具身硬件与前沿科学科普

人形机器人、具身智能、硬核制造与生命科学前沿科普解读。

超写派专栏

中国数学摘双金,AI重塑“好问题”:菲尔兹奖背后的范式之争

SSuperAdmin官方主理人2026年11月17日AI 专栏 · SupaWriter 深度研究工作流生成

邓煜和王虹为中国摘得首金,其意义不在“零的突破”,而在从“解题”到“出题”的范式转变。与此同时,AI正从证明工具演变为问题定义者,可能将数学研究引向算力密集型方向,挤压那些需要长时间酝酿的原始创新。本文分析这两股力量如何共同改写数学的价值标准,以及聚光灯外的“固执”为何仍是创新之源。

中国数学摘双金,AI重塑“好问题”:菲尔兹奖背后的范式之争

图片

双金突破:不是“奥数冠军”,而是“出题人”的诞生

从“解题”到“出题”的范式转变

2026年7月23日,邓煜和王虹在费城接过菲尔兹奖章。这是中国籍数学家首次获此奖项,且是两人同届获奖。在菲尔兹奖九十年的历史中,同一届有两位来自同一国家的数学家获奖,此前只在美国、法国、英国、俄国身上发生过五次。中国成为第六个进入这个名单的国家。

但“零的突破”这个说法,不足以概括这次获奖的实质。此前已有华人数学家获奖——丘成桐1982年获奖,陶哲轩2006年获奖。区别在于,邓煜和王虹的整个学术成长轨迹和核心成果,都与中国大陆的数学教育和研究体系深度绑定。更关键的区别在于他们所做的工作类型。

图片

丘成桐曾公开批评中国数学界的一个深层问题:“考奥数和做学问是两回事。奥数考察的是解题技巧和速度,方法是别人给的,弄熟了再去答别人出的题目。做学问要走自己的路,只是跟着别人后面走,解决别人的问题,做不出大学问。”这段话指向一个长期存在的范式困境:中国擅长培养金牌“解题者”,却鲜少诞生能够定义问题的“出题人”。

邓煜和王虹的获奖,恰恰在这个维度上实现了断裂。他们攻克的不是别人设定好的竞赛题,而是数学领域公认的、横亘百年以上的“硬问题”。

攻克“硬问题”的固执,而非共识

图片

王虹与合作者用127页论文攻克了三维挂谷猜想——一个研究“一根针在三维空间中旋转扫过的最小区域”的百年难题。莱斯大学数学家内茨·卡茨评价这项成果“百年一遇”。邓煜与合作者则用开创性方法攻克了希尔伯特第六问题的狭义版本,这是1900年希尔伯特提出的23个问题之一,125年来首次迎来实质性突破。

这两个成果有一个共同特征:它们都不是在主流共识的轨道上跑出来的。复旦大学教授肖仰华在讨论原始创新时指出一个规律:“原始创新几乎从不诞生在共识里。它诞生在一个人对一个别人看不上的问题的固执里。”孟德尔在修道院后园种了八年豌豆,论文沉睡三十五年后才被重新发现,成为现代遗传学的地基。神经网络在上世纪八九十年代被主流学界视为死胡同,辛顿、杨立昆、本吉奥等少数人在无人喝彩的角落里守了十几年,直到2012年等来算力与数据的东风,点燃了整个深度学习浪潮。

数学领域的原始突破遵循同样的逻辑。挂谷猜想和希尔伯特第六问题都不是“热门方向”,它们太难,太古老,出成果的概率太低,在学术劳动力市场上几乎不产生溢价。选择攻克它们,需要的是对问题本身的判断和一种近乎偏执的坚持。这种选择本身,就是“出题人”思维——不是去解答学术共同体已经认可的重要问题,而是自己去定义什么是重要的问题。

单次获奖当然有偶然性,不能由此推断中国数学已全面领先。但作为同一届两人获奖的第六个国家,它至少证明了一件事:中国已经具备了孕育顶尖原创成果的土壤。这种土壤的成分,不是更多的奥数金牌,而是允许并鼓励年轻数学家去选择那些“别人看不上”的问题,并给他们足够长的时间。

图片

AI的“围攻”:不是取代,而是重新定义“好问题”

从辅助证明到参与定义问题

谈论AI对数学的冲击时,焦点往往落在它能解多少题上。这其实窄化了问题。AI在数学中扮演的角色,正在从辅助证明的工具,悄然滑向一个更根本的位置:它开始参与定义“什么是值得研究的好问题”。

图片

过去几年,AI辅助证明的案例不断涌现。无论是验证复杂组合优化中的特定情形,还是在图论、代数中生成人类未曾想到的构造,这些工作都依赖于一个前提:问题本身必须被清晰地形式化,转化为AI可以处理的语言。这意味着,那些边界清晰、规则明确、可被大量数据或搜索覆盖的问题,天然地站在了AI的射程之内。OpenAI数学家塞巴斯蒂安·布贝克(Sebastian Bubeck)甚至期待,到2030年,AI和数学家或许能够共同获得菲尔兹奖。他的判断建立在一个趋势上:AI自主作出与最伟大数学家比肩甚至超越他们的贡献,只是时间问题。

这个趋势一旦确立,就会产生一种引力。资源——包括研究经费、青年才俊的关注和学术声望——会不可逆地流向那些AI能发挥最大效能的领域。一个原本因为计算过于繁复而被视为畏途的猜想,可能因为AI的介入变得“可操作”,从而迅速升温;而另一个需要深刻物理直觉或对复杂情境进行整体把握的领域,如果难以被建模为AI友好的形式,就可能被边缘化。这不是AI在主动排挤什么,而是研究生态对效率的追求在改变价值标准。

图片

布贝克的预言:2030年AI与人类同获菲尔兹奖?

