当证明不再稀缺：AI正在终结数学家的工作，还是重新定义数学？

数学可能是人类最早感受到“高阶认知自动化”的学科之一。

这不是因为数学最简单，恰恰是因为它足够困难，却又拥有相对清晰的正确性标准：一个结论最终要么能被证明，要么不能；一份形式化证明要么通过检查器，要么在某一步失败。与商业判断、社会政策或艺术创作相比，数学更容易把能力进步转化成可验证的里程碑。

2026年，这些里程碑开始密集出现。OpenAI披露内部模型推翻了1946年提出的平面单位距离猜想；研究人员报告Claude参与找到了高维Jacobian猜想的反例；AI系统开始在真实研究流程中搜索文献、构造例子、补全证明和形式化复杂成果。

于是，一个过去听起来像科幻的问题进入数学界的现实讨论：如果AI不仅能解竞赛题，也能处理开放问题、提出证明并逐渐学习选择研究方向，数学家还做什么？

Understanding AI作者Timothy B. Lee为此采访了二十多位数学家。答案并没有分成简单的“乐观派”和“悲观派”。多数人承认AI已经有用，也认为短期内它更像研究工具；但一些最了解前沿进展的人同时警告，能力曲线可能很快越过“辅助”阶段。

真正值得关注的，不是机器是否会拿走数学家的铅笔，而是数学的基本经济结构正在变化。

当证明从稀缺品变成廉价商品，最稀缺的将不再是答案，而是理解、判断、可信度和愿意共同研究这些答案的人。

一、数学为什么成为AI能力最敏感的试纸

数学兼具三种对AI极其有利的特征。

第一，它拥有大量结构化训练材料。教材、论文、习题、证明和形式化代码构成了一个跨越数百年的知识库。模型可以接触到远超单个人类数学家阅读范围的概念、技巧和跨领域连接。

第二，数学允许快速反馈。自然语言证明需要专家审阅，而Lean等证明助手能够把论证拆成机器可检查的步骤。这让模型不只是生成答案，还可以在失败后反复修正，形成“提出—检查—重试”的闭环。

第三，数学任务可以逐级增加难度。从算术、竞赛题、教材定理到开放问题，能力进步容易被观察。模型跨过一个层级后，研究人员可以立即把它推向更困难的层级。

这也是为什么数学进展具有强烈的象征意义。棋类AI可以被解释为在封闭规则下进行巨大搜索，语言模型可以被解释为模仿文本；但当通用模型产出具有新意、经专家核验的研究级证明时，“它只是在复述训练数据”的解释会越来越不够用。

OpenAI在平面单位距离问题的官方说明中称，内部模型给出了一族反例，实现了相对于原猜想的多项式改进。数学家Timothy Gowers评价，如果这篇工作由人类完成，他会毫不犹豫建议顶级期刊接收。这个案例的重要性不在于又多解决了一道题，而在于模型调动了分散在不同数学领域中的方法，组合成此前没有出现过的研究结果。

但一个突破不等于全面能力。开放问题的选择可能带有“适合模型”的偏差，研究人员会优先公布成功案例，失败尝试则很少进入公众视野；内部模型、提示过程和计算资源也未必公开。因此，更准确的说法是：AI已经越过“无法产生研究级数学”的否定线，却尚未证明可以稳定、独立地完成数学研究的全部环节。

二、真正发生的不是“解题自动化”，而是证明生产成本坍塌

传统数学的核心稀缺品是专家时间。

一名研究者可能花几周查找相关文献，几个月验证某个方向，几年构建一套理论。证明难以产生，所以论文、同行评议、学术声誉和研究资助都围绕“谁找到了新结果”组织。

AI正在压低其中多个环节的成本：

• 几分钟内扫描陌生领域并指出可能相关的定理；
• 构造满足特殊条件的例子或反例；
• 尝试不同证明路线并报告失败位置；
• 补全繁琐引理和边界情况；
• 把自然语言论证转成可由证明助手检查的形式；
• 充当不知疲倦的初审者，发现符号、引用和逻辑漏洞。

