奖的邓煜,也有1978年获奖的Deligne,横跨近半个世纪。菲尔兹奖近90年历史上,这种规模的集体表态极为罕见。
### 这次到底攻破了什么
纳维-斯托克斯方程描述流体运动,从天气预报到飞机设计都依赖它。数学界一直想知道:它的解是否永远光滑、不会突然「爆掉」。这个问题悬了将近一百年。
OpenAI的做法是:放出1万个AI智能体,把问题拆开分头推进,88小时后拼出完整证明,再用Lean程序花17小时逐行检查逻辑。Lean是一种形式化验证工具,能把证明的每一步翻译成机器可逐步核验的代码。验收通过,宣布完成。
问题出在「但是」之后。OpenAI用来解题的内部模型没有发布,1万个智能体的协作流程没有公开,其他团队无法复现这套证明。克雷数学研究所至今没有正式确认这一成果。
真正让数学家不安的,不是AI会解题,而是它怎么解的
纽约大学数学家Tristan Buckmaster公开质疑「AI自主解决」的说法。他指出,项目实际有完整团队参与,从更简单的欧拉方程起步,提示词由人编写,还动用了「疯狂的计算量」。据转述,整个项目消耗约4.9百万条消息、3000亿个输出token,仅token成本估计就在1500万到2000万美元之间——远超100万美元奖金。
这些数字指向一个尴尬的事实:数学家面对的,是一个「答案正确但过程不可见」的黑箱。
证明在数学里不只是结论。它是让人理解「为什么成立」的路径。一个无法被人类读懂、无法被同行复现的证明,即便逻辑上无懈可击,也无法进入数学共同体积累的知识体系。
数学家的愤怒,针对的不是AI太强,而是一种目标错位:AI公司把百年难题当成商业公关的「通关副本」,而数学家在意的是理解与审美。这两件事被混为一谈时,冲突就不可避免。
## 25位菲尔兹奖得主联名,反对的到底是什么
声明标题里的关键词:不是「危险」,是「错位」
25位菲尔兹奖得主联名的声明,标题里没有出现「危险」「威胁」这类词。
据转述,声明原文的关键句是:「人工智能公司的目标与数学界的目标严重不符。我们认为,这只是影响其他科学和创意行业乃至整个社会的更广泛协调性问题的冰山一角。」
注意后半句。这些数学家没有把问题限定在数学圈,而是直接指认为一个跨行业的协调性问题。
英文语境里,这个词对应 misalignment——错位,不是对抗。
联合声明的核心诉求,据媒体报道,是抵制把数学当作「通关副本」的商业逻辑:科技公司把解题当公关素材,与数学的目标严重错位。
### 陶哲轩的两面
要理解这份声明的性质,陶哲轩是最关键的佐证。
他不是技术恐惧者。恰恰相反,他是最爱用AI的数学家之一。他早用GPT-4写代码、做图表、辅助证明,说「GPT-4确实为我节省了大量繁琐的工作」。他曾用GPT-5 Pro跨界挑战一个3年无人解决的微分几何问题,11分钟就出了完整证明。他还预测过,到2026年,AI将成为数学研究值得信赖的合著者。
这样一个人,签署了那份声明。
但他同时形容AI论文「无论正确与否,看起来都很有说服力」,并把AI产出大量证明而数学家吸收不了的问题称为「证明消化不良」。
这两面并不矛盾。陶哲轩的立场恰好说明:问题不在技术本身,而在于技术被用来做什么、为谁服务。
### 他们担心的不是失业,是数学变成「通关副本」
媒体报道对公开信主旨的概括是:数学的核心从来不是产出冷冰冰的答案,而是理解结构、孕育思想;仅靠算力给出结果,会断裂人类的思想链,使数学灵感枯竭。
陶哲轩自己说过,数学研究的核心价值不仅在于获知一个命题是否成立,更在于彻底理解它「为什么成立」,以及这些论证能给人类认知带来怎样的启发。
所以数学家反感的,不是AI算得比人快。他们反感的是,AI公司把百年难题当成商业公关的素材,用解题速度做benchmark、做发布会,而完全不关心这个证明能不能被人类理解、能不能进入数学共同体积累的知识体系。
一个无法被同行读懂、无法被复现的证明,即便逻辑上无懈可击,对数学而言也只是一份无法消化的结果。
这也是为什么声明用了「错位」而不是「危险」。他们不反对AI,他们反对的是目标被替换。
需要诚实指出的是,声明本身并未点名OpenAI,具体诉求的边界仍不清晰。哪些AI应用算「错位」,哪些算「正常研究工具」,声明没有划出明确界线。这为后续争论留下了空间。
但方向是清楚的:如果连陶哲轩这样重度使用AI的人都签署了声明,那争议的焦点就不在技术能力,而在技术被用来服务谁的目标。
## 为什么说这只是「冰山一角」
从数学到其他科学:当AI给出结果,人类还能理解过程吗
数学界的争论之所以值得数学圈外的人关注,是因为声明自己划出了边界。签署者写得很清楚:他们认为这只是「影响其他科学和创意行业乃至整个社会的更广泛协调性问题的冰山一角」。
这句话把一场关于证明的争论,变成了一个关于「理解」的普遍问题。
博尔切斯(Richard Borcherds)——1998年菲尔兹奖得主——指出了一个关键区别:仅得出数值与构建独创性证明是两回事。巴扎德的表述更具体:对数学家而言,重要的是「正确证明定理,并以人类可理解的形式展示其背后的想法」。当前AI用自然语言写证明时容易出错,最终仍需人类逐行检查。
