AI与数学的变革前夜
当 AI（Artificial Intelligence: 人工智能）能够比人类更快、更准地证明数学定理时，我们的数学研究体系到底该往哪走？这不仅是学科层面的困惑，其本质是AI正在挑战人类核心知识生产与传承的逻辑。近日，陶哲轩（Terence Tao）在未来数学研讨会（Future of Mathematics Symposium）上做了一场主题演讲，直指当下AI辅助数学研究的核心矛盾。这场分享让我们意识到，数学这个几千年来几乎没怎么变过的学科，正站在一场不得不改的变革前夜。
陶哲轩认为，数学正在从证明稀缺时代，全面进入证明过剩时代。过去几千年，数学家们的核心工作是“找证明”，一个猜想可能耗费几代人的心血才能找到路径。但现在，AI驱动的定理证明工具与大语言模型（Large Language Model: 基于海量文本训练的 AI 系统）出现，使得生成证明和验证证明的速度呈指数级提升。AI能在短时间内处理海量问题，甚至利用 Lean（一种形式化验证工具，用于确认证明的逻辑正确性）来确认结果。然而，这些技术上正确的证明对数学界来说，真的具有不可替代的价值吗？陶哲轩给出的答案是未必。
证明消化：数学进化的核心
传统的数学研究从来不是找到证明就结束了，它包含三个核心阶段：生成证明、验证证明、以及 证明消化（Proof Digestion: 将证明置入数学体系，梳理叙事逻辑、关联文献并转化为可传承知识的过程）。在前两个阶段，AI已超越人类，但在“证明消化”这一数学进步的核心环节，AI几乎完全缺位。
真正的消化，并非简单看懂每一步推导，而是将证明放进整个数学体系中，梳理其叙事逻辑、找到关键创新点、关联过往研究，甚至将其转化成能教给下一代的内容。一个仅严格符合逻辑、却不解释关键点、不引用相关文献的AI生成证明，被陶哲轩称为“三分之二的解决方案”。它完成了技术目标，却未推动领域进步。目前的现状是，这类“半成品”证明越来越多，人类根本来不及处理，从而导致了知识层面“消化不良”的危机。一堆技术上正确却孤立的数据点，没法融入数学知识体系，失去了推动领域后续研究的动力。
目标脱节与学术激励困境
这种危机的根源在于AI与人类研究目标维度的错位。陶哲轩将目标分为显式目标（明确的技术任务，如证明猜想、解方程）与隐式目标（研究过程中自然伴随的行为，如梳理逻辑、标注难点、通过探索提升问题解决能力）。人类在攻克猜想时，这两种目标是同步完成的；而AI像一个字面意义上的“精灵”，只完成显式目标，完全忽略隐式目标。这种错位导致了学术体系中严重的激励缺口（Incentive Gap）。
在现行数学界，核心奖励机制是谁第一个证明了问题。一旦“首次证明”完成，相关研究者即可获得学术声誉与职称晋升。然而，证明之后繁琐的优化、解释与教学化工作，既缺乏突破光环，又极其耗时，几乎没人愿意做。我们越擅长利用AI完成“首次证明”，就越难推进系统层面的“消化证明”。越追求效率，越容易制造出一堆知识垃圾。陶哲轩提出衡量数学问题是否真正解决的 Talk指标（Talk Metric: 是否有人类能在讲台上将证明彻底讲清并回答同行质疑）：如果做不到，即使证明正确，也不算真正解决。
重构数学研究的基础设施
针对AI高效率与人类体系的低适配，陶哲轩建议重构研究基础设施。他将当前的数学体系（期刊、评审、教学、教材）比作“马车时代”，主张像城市规划一样明确划分“高速公路”与“步行街”。
高速公路区域针对可标准化、高通量的任务，如 方程理论项目（Equational Theories Project）中的海量微定理证明、或解析数论中的显式计算。这些任务不需要人类深思，可完全交由自动化工具，追求规模与速度。步行街区域针对需要深度概念思考与协作的任务，如全新的范式探索。在此区域，应屏蔽AI噪音，优先保证人类的深度理解与交流。
他主导的“方程理论项目”验证了模块化设计与去中心化协作的成功，而早期的 多项式项目（Polymath Projects）则展示了众包在广度上的优势。关键在于，我们需要适配现代工具并解决激励机制，而非仅优化AI工具本身。
数学教育的范式转移
鉴于AI能轻易解决本科阶段的绝大多数计算问题，基于“算对答案”的考核已失去意义。未来数学教育的核心应转向三个能力：AI编排能力（将复杂问题拆解为AI可处理步骤）、提示工程能力（设计精准提示词以获取有用结果）、以及 批判性评估能力（判断输出对错并识别逻辑漏洞）。陶哲轩反对仅用人类反馈强化学习（RLHF）来强行要求AI生成带叙事逻辑的证明，因为这会导致 Reward Hacking（奖励作弊：AI为满足评分标准而生成符合格式但缺乏真正洞察的内容）。
数学领域的变革格外困难，因为其严谨性依赖于“高信任度的小团队”，每个合作者需逐行检查对方工作，这既保证了严谨，也让纯数学界难以拥抱自动化工具。尽管Lean等形式化验证工具能减轻评审负担，但它仅能保证正确，无法确保可理解与有价值。数学的进步从来不是靠更多的证明，而是靠能被理解、传承的证明。将AI的效率与人类的深度理解结合，构建适配的体系，才是数学真正的未来。