从 Math 1.0 到 Math 2.0：陶哲轩如何看待 AI 对数学的改变？

从 Math 1.0 到 Math 2.0：陶哲轩如何看待 AI 对数学的改变？

近年来，人工智能在数学领域取得了令人瞩目的进展。从国际数学奥林匹克竞赛，到一些长期未解决的研究问题，AI 已经不再只是辅助计算和检索文献的工具，而是开始直接参与数学证明的发现。

面对这些变化，数学家陶哲轩（Terence Tao）提出了一个值得思考的概念：Math 2.0。在他看来，AI 对数学的影响远不止提高研究效率。它可能改变数学家开展研究的方式，甚至迫使数学界重新思考一个更基础的问题：数学研究的价值究竟是什么？

1. 从证明稀缺到证明过剩

传统数学研究建立在一个基本事实之上：证明是稀缺的（Proof Scarcity）。

解决一个重要的开放问题，往往需要数学家经过数年甚至数十年的努力。在这个过程中，研究者不仅需要掌握已有理论，还要不断尝试新方法、寻找反例，并逐步建立新的数学工具。陶哲轩将这种传统研究模式称为 Math 1.0。

然而，AI 正在改变这一前提。数学有三个特别适合 AI 发展的特点。首先，数学证明具有客观可验证性。一个证明是否成立，原则上可以通过严格的逻辑推导判断，甚至可以借助 Lean 等形式化证明助手进行机器检查。其次，数学研究高度数字化。与依赖物理实验的学科不同，许多数学问题只需要符号、定义和逻辑推导。此外，大量数学教材、论文和研究资料已经数字化，为 AI 提供了丰富的训练和检索资源。

这些特点使数学成为 AI 最容易取得可验证成果的领域之一。随着大模型、自动定理证明和形式化验证技术的发展，过去需要大量人力探索的问题，现在有可能在相对较短的时间内取得进展。

陶哲轩认为，我们正在进入一个新的阶段：证明过剩（Proof Abundance）。当然，这并不意味着 AI 已经能够解决大多数数学难题。它的能力仍然很不均匀：有时可以完成高难度推导，有时却会犯非常基础的错误。许多真正处于研究前沿的问题，即使投入大量计算资源，依然无法解决。但可以预见的是，随着 AI 的发展，获得证明的成本可能持续下降，而数学研究的瓶颈也将随之改变。

2. 数学研究的价值不只是解决问题

陶哲轩提出了一个很有意思的比喻：数学中的开放问题更像是灯塔（Lighthouses），而不只是需要抵达的终点。灯塔的作用是指引方向。数学家研究一个重要问题时，即使最终没有解决它，也可能在探索过程中发展出新的理论、发现新的方法，或者找到其他值得研究的问题。

事实上，现代数学的许多重要成果，正是在尝试解决某个困难问题的过程中逐渐形成的。如果 AI 可以迅速给出一个正确证明，事情是否就此结束？假设一个困扰数学界几十年的猜想，突然被 AI 用数百页复杂推导证明了。即使这份证明完全正确，数学家仍然需要理解：证明中真正关键的思想是什么？哪些方法可以推广？它与已有理论有什么联系？是否由此产生新的研究方向？如果只得到了最终答案，却没有获得相应的理解，那么数学研究的价值可能只实现了一部分。

过去，解决问题与发展理论通常是相互促进的。数学家为了找到证明，必须理解问题、创造工具，而这些工具又推动其他方向的发展。但 AI 可能打破这种联系。得到正确答案与形成数学理解，不再必然是同一个过程。陶哲轩因此提醒数学界：不能只把解决开放问题的数量当作衡量数学进步的标准。过分追求证明产出，反而可能让一些更有价值的探索被忽略。

3. 当证明越来越多，谁来解释这些证明？

一个数学成果从产生到真正成为数学知识，通常需要经历几个阶段：生成证明、验证证明、清晰解释、发表与同行评审，最终融入被广泛接受的理论体系。

过去，这些环节往往由同一个研究者或研究团队逐步完成。但 AI 正在显著加速前两个阶段。一个系统可能很快生成大量证明，再通过自动化工具检查正确性。然而，把复杂证明整理成数学家能够理解的形式、解释其中的核心思想，并将它们纳入现有理论，仍然需要投入大量工作。这就产生了新的问题：证明的生产速度，可能超过数学共同体理解和吸收这些成果的速度。