这个判断不只适用于数学。在生物、化学、材料科学中,AI已经在大量输出候选结构和预测结果。如果这些结果背后的推理过程无法被人类消化,科学家面对的将不是「AI太强」,而是一堆无法纳入知识体系的碎片。
有资料指出,如果没有数学家继续消化和整理结果,AI找到的想法很难真正进入数学体系。这句话放在其他学科同样成立。
从科学到创意行业:目标错位是一种通用病症
DeepMind的AlphaProof解决了2024年国际数学奥林匹克6题中的4题,其中3题提交了完全机器验证的满分解答。这个成绩放在高中竞赛层面是突破性的,但研究者级问题仍需人类创造性——AI的能力边界与人类理解的边界并不重合。
能力边界和理解边界不重合,这才是「错位」的核心。
AI公司需要可展示的成果来证明技术实力,这本身没有错。但当展示逻辑压倒理解逻辑,问题就出现了:在创意行业,AI生成的内容可以快速填满平台,但创作者和受众之间那种基于共同理解的意义交换被绕过了;在科学研究中,AI可以给出候选答案,但如果没有人类科学家去验证和消化,这些答案就只是数据,不是知识。
这不是AI独有的问题。任何效率工具在规模化应用时,都会面临「过程可见性」被压缩的风险。AI只是把这个风险推到了极致。
王正汉的反驳:工具进化不会消灭人类对竞技本身的需求
加州大学圣塔芭芭拉分校数学教授王正汉在一篇长文中表达了不同的看法。他认为数学不会因为AI而消亡。他打了一个比方:未来的数学家或许会像赛车手一样,开着各自的赛车追逐最快的完赛成绩,但飞机显然比赛车更快。工具的进化不会消灭人类对竞技本身的需求,我们依然还有人类自己的奥林匹克运动会。
这个类比值得认真对待。它提醒我们,「目标错位」的后果未必是消亡,也可能是形态转换。数学家可能不再以「证明速度」为荣,而是转向提出好问题、建立新框架、判断什么值得证明。
但王正汉的论证也有边界。他没有回答的是:如果AI把「证明」这件事本身变成了黑箱,数学家还能不能像赛车手一样,在赛道上感受每一次转向和加速?赛车手需要理解赛车的反馈,数学家也需要理解证明的每一步。当工具快到人类来不及理解,竞技的意义本身就被动摇了。
那么,当机器给出正确答案,人类还剩下什么?这个问题没有标准答案,但数学家的反应给了我们一个思考的起点。
## 当机器给出正确答案,人类还剩下什么
数学家的愤怒,本质上是对「理解」的捍卫
陶哲轩说过一句话,数学研究的核心价值不仅在于获知一个命题是否成立,更在于彻底理解它「为什么成立」,以及这些论证能给人类认知带来什么启发。
这句话放在当前的争论里,分量很重。因为AI给出的证明,恰恰跳过了「为什么」这一步。它告诉你结论是对的,但中间那条让人信服的路,它没走给你看。
陶哲轩用过一个词形容这种困境:「证明消化不良」。AI产出了大量证明,数学家吸收不了。问题不在于AI太强,而在于AI的产出和人类理解之间的通道被堵住了。
声明里有一句更直接的话:数学的核心,从来都不是产出冷冰冰的答案,而是理解结构、孕育思想。如果只靠算力给出结果,人类「思想链」就会断裂,数学灵感会枯竭。
这不是在反对效率。这是在说,效率跑得太快,把理解甩在了后面。
开放问题:如果AI能证明一切,数学还剩下什么
王正汉提供了一个不同的未来图景。他认为数学不会因AI消亡,未来数学家可能像赛车手一样,开着各自的赛车追逐最快完赛成绩。工具进化了,但人类对竞技本身的需求不会消失。
这个类比值得认真对待。但它也留下了一个缺口:赛车手需要感受每一次转向和加速,数学家也需要理解证明的每一步。如果AI把「证明」这件事本身变成了黑箱,数学家还能不能像赛车手一样,在赛道上感受反馈?
当工具快到人类来不及理解,竞技的意义本身就被动摇了。
所以「人类还剩下什么」的答案,可能不是「理解」,而是「选择」——选择什么问题值得解、什么证明值得理解、什么方向值得追求。理解是过程,选择是起点。AI可以替人走完过程,但起点仍然需要人来定。
这个问题不只属于数学
数学家的反应之所以值得关注,是因为它提前暴露了一个更普遍的张力:当AI在某个领域给出正确答案,而这个领域赖以立身的价值标准是「理解」和「审美」时,冲突就会发生。
科学如此,创意行业也如此。一个AI生成的方案可能有效,但人是否理解它为什么有效、是否认同它的审美判断,决定了这个方案能不能被真正接纳。
这不是技术问题,是协调问题。AI的能力增长很快,但人类理解、检验、内化AI产出的速度,增长得慢得多。这个速度差,才是冲突的真正来源。
数学家的愤怒,本质上是对「理解」的捍卫。他们不是拒绝AI,而是拒绝让「答案正确」取代「理解为什么正确」。这个立场能走多远,取决于AI能不能学会把黑箱打开一条缝,也取决于人类愿不愿意重新定义什么叫做「懂了」。
这个问题没有标准答案。但数学家的反应至少提醒了一件事:在AI给出正确答案之后,人类需要回答的,是另一个问题。