这些能力即使不能独立提出伟大理论，也足以显著增加候选定理和候选证明的供给。

问题随之而来：当生成一份看似可信的证明只需要几分钟，阅读它仍然需要几小时甚至几天；当一套系统每天可以提出数千个结果，人类共同体不可能以相同速度理解它们。

这类似互联网降低了内容生产和分发成本，却没有同步扩大人的注意力。结果不是信息问题消失，而是过滤、推荐、信誉和解释成为更重要的基础设施。

AI数学也会出现同样的转移：证明生产不再是唯一瓶颈，验证能力、专家注意力和共同理解开始成为稀缺资源。

三、形式上正确，不等于数学上已经完成

公众容易把数学理解为一张等待填满答案的试卷。按照这种想象，只要机器证明黎曼猜想、Hodge猜想和其他开放问题，数学就被“解决”了。

但数学家的工作至少包含五个不同层面：

1. 判断哪些问题值得研究；
2. 创造能够组织现象的新定义和新框架；
3. 找到证明或反例；
4. 解释证明为何有效、与其他领域有什么联系；
5. 把个人洞察变成共同体能够学习和继续发展的知识。

AI目前最先压缩的是第三项，以及第一、二、四项中的部分工作。即便机器最终在所有项目上都超过人类，这五个目标也不会自动合并。

一份机器可验证的证明回答了“结论是否成立”，却未必回答“我们为什么应该关心”“核心机制是什么”“它改变了哪一套世界观”。证明可以长达数百万步骤而完全正确，但如果没有任何人能够把它压缩成概念，人类获得的是一个结果数据库，而不是理解。

数学家William Thurston早在1994年的《论数学中的证明与进步》中就指出，数学进步不能只用定理数量衡量，数学共同体真正追求的是让人能够理解和思考数学。他曾迅速解决叶状结构领域的一批重要问题，却因为没有充分传播背后的思想，导致其他研究者离开该领域。答案增加了，研究共同体反而萎缩。

AI可能把这一现象扩大到整个学科：机器不断清空问题清单，人类却来不及形成新的直觉、语言和研究传统。

四、数学面临的最大风险，是“证明丰裕、理解贫困”

Terence Tao在2026年的公开讨论中提出了一个关键分离：过去，解决问题、增进理解、训练新人、建立合作关系和发展共同体通常彼此促进；AI擅长其中某一个目标后，这些目标可能不再天然一致。

假设一个AI给出了重大定理的完整形式化证明，却没有人能把证明解释成可学习的思想。从真值角度看，数学取得进展；从人类理解、教育和文化延续角度看，数学可能退步。

这种“证明丰裕、理解贫困”会带来四种后果。

1. 文献洪水

期刊和预印本平台可能收到大量机器生成结果。即便其中大部分正确，编辑也无法判断哪些重要、哪些只是已知技巧的排列组合。论文数量失去表达研究价值的能力。

2. 专家断层

如果年轻研究者不再通过处理小引理、构造例子和阅读长篇证明训练直觉，未来将缺少能够审查AI结果的资深专家。自动化越成功，人类验证体系的后备力量反而越薄弱。

3. 研究方向被算力塑造

模型更容易处理数据丰富、形式清楚、反馈快速的问题。资金和注意力可能流向“AI容易展示进展”的领域，而忽略概念尚不成熟、缺少形式化语料，却可能更重要的研究方向。

4. 数学记忆被外包

共同体可能知道某个结果“在数据库里已被证明”，却没有人熟悉证明技术。当模型、接口或企业服务发生变化，数学知识在形式上存在，在社会层面却无人掌握。

这不是反对自动证明，而是要求把“产生结果”与“保存理解”当成两个不同的公共目标。

五、验证会成为新的基础设施产业

语言模型最危险的地方不是经常胡说，而是能够写出结构完整、术语准确、局部合理的错误论证。对非专家来说，一份错误证明与一份真正突破可能同样令人信服。

因此，未来可靠的AI数学系统不会只是一个聊天窗口，而会是分层的信任栈：

• 生成模型负责探索、联想和提出候选证明；
• 检索系统负责定位文献并保存可追溯引用；
• 计算工具负责数值实验和反例搜索；
• Lean、Coq等证明助手负责检查形式逻辑；
• 独立模型尝试攻击、复现或简化结果；
• 人类专家判断重要性、解释概念并承担署名责任。

