一条关于数学的讨论，把常见AI叙事拧断了。

AI已经能生成数学证明，甚至碰过纳维-斯托克斯方程、黎曼猜想相关命题。

按常规剧本，下一步该是人类科学家被替代。

但陶哲轩博客上的客座文章给出另一个判断：

机器越强，人类理解越值钱。

数学可能需要更多数学家，甚至多得多。

文章作者 Francesco Maggi 提出两种未来。

黄金时代：LLM赋能新一代科学家，开放协作，科学保持独立。

黑暗时代：短期成果暴涨，独立科研能力萎缩，知识集中到少数人手里，人类越来越读不懂。

机器能写证明，却把数学家逼成翻译

最扎心的地方在于，AI给出的答案，人类不一定能顺畅读下去。

LLM在Lean里很顺。Lean是证明助手，能检查形式论证是否成立。

真正重要的证明往往极长，可能有几十万行代码。

更麻烦的是，Lean版本越长，机器翻译出的自然语言证明越乱。

于是出现一种奇特场景：

机器交出正确形式证明。

人类读不进去。

机器再翻译成人话，翻译稿又乱到需要数学家反复研究。

作者问得很狠：

如果没有人类理解，我们为什么还要研究数学，甚至追求证明？

个人觉得，这句话戳破了AI竞赛的盲区。大家盯着能不能证出来，却忽略了证出来之后，谁能吸收。

数学没有结束，理解反而涨价

很多人看到机器会证明，就喊数学完了。

作者不同意。

数学像人类认知的一部分。我们会识别物体，所以计数；有空间和时间直觉，所以测量。

不同文明造出不同数学。现代数学边界还在扩张。

机器能证明定理，不等于人类数学终结。

没有人类理解，就没有人类意义上的数学。

这里有个反直觉结论：

如果社会不想放弃数学，就需要更多数学家。

评论区也有类似声音。有人说，AI数学论文可能答案正确，却没有像人类作者那样教会读者。

老实讲，这很关键。数学不只给答案，还要把答案变成可传承的知识。

AI的创造力还没被人类看懂

LLM到底有没有创造力？

作者很克制。惊人表现应被当成现象研究，别急着推论智能、创造力、意识。

目前能确认的是，LLM极擅长重组已有知识结构，能在遥远文献之间发现联系。

它还能做到个体研究者做不到的规模。

但它是否只是超级语言重组，还是某种尚未被描述的合成推理，仍是开放问题。

素材里有个细节很有意思。OpenAI提到尝试4000个问题，经过聚合和筛选，只在几百个问题上报告成功。

这意味着还有一大批问题没被解决。

这些失败题目是什么？它们更有趣，还是周围土地不适合LLM耕作？

想知道怎么让AI帮忙，先得知道它在哪里失灵。

比证明更稀缺的，是发明语言

数学家承认，数学工作不只定理证明。

有一个关键能力叫 mathematization。

它的意思是：发明一套数学语言，让现实世界变得可量化、可推理。

牛顿、傅里叶、黎曼、爱因斯坦、香农、格罗滕迪克，他们的巨大贡献都不只是解题。

他们发明了新的概念框架，把整片知识重新组织。

作者猜测，LLM未来也许能对数学结构做数学化。但能否超越这个范围，并高效翻译成人类语言，还看不清。

这里有一个很大的机会。

如果证明变便宜，人类也许能把更多精力投向数学化。

自然科学、社会科学里，有太多领域因为证明太难，理论难以展开。

量子力学就是典型。数学形式化推出反直觉预测，后来被实验验证。若没有理论预测，谁会主动提出纠缠这种自然属性？

数学进步不该被简化成打怪清单

AI时代很容易产生一种错觉：数学进步就是划掉难题列表。

作者提醒，这太粗暴。

希尔伯特问题清单很有影响，也启发了千禧年难题。它像灯塔，能引导数学活动。

但数学不是有限题库。

广义相对论的数学基础，来自高斯、黎曼、里奇-库拉斯特罗、列维-奇维塔等多代数学家发展的几何思想。

傅里叶级数、测度论、现代概率、信息理论之间，也有一条漫长的历史线。

香农发现信息源的统计结构决定传输和压缩极限，直接打开新领域。