因此，未来的数学研究可能出现一种特殊现象：正确的证明越来越多，但真正具有清晰解释、能够被其他数学家理解和使用的成果，反而只占其中一小部分。

陶哲轩认为，数学界可能需要重新评价不同类型的学术贡献。过去，人们通常更关注谁首先证明了一个定理；未来，能够清晰解释一个复杂结果、提炼其中的关键方法，并将它发展为可以反复使用的理论，同样值得高度认可。一个数学结果不应只停留在“已经被证明”的阶段，还应尽可能被解释、传播、理解和进一步发展。

4. AI 的成功案例也需要冷静看待

最近一段时间，AI 公司不断公布数学研究中的新突破。这些进展值得关注，但陶哲轩也指出了一个容易被忽略的问题：报告偏差（Reporting Bias）。

公众看到的往往是 AI 成功解决了哪些问题，却很少知道它失败了多少次、尝试了多少种方法、投入了多少计算资源，以及过程中究竟有多少人工干预。如果一个模型尝试了一千个问题，最后成功解决了十个，那么这十个成果当然有价值。但仅凭成功案例，并不足以判断这个模型已经具备普遍解决研究问题的能力。

因此，陶哲轩主张建立更加透明、科学的评估方式，不仅记录成功结果，也应报告失败案例、资源消耗和实际可靠性。他还强调，数学证明虽然具有客观可验证性，但 AI 生成的内容不能因此自动获得信任。特别是在形式化证明中，Lean 可以验证一个形式化命题是否由给定公理和定义正确推出，却不能自动保证这个形式化命题准确表达了研究者原本想证明的数学结论。如果定义写错、假设遗漏，机器仍然可能给出形式上完全正确的证明。所以，形式正确性与数学意义上的正确理解之间，仍然需要建立联系。

在实际研究中，陶哲轩更倾向于把 AI 与独立验证结合起来，尤其看重 AI 在检查证明漏洞、寻找反例和测试假设方面的作用，而不是无条件接受它生成的结果。

5. Math 2.0：数学研究的新方式

如果 AI 的作用不应局限于更快地解决开放问题，那么它还可以做什么？

陶哲轩提出了一些很具体的方向。

从研究单个问题到大规模数学实验

传统数学研究往往集中于少数重要问题，进行深入分析。而 AI 使得研究者有可能同时探索成千上万甚至数百万个相关问题，观察哪些问题容易解决、哪些问题困难，以及这种差异背后是否存在共同结构。

例如，Equational Theories Project 结合数学家的协作与自动化工具，对普遍代数中超过2200万个真假命题进行了判定。另一项关于逆伽罗瓦问题的研究，则通过大规模协作寻找具有指定伽罗瓦群的多项式。

这类工作的意义不仅在于解决了多少个问题，还在于能够系统描绘一个问题族的结构与难度分布。陶哲轩认为，这可能开启一个新的实验数学时代。

为已有定理寻找更好的证明

数学研究不一定总要追求新的定理。有些重要结果虽然早已证明，但现有证明可能极其复杂，依赖大量高级理论，或者难以看清核心思想。AI 可以尝试寻找更加简洁、直观或初等的证明，让已有数学知识变得更容易理解。

陶哲轩将这类任务称为 Open Exposition Problems，即有待改进的数学解释问题。这与通常意义上的开放研究问题不同：结论已经知道，真正需要改进的是我们对结论的理解。

2026年计划举办的 Caltech Mathathon，就以利用开源 AI 工具改进已有证明为主要目标之一。

探索一个定理周围的数学结构

陶哲轩还提出，可以利用 AI 系统改变一个已知定理的假设，观察结论是否仍然成立。

例如，某个定理要求三个条件。如果去掉其中一个，是否还能得到原来的结论？如果不能，能否构造反例？是否存在一个更弱但足够的条件？还可以尝试在不使用某项高级理论的情况下重新证明已有结果，以判断原证明中的哪些工具是真正不可缺少的。

