前OpenAI后训练VP回应陶哲轩：AI不只是解题工具，还能推动数学理解

数学家担心AI毁了数学，AI从业者却说：你可能小看了它

9月中旬，一场关于AI与数学未来的讨论在学界和工业界之间展开。起因是菲尔兹奖得主陶哲轩在个人博客发布了一篇题为《人工智能在数学中的严重错位》的声明，获得包括皮埃尔·德利涅、邓煜等25位历届菲尔兹奖得主联署。他们共同表达了一个核心忧虑：当前AI公司过度聚焦于“解决著名难题”，而忽视了数学真正的灵魂——概念理解、方法提炼和知识传承。

几乎同时，前OpenAI后训练副总裁Liam Fedus在社交平台作出回应。他认同陶哲轩对“理解”的重视，但认为不能以今日AI的能力边界去限制未来可能性。“未来的AI不仅能解决问题，还能提出有价值的洞见、建立新的概念框架，让数学家在此基础上继续探索。”

这场对话背后，其实是两种视角的碰撞：数学家看到的是当下AI实践中的风险，而AI从业者看到的是技术演进后的潜力。

AI真的只是在“刷题”吗？

陶哲轩等人指出，解出一道难题只是数学研究的一小部分。更重要的是理解问题背后的结构，发展出可迁移的新概念和新工具。如果AI只追求“答对”，而不解释“为什么”，那么它的成果很难被纳入人类的知识体系。

这种担忧并非空穴来风。2024年，AI在国际数学奥林匹克（IMO）中表现亮眼，从银牌水平迅速逼近金牌。但那仍属于“封闭问题”——题目明确、解法有限。真正的转折发生在2025至2026年，AI开始挑战开放性数学难题。

今年5月，OpenAI内部模型成功反驳了已有近80年历史的Erdős单位距离猜想。该问题问的是：平面上给定n个点，最多能有多少对点之间的距离恰好为1？传统上，数学家猜测这个数量不超过n的某个次线性函数。但AI不仅构造出无穷多反例，还在证明中引入了代数数论工具。这一结果经外部专家审查后，被菲尔兹奖得主Tim Gowers称为“AI数学的里程碑”。

更引人注目的是9月初的消息：OpenAI宣布，利用约1万个自主AI Agent配合高级模型，在88小时内找到了三维Navier–Stokes方程出现奇点的证明，并通过Lean语言完成形式化验证。如果最终被数学界确认，这将是AI首次触及千禧年大奖难题的核心。

这些进展说明，AI早已超越“竞赛刷题”阶段，开始进入真正的研究前沿。但随之而来的问题也更复杂：成果算谁的？模型从哪知道这个方向？是否侵犯了他人未发表的工作？

署名之争：AI成果的归属困境

争议很快具象化。就在OpenAI宣布Navier–Stokes奇点证明的同时，纽约大学教授Tristan Buckmaster与Anthropic数学家Levent Alpöge也公开了类似研究。Buckmaster随即质疑：OpenAI是否在得知他们尚未公开的研究方向后才启动项目？双方围绕优先权、署名以及模型是否接触过用户数据展开激烈争论。

这暴露了一个根本问题：当AI参与知识创造，传统的学术规范——如署名、引用、同行评议——该如何适用？

Liam Fedus承认这些问题的存在，但他坚持认为，AI的终极角色不应仅限于“答案生成器”。如果训练目标扩展到“解释为什么”“提炼方法”“帮助人类理解”，那么AI完全可能成为既能解题又能启发思路的研究伙伴。

他援引围棋领域的先例：AlphaGo虽无法解释自己的每一步，但人类棋手通过分析其落子模式，反而提升了整体水平。Noam Brown曾指出，AlphaGo之后，职业棋手的开局策略明显更加多样化。Liam相信，数学领域也可能经历类似过程——AI的“非人类”思路，或许能打开新的探索路径。

学术共同体如何回应？

面对AI带来的冲击，主要数学机构已开始明确立场。

美国数学学会（AMS）强调，Navier–Stokes方程的最新进展绝非AI凭空创造。它建立在Navier、Stokes、Leray等经典工作之上，也依赖Córdoba、Martínez-Zoroa、Buckmaster、Alpöge等当代学者的积累。“数学的目的，是人类的理解。”AMS重申。

伦敦数学会（LMS）则将AI定位为“强大的新工具”：它可以加速探索和发现，但提出问题、创造概念、形成深层理解，仍是人类独有的职责。

而负责千禧年大奖认定的克雷数学研究所（CMI）采取了最谨慎的态度。对于AI给出的Navier–Stokes证明，CMI并未直接认可，而是要求结果必须公开、接受同行检验，并经过长期验证。CMI特别指出，重大难题的价值不仅在于答案，更在于解题过程中产生的新思想、新方法和新理论工具。

真正的问题不是“AI毁了数学”

回到Liam与陶哲轩的分歧，表面看是乐观与谨慎之争，实则指向同一个核心：如何让机器产生的知识真正融入人类的知识体系？

AI有能力产生洞见，并不自动意味着这些洞见能被理解、验证和传承。当前的挑战在于制度设计——如何调整署名规则、评审流程、教育方式，以适应人机协作的新范式。

陶哲轩们的警告提醒我们：不能因为技术炫目就放弃对“理解”的追求。而Liam的回应则指出：技术本身也在进化，今天的局限未必是明天的天花板。

或许，数学正在经历类似当年计算机证明四色定理时的阵痛。1976年，Appel和Haken借助计算机完成证明，引发“这还算数学吗”的争论。几十年过去，计算机辅助证明已被广泛接受，但前提是——过程可复现、逻辑可检验、思想可传播。

AI数学的未来，大概率也会走类似路径。关键不在于AI能不能做数学，而在于人类如何确保它做的数学，依然是“我们的”数学。

结语：现在比回应未来更重要

Liam的话描绘了一个诱人的未来：AI不仅是解题者，更是思想伙伴。但正如多位数学家所强调的，真正紧迫的不是想象未来，而是规范现在。

当AI开始产出可发表级别的成果，学术界需要尽快建立共识：

• 如何界定AI生成内容的原创性？
• 人类合作者在其中扮演什么角色？
• 形式化验证能否替代传统同行评议？
• 教育体系如何培养学生与AI协作而非依赖？

这些问题没有简单答案，但回避它们的风险更大。毕竟，数学的生命力不在于谁最先写下答案，而在于一代代人如何理解、质疑、拓展那些答案背后的智慧。

AI或许不会毁掉数学，但如果人类放任技术逻辑主导知识生产，那数学的灵魂——理解与传承——才可能真正流失。