形式化验证极其重要，但也不是魔法。证明助手只能确认推导符合已经编码的公理、定义和库；如果问题被错误翻译、定义漏掉关键条件，机器可以完美证明一个并非研究者原本想表达的命题。

所以“通过Lean”应当类似软件通过单元测试：它显著提高可信度，却不能取代需求定义、系统设计和现实解释。

未来数学论文可能需要同时提交多层产物：自然语言摘要、完整证明、形式化文件、模型与提示记录、依赖库版本、计算轨迹和人类贡献说明。论文不再只是结果，而是一份可以审计的知识供应链。

六、最先被改变的可能不是顶级数学家，而是培养顶级数学家的路径

谈论职业替代时，人们通常盯着最著名的教授。但技术冲击往往从职业阶梯底部开始。

博士生和青年研究者通过“刚好够难”的问题成长：补一个证明缺口、验证特殊情形、整理文献、计算例子、把导师的直觉写成严密论证。这些任务看似技术性，却是建立品味与直觉的训练。

如果实验室直接把这些任务交给AI，短期生产率会上升，长期却可能破坏人才管线。没有经历过大量失败尝试的人，很难判断模型在复杂证明中哪里值得怀疑；没有亲手整理过文献的人，也难以察觉系统遗漏了哪一条隐秘传统。

这与软件行业取消初级岗位的风险相似：企业可以用AI减少初级开发者，却仍然需要高级架构师；问题是，如果初级岗位消失，十年后的高级架构师从哪里来？

数学教育因此不能只是禁止AI，也不能直接允许AI完成所有作业。更合理的做法是重新设计训练：

• 要求学生审计一份有意混入错误的AI证明；
• 比较多条证明路线的解释力与可推广性；
• 让学生记录模型建议、拒绝理由和独立贡献；
• 增加口头答辩、现场推导和概念讲解；
• 把形式化工具作为基础素养，而不是额外技能；
• 评价“提出好问题”的能力，而不只评价得到答案的速度。

AI应该成为训练重量，而不是替学生举起所有重量。

七、数学家的工作不会消失，但职位描述会改变

“计算器没有消灭数学家”是常见类比，却不完全充分。计算器自动化的是相对狭窄的计算，前沿模型正在进入文献检索、证明构造、理论联想和文字解释等更广泛环节。

更现实的判断不是“数学家永远不可替代”，而是数学工作将重新分工。

未来更重要的角色可能包括：

• 问题设计者：识别值得投入算力和人类注意力的方向；
• 理论建筑师：发明定义、范畴和统一框架，把孤立结果组织成世界观；
• 证明策展人：从海量机器结果中筛选具有解释力和影响力的工作；
• 形式化工程师：维护定义库、证明依赖与机器可验证知识图谱；
• 数学解释者：把复杂结果压缩成人类能够掌握的直觉、课程和叙事；
• 模型审计者：研究失败模式、数据污染、隐藏假设和系统性偏差；
• 共同体建设者：维持同行评议、人才培养、学术信用和跨领域协作。

这些并非“机器做真正数学，人类负责包装”。选择问题、创造解释和建立共同理解本来就是数学的核心，只是在证明长期稀缺的时代，它们经常与证明结果捆绑在一起。AI迫使数学界把这些价值明确说出来。

八、学术信用体系必须回答：一份AI证明是谁的成果？

当研究者提供问题、选择文献和方法，模型完成关键引理，证明助手核验逻辑，另一组专家解释意义，这项成果应该如何署名？

传统作者制度默认，人类作者理解并愿意为论文全部内容负责。模型不能承担法律和伦理责任，也无法回应质疑、声明利益冲突或保证没有泄露训练数据。因此，把模型简单列为作者解决不了问题。