这种研究方式有助于系统理解定理的适用边界，也可能发现新的推广方向。相比单纯增加定理数量，这类工作更重视数学结果之间的联系，以及理论本身的完善。

建立持续更新的数学知识体系

随着数学论文数量不断增加，单个研究者越来越难以掌握一个领域的全部成果。陶哲轩提出，可以借助 AI 将大量相互依赖的定理、方法和证明整理为持续更新的知识网络。

例如，Integrated Explicit Analytic Number Theory Network 尝试把显式解析数论中的相关结果组织成一个可以不断修改和扩展的网络。

未来，AI 不仅可以帮助数学家寻找已有文献，还可能帮助识别不同研究之间的关系，发现理论中的空白，建立更系统、更容易检索和验证的数学知识体系。

6. 数学教育：不要把思考能力一起交给 AI

AI 对数学研究的影响，还将延伸到数学教育和博士培养。陶哲轩用饮食作了一个类比：食物从稀缺走向丰富以后，人们需要学习如何合理控制饮食；当认知工具变得越来越强大时，我们也需要学会管理自己的 AI diet。

对于学生而言，最大的风险可能并不是 AI 经常犯错，而是它逐渐变得足够可靠，以至于学生不再愿意自己思考。遇到难题时立即索要答案，阅读论文时直接要求总结，写证明时让 AI 完成所有推导，这些做法或许能提高眼前的效率，却可能减少真正训练数学能力的机会。

数学研究中的许多困难并不是无意义的重复劳动。反复尝试一个失败的证明、花时间理解一篇复杂论文、思考为什么某个假设不可缺少，本身就是研究能力形成的过程。尤其对博士生而言，博士训练的目标从来不只是完成一篇论文，而是逐渐具备独立理解文献、提出问题、识别错误和发展理论的能力。

陶哲轩因此强调，AI 应当帮助学生减少机械劳动，但不应该完全消除那些有助于形成数学理解的困难。在科研实践中，一个值得坚持的原则是：对 AI 提供的结果，应尽可能具备独立检查、解释和质疑的能力。

7. 数学界需要重新思考什么是好的研究

AI 带来的变化，还涉及整个数学共同体的学术评价方式。如果未来 AI 可以快速解决大量开放问题，那么仅仅根据论文数量、证明数量或者是否抢先解决某个猜想来评价学术贡献，可能越来越不合理。

数学界需要更加重视成果是否真正带来了新的理解，是否发展了可以重复使用的方法，是否能够被其他研究者吸收，以及是否为后续研究打开新的方向。与此同时，AI 的使用也需要更加透明。哪些工作由数学家完成，哪些部分借助 AI，结果经过了怎样的独立验证，都应该得到适当说明。

陶哲轩还担心，如果所有研究者都把注意力集中在 AI 最容易解决的问题上，可能形成某种研究方向上的单一化。那些需要长期积累、难以快速产生可量化成果的基础工作，反而可能受到忽视。因此，数学界不能只被动接受 AI 公司对“数学能力”的评价标准，而应主动讨论数学研究真正值得追求的目标。

总结：数学的未来不是得到答案

从 Math 1.0 到 Math 2.0，改变的不只是数学问题的求解速度。

过去，由于证明十分困难，解决一个开放问题通常意味着研究者已经付出了大量探索，并在过程中形成新的数学理解。因此，数学界习惯于将重大问题的解决视为学科发展的重要标志。

但 AI 正在改变这一前提。当证明不再那么稀缺，我们就需要更加认真地区分：什么是正确的答案，什么是有价值的数学理解，什么又是真正推动学科发展的研究。这并不意味着数学家应该停止解决问题，更不意味着应该拒绝 AI。恰恰相反，AI 可能使过去无法开展的大规模数学实验、知识整理和理论探索成为现实。

真正的问题是，我们是否具有足够的想象力，去发现这些新工具除了生成证明之外，还能够怎样改变数学研究。陶哲轩认为，实现 Math 2.0 的主要瓶颈，或许已经不再是技术，而是想象力。AI 可以帮助数学家更快地抵达终点，而数学家仍然需要思考：为什么要走这条路，以及沿途究竟发现了什么。