布贝克的期待描绘了一幅令人屏息的画面。但把它理解为一个精确的时间表,会漏掉更重要的信息。他真正指出的,是AI在数学中的角色正在发生质变:从执行人类指令的证明器,变成提出猜想、指引方向的协作者。

然而,从“协作者”到“自主作出比肩最伟大数学家的贡献”,中间横着一条巨大的鸿沟。复旦大学教授邱锡鹏对当前AI模型的局限性有一个精准的判断:模型可以识别一个人、一个物体或一句话,却未必能理解人在特定场合下真正想表达的意思,也难以完整把握周围复杂环境对交流的影响。数学研究不是孤立地处理符号,它同样需要这种“情境理解”。一个问题的价值,常常根植于它对其他领域的潜在启示,或者它回应了某个学科中长期悬置的困惑。这种判断力,要求对知识网络有一种整体性的、带有审美倾向的把握,而不仅仅是模式匹配。

邱锡鹏还提醒,真正的范式变化往往不是突然发生的。GPT所代表的革新,也是一点点走出来的。AI对数学的重塑,更可能以渐进的方式渗透,而非某个清晨的突然颠覆。布贝克预言的真正意义,不在于2030年菲尔兹奖的领奖台上是否真会出现一个AI的名字,而在于它迫使数学界去思考一个更紧迫的问题:当AI的强项开始定义什么是“好问题”时,那些需要长时间酝酿、难以形式化、却可能带来深层范式变革的研究,是否还能得到足够的生存空间?这不是一个关于技术可能性的问题,而是一个关于学术生态选择的问题。

图片

黄金时代的代价:算力、水源与聚光灯外的火苗

AI数学家的“水电费”账单

欢呼AI攻克百年猜想时,很少有人会问:一次证明的算力账单是多少?答案正在变得越来越具体。与AI进行一次5分钟语音对话,背后智算中心的冷却水消耗大约是500毫升,相当于一瓶矿泉水。这一数字还只是模型推理的代价,不是训练。一座稳定运行的大型AI智算中心,年耗水量可达数百万吨,相当于为一个中等城市额外增加了一个社区的水务负担。全球AI算力基础设施的年耗水总量,已经接近爱尔兰全国居民的全年用水量。

图片

这些数字指向一个简单的逻辑:AI的数学能力不是悬浮在云端的纯智力活动,它需要物理世界的资源来支撑。大规模定理证明、猜想验证,每一次运行都在消耗真实的电力和淡水。这本身不是反对使用AI的理由,但它意味着“让AI去做数学”不再是一个纯粹的智力选择,而是一个资源配置问题。谁拥有足够算力,谁就能在AI辅助的数学研究中占据优势。这种优势正在向少数大机构和头部科技公司集中。

警惕聚光灯效应:创新诞生于黑暗中的固执

图片

物质成本的集中化,会催生一种更隐蔽的认知成本。当AI擅长的领域——组合优化、模式识别、大规模计算验证——成为资源流向的目的地,它们自然会被定义为“前沿”。而那些暂时无法被AI理解、难以形式化、甚至看起来“没什么用”的问题,则面临被边缘化的风险。

复旦大学教授肖仰华对此有过精准的判断:原始创新几乎从不诞生在共识里,而是诞生在一个人对别人看不上的问题的固执里。孟德尔在修道院后院种豌豆时,没有任何一个学术共同体认为他在做前沿研究。深度学习的早期三巨头在神经网络被整个领域冷落的年代坚持研究,同样不被理解。这些案例的共同点是:创新者选择了当时不被看好的问题,并在无人喝彩中持续投入。

AI的高成本正在系统性地强化“共识”的引力。资源涌向AI能解决的、能出成果快的方向,而“黑暗中的火苗”——那些需要长时间酝酿、可能孕育下一次科学革命的问题——变得更难获得支持。肖仰华提醒,一个时代的创新能力不取决于聚光灯有多亮,而取决于黑暗里还藏着多少不肯熄灭的火苗。

这并不意味着AI是创新生态的敌人。AI同样可以成为固执者的工具,用低成本快速验证一个非共识的想法。关键在于使用方式和社会对资源配置的自觉管理。我国东部地区已经严禁新建高耗水开式冷却塔算力项目,并强制推广中水回用、闭式冷却与浸没液冷技术,这正是对物质成本的有意识回应。但认知成本的应对更为复杂,它需要资助机构、学术期刊和研究共同体共同意识到:当AI定义“好问题”的能力越来越强时,保护那些AI暂时无法理解的问题,本身就是保护数学的未来。

想拥有高效的全自动内容生产力?

SupaWriter 打通热点选题、长文创作、智能语义配图、文章 4 维客观评分与浏览器扩展一键发布,助你提升 10 倍创作效率。