人类耗费数代未能攻克的数学难题，正被 AI 逐一逼近。然而，包括陶哲轩在内的 25 位菲尔兹奖得主联合发表声明，警示当前 AI 公司推动机器解决重大数学问题的方式，正朝着危险的方向发展，可能对数学研究本身及整个共同体产生破坏性影响。
25 位菲尔兹奖得主联名预警：目标严重错位
陶哲轩、邓煜、彼得·舒尔茨等 25 位顶尖数学家指出，真正值得警惕的并非 AI 解题能力的提升，而是 AI 公司逐渐将攻克著名数学难题作为衡量模型能力的基准（benchmark）。陶哲轩随后发表题为《数学领域中 AI 的严重目标错位》的文章，进一步阐述了这一观点。
现年 51 岁的陶哲轩是当代最具影响力的数学家之一，其研究领域横跨调和分析、偏微分方程等多个方向。他在文中强调，大语言模型虽能迅速解决重要开放问题，但 AI 公司的追求目标与数学共同体看重的核心价值正在发生严重偏离。
数学的核心价值：理解过程而非仅有答案
声明反复强调，解决问题仅是数学研究的一部分。数学更深层的价值在于理解问题成立的逻辑，并在探索过程中发展新概念、方法与工具，最终使成果能被同行理解、使用并推进。
历史上，著名猜想如同路标，引导数学家探索未知区域。一个问题被解决后，其中产生的新方法需经历漫长的报告、讨论、简化和教学，才能转化为共同体共享的知识。证明的最后几页往往只是研究过程最显眼的部分。
AI 加速下的隐忧：答案仓库与理解断层
数学家们担忧，AI 正在改变这一节奏。当 AI 高频冲击开放问题时，数学研究可能被压缩为单纯的“真假判定”。机器可快速给出证明，但人类未必能同步理解其中的新思想及其与既有体系的联系。
此外，学术规范面临挑战。AI 推动的成果往往公布仓促，缺乏严谨的论文撰写、方法梳理及文献引用。随着 AI 输出日益复杂，成果归属、署名权及潜在抄袭等问题将更加凸显。
即使 AI 生成的证明完全正确，若缺乏验证、解释和简化，它也无法成为可长期使用的知识。陶哲轩等人担心，数学界可能面对一座庞大的“答案仓库”，里面充斥着正确结论，却鲜有人能解释其成立原因或指引未来方向。
人才培养危机：被省略的攀登过程
这种趋势也将冲击数学家的培养。学生花费数年研究难题，意义不仅在于证明结果，更在于寻找失败路线、理解理论及提出新问题的训练过程。
菲尔兹奖得主雨果·迪米尼科潘比喻道：将人直接空投至珠峰顶，与靠自己攀登至峰顶，虽然位置相同，但经历与收获截然不同。
陶哲轩总结称，这是一种严重的目标错位：AI 公司试图通过攻克难题证明模型能力，而数学界关注的是是否获得了新的概念与理解。当“解题”沦为竞赛分数，人类可能失去原本希望获得的智慧。
OpenAI 突破纳维斯托克斯方程引发关注
此次警告的背景，与 OpenAI 近期的进展密切相关。当地时间 9 月 8 日，OpenAI 宣布其内部模型在“纳维斯托克斯方程存在性与光滑性”问题上取得解答，并公布了长达 166 页的论文。
纳维斯托克斯方程描述流体运动，是现代流体力学的基础。其三维条件下的光滑解是否存在，困扰数学界两个多世纪，并被列入克雷数学研究所的七大千禧年大奖难题之一，奖金高达 100 万美元。目前仅有庞加莱猜想被彻底解决。
OpenAI 强调结果仍需全球数学界严格审查。按照惯例，论文公开仅是开始，需经反复核验、找漏及融合进既有体系方能获得认可。即便如此，AI 能推进至此已足以让学界重新评估大模型在基础研究中的角色。
此次研究投入惊人。OpenAI 首席研究官 Mark Chen 透露计算成本达数百万美元，研究员 Sébastien Bubeck 表示其算力投入是此前数学研究成果的 1000 倍。
据传 OpenAI 在另一道千禧年难题（疑似霍奇猜想）上也取得进展，虽未正式确认，但显示出 AI 逼近数学高峰的速度远超以往。
认知卸载：从工具依赖到思维退化
人类跨越多代数学高峰如今可能只需一家公司投入算力即可完成。这引发了关于“认知卸载”的深层担忧。心理学研究表明，当人们知晓信息可随时检索时，记忆倾向会降低。
生成式 AI 将这一现象推向新阶段：不仅记忆和检索外包，连分析、推理和结论得出也逐渐由机器完成。对于纯数学研究而言，其核心目的是理解数字与空间背后的结构。若证明存在却无人能懂，我们获得的究竟是新知识还是仅是一个正确答案？
数学家们认为，在 AI 快速给出证明的时代，人类更需守住验证、理解、提炼和传承的能力。唯有经过这一过程，机器发现的答案才能真正融入数学文明的传承链条。