这些例子说明，数学进步不只攻克难题。

它还包括发明语言、连接领域、改变观察世界的方式。

开放学术正在变成防守游戏

LLM训练吃掉了大量人类数学文献。

问题是，它怎么用的，人类并不完全知道。

哪些想法进入了一个证明？

谁负责说这个证明正确？

如果AI重新发现已有文献里的论证，引用怎么办？

证明要成为知识，需要被理解、解释、放入上下文。同行评审仍然重要。

Lean可以帮助检查形式正确性，但意义、相关性、文化传承，仍需要人。

更微妙的是，数学界原本很开放。大家会公开提出问题、猜想。

现在，气氛开始变了。

作者举了个例子：如果OpenAI对黎曼猜想有兴趣，谁还敢轻松地把原创想法输入ChatGPT？

这个想法可能被更先进的模型吸收，被其他人推进，最后连来源都无法追溯。

研究陈述、项目申请书，也可能被管理员或评审上传给LLM，用来辅助写报告。未发表研究的保密性就可能被破坏。

这点我挺认同。AI一旦进入科研流程，开放共享和保密边界会同时紧张。

下一代数学家要证明自己还能思考

数学曾经有一种朴素公平。

你做出强结果，就能获得认可。哪怕处在边缘位置，也能靠成果说话。

现在，这套机制开始摇晃。

作者说，他接触过的数学家里，主流情绪是：传统认可机制在几周内崩塌。

一个强结果本身，不再足以证明学生具备独立数学能力。

素材也说，不确定这种情绪是否过度，但焦虑是真的。

如果没有透明度，不知道提示词如何影响模型输出，个人能力评估就只能依赖更深入的人与人互动。

还有一个更隐蔽的问题：大量使用LLM，会不会改变人的注意力、动机和理解深度？

有经验数学家过去一年的使用体验，已经提到一些微妙甚至明显的变化。

我们要学会用AI放大智力，又不能把学会数学所需的核心认知活动外包出去。

真正的风险：科学基础设施被少数公司握住

学术和企业并非天然对立。LLM本身就结合学术理论和资本投入。

真正的危险是不对称。

少数前沿公司拥有强大科学能力，大学和公共机构却只能依赖它们。

如果这些公司用专有系统竞争科学发现，而研究者又必须依赖同一套系统参与，局面就很别扭。

数学可能只是最早显形的领域。

谁决定哪些问题拥有最好工具？

谁能使用？

发现什么时候公开？

这些问题如果由私人利益主导，科学影响力会高度集中。

作者也提到，OpenAI和数学界有对话，在纳维-斯托克斯问题之后，结果呈现和传播有改善。

但善意不能替代结构。

商业激励、科学优先级、公共利益，并不总在同一条线上。

黄金时代的门票：公共LLM基础设施

文章给出的出路很明确。

大学、专业学会、资助机构、科学基金会需要协调，开发并治理有竞争力的科研LLM。

科学家需要前沿能力，也需要透明、保密、独立测试和复现。

重点并非完全摆脱私人公司。

目标是保住独立科研能力，让LLM服务于研究共同体，而不是慢慢削弱它。

黄金时代可以拆成具体动作：

研究者获得前沿LLM访问权。

LLM生成学术成果要有复现和披露标准。

投入资源理解和传播AI生成结果。

研究LLM对科学教育和研究训练的影响。

持续投资公共治理的LLM基础设施。

作者最后把话说得很稳。

数学界有责任让数学继续作为人类文化的活跃部分。

接受不确定，继续写作、发表、评审、申请项目，变得更雄心勃勃。

黑暗时代并非注定。

真正的问题是，当机器越来越会证明，人类是否还愿意花力气理解。

如果理解变成奢侈品，科学还会属于谁？

【锐评】：AI能生产证明，人类不能停产理解；否则科学只会越来越像黑箱。

参考链接：
https://terrytao.wordpress.com/2026/10/18/will-it-be-a-golden-age-or-a-dark-age-for-mathematics-and-science/