但完全不披露AI贡献同样不可接受。它会让同行无法判断结果的生成过程，也会掩盖不同研究团队在模型访问和算力资源上的巨大差异。

更可行的是建立贡献账本：

• 研究问题和方向由谁提出；
• 哪些步骤由什么模型、什么版本完成；
• 使用了哪些提示、工具和计算预算；
• 人类验证了哪些内容；
• 形式化系统检查了哪些命题；
• 谁对最终结论承担责任。

《莱顿人工智能与数学宣言》已经把透明、可重复、学术自主、公平获取和人类判断列为重要原则。它的价值不在于阻止AI，而在于提醒数学界：不能等企业工具定义完新规则后，再被动适应。

九、AI数学也是一场关于学术权力的竞争

最强数学模型往往需要昂贵计算资源、私有训练数据和不可公开的内部系统。结果可能出现一种反常局面：数学证明本应是最开放、最普遍的人类知识，但产生前沿证明的能力却集中在少数企业内部。

这种集中会影响：

• 哪些开放问题得到优先计算；
• 成功与失败结果是否公开；
• 独立学者能否复现实验；
• 模型生成成果的知识产权归属；
• 研究人员是否为了工具访问而离开大学；
• 公共资助机构是否误以为企业AI可以替代基础研究投入。

2026年菲尔兹奖得主Jacob Tsimerman加入OpenAI安全团队，既说明顶尖数学家可以帮助建立AI理论，也反映企业正在吸收学术界最稀缺的人才。若公共机构只享受模型带来的短期产出，却不继续投资人类数学家、开放证明库和公共算力，最终可能失去独立判断企业成果的能力。

数学能力应当被视为与芯片、能源和计算设施同样重要的战略基础。一个社会不能因为拥有强大的数学模型，就认为不再需要能够理解、质疑和重建其输出的人。

十、数学界需要建立“人类理解预算”

如果AI每天能够产生远多于人类可阅读数量的结果，学术机构必须主动决定将注意力花在哪里。

可以考虑建立一套与计算预算并列的“人类理解预算”：任何重大机器成果，除了支付生成与形式验证成本，也必须投入资源用于独立复核、概念压缩、教学材料、公开讲座和人才培养。

评价体系也要从“证明了多少定理”转向更丰富的指标：

1. 结果是否经过独立复现和形式化验证；
2. 是否产生了可迁移的新方法，而非孤立答案；
3. 是否让更多研究者理解该领域；
4. 是否形成可维护的开放知识库；
5. 是否培养了能够继续推进问题的人；
6. AI参与过程是否透明、可审计；
7. 研究方向是否由学术价值而非企业展示需求决定。

当证明变得便宜，解释和教育不能继续被当成成果发布后的附属工作。它们将成为数学知识真正进入人类文明的主要成本。

十一、AI不会“解决数学”，它会迫使人类重新回答为何做数学

即使假设未来AI能证明所有当前著名猜想，数学也不会因此结束。

人类可以改变公理、创造新结构、追问不同对象之间的关系，并从自然科学、社会系统和计算世界中提出新问题。更重要的是，数学不仅是一组真命题，也是人类建立抽象能力、共享推理方法和理解世界的文化实践。

一个拥有所有证明的无限图书馆，并不会让阅读失去意义。相反，它会让“读什么、为何读、如何理解、与谁讨论”变得更加重要。

真正危险的未来不是AI比数学家更强，而是人类因为机器已经给出答案，逐渐停止培养理解答案的能力。真正积极的未来也不是把AI限制在计算器角色，而是用它扩大人类可以探索的范围，同时保留提出问题、形成直觉、传递知识和承担责任的共同体。

数学职业的旧形态可能无法原样保留。证明作为个人稀缺产出的时代也可能过去。但数学不会被一张完成的题目清单终结。

AI让答案大量涌现之后，人类面对的是更困难的问题：哪些答案值得理解，什么样的理解值得代代相传，以及我们希望用这种新能力建造怎样的知识世界。

这不是数学的终点，而是数学第一次必须把自己的价值写进证明之外。

RecodeX 极客视