丘成桐在清华组建千人「AI数学军团」，隔空回应陶哲轩：他不代表整个数学界- 大数跨境

APPSO

2026-10-13

导读：在推动前沿数学研究的能力上，国内模型与美国前沿模型仍有明显差距

过去，数学家往往需要耗费数十年等待一道难题的答案；如今，他们面临的挑战变成了如何应对答案来得太快。

日前，菲尔兹奖得主、华人数学家陶哲轩在个人博客转载了某数学协会声明，呼吁数学家抵制 OpenAI。与此同时，国内动作频频：丘成桐数学与人工智能实验室联盟在清华大学成立，计划汇聚约千名科研人员，开发面向数学研究的专用模型，探索 AI 辅助猜想发现、形式化证明及可解释推理系统。

图源：Handout

作为首位华人菲尔兹奖得主，丘成桐在 27 岁时证明了困扰学界近半个世纪的「卡拉比猜想」。他将人工智能在数学领域的发展比作「一场海啸」，认为国内数学家应积极组织起来拥抱技术，而非回避。

值得注意的是，丘成桐在新论文中还致谢了 GPT-6 Astra 和 Claude Pro。

在接受采访时，丘成桐强调，比解题更重要的是原创观念，即创造新的坐标。真正的原创仍源于人的志向、直觉、经验和想象力。他指出，AI 难以在前人未讨论过的情况下自行发明出如「坐标系」般改变理解世界方式的概念。

针对陶哲轩的观点，丘成桐表示：「陶是位非常优秀的数学家，但这并不意味着他代表了整个数学界。」

前沿研究差距：国内模型与美国仍有距离

AI 正在重塑数学领域的时间尺度。10 月 6 日，OpenAI 一次性公开 722 篇涉及数百组研究结果的数学手稿。对于习惯数月乃至数年打磨一篇论文的学者而言，这一数量难以消化。发布后，部分手稿因证明错误被撤回或修改，数学家需投入精力判断结论有效性及其与已有工作的关联。

另一方面，Google DeepMind 取得显著进展。10 月 8 日，其 AlphaProof Nexus 研究成果经同行评审正式发表于《Science》。该研究早在今年 5 月以预印本形式公开，团队让 AI 智能体不断生成数学证明，并由 Lean 形式化证明助手检查。遇到错误时，系统读取反馈、调整步骤并继续搜索，直至通过检验或耗尽资源。

报告显示，系统在 353 个已形式化的埃尔德什相关开放问题中解决了 9 个，其中 2 个问题悬而未决达 56 年。此外，它还证明了《整数数列在线百科全书》中 492 个待解猜想中的 44 个，并在代数几何、优化等领域取得突破。

随着前沿研究的工具、算力和人才快速向少数机构集中，后来者若不尽快介入，可能逐渐失去参与制定研究议程的能力。丘成桐判断，虽然国内模型在日常应用上不弱，但在推动前沿数学与物理学研究的能力上，与美国前沿模型仍有明显差距。

为此，新成立的联盟计划研发面向数学科学的专用模型，建立可共享的形式化数学库和算力平台。旨在让 AI 辅助研究者提出猜想、搜索证明，同时利用数学理论改善模型的可解释性和安全性。参与机构包括清华大学求真书院、中国科学院晨兴数学中心、上海数学与交叉学科研究院等，后续将在北京、上海、南京、深圳和香港展开协作。

目前，清华团队已借助 AI 证伪了退化情形下的一项阿诺德猜想。另一项关于卡拉比猜想的形式化验证工作，已在 Lean 4 中积累了约 27.3 万行代码。颇具意味的是，半个世纪前正是丘成桐证明了该猜想。

卡拉比-丘流形的三维投影

中国数学会理事长席南华提醒，定理好比砖块，数学更需要将砖块组织起来的体系。中国科学院院士田野则表示，自己已在研究中通过具体计算、构造和论证与 AI 反复交流。

教育变革：从追求标准答案到培养批判思维

10 月 9 日，陶哲轩在加州理工学院发表题为 Math 2.0 的演讲。他将传统数学研究称为 Math 1.0，那是一个证明稀缺的时代，围绕难题建立的评价体系激励了新工具和理论的发展。如今，AI 使数学进入证明逐渐丰裕的时期，旧有的衡量方式亟需调整。

陶哲轩比喻道，开放问题有时像灯塔，研究者向其前进，但真正重要的发现往往发生在途中。有人因路线不通而学会辨认障碍，有人为接近答案发明出通用方法。即使未抵达终点，这些经验也能改写数学领域的地形。

若机器直接提供答案，那些尚未探索的路径将何去何从？陶哲轩担心，若研究仅剩下清空开放问题清单，学科可能失去培养新思想的过程。大量正确结果的堆积，并不必然带来理解、质疑及提出更好问题能力的同步提升。

在 Math 2.0 构想中，AI 仍扮演重要角色。陶哲轩希望利用 AI 为难懂的证明寻找清晰解释，将分散的定理组织成持续更新的知识网络，建立更完整的形式化数学资料库，并重新检验旧定理以观察条件变化后的结果。这些工作旨在让数学更易理解，也更容易向新领域生长。

早在 2022 年，丘成桐就强调真正的数学研究需要自主发现方向和问题。如今，他希望年轻数学家主动参与 AI 时代的研究，而陶哲轩则希望人们利用 AI 扩大对数学的理解。对中国数学教育而言，未来或许会越来越少地把做出标准答案作为终点。

学生仍需扎实学习定义、证明和逻辑，以具备辨别机器输出内容的能力。同时，他们也应有机会尝试失败的想法，聆听不同研究者间的争论，领会一个问题为何让人挂牵多年。

陶哲轩的演讲也引发争议。他在 PPT 中指出，人工智能的自动化证明可能取代人类在理解问题上的作用，从而阻碍年轻数学家的成长。他提出一个思想实验：我们是否应该使用一种连自己都無法理解、但已通过 AI 驱动发现和临床试验证实有效的抗癌药物？

深层思考：数学研究的乐趣与意义何在

从经济角度而言，声称「现在基本上可以解决任何数学问题」意味着无需依靠高昂成本培训和维护的人类专家，即可获得大量优秀成果带来的经济效益。这对科学技术领域看似有利。

然而，这是否意味着人们将无法再从数学研究中获得乐趣？未必如此。作为一门研究学科，数学的目的更倾向于「深化我们对数学的理解」。这里的「我们」既指全人类的集体理解，也包括汇集于文献中的人类与 AI 成果。

证明定理是深化理解的关键：首先，它确立了论断的正确性；其次，证明过程揭示了工具间的配合或催生新工具；第三，证明会引发新猜想，供人探讨真伪。因此，相当一部分数学研究并非旨在证明新定理，而是通过不同方法修订现有定理，分析证明的必要性，建立类比，或发现发人深省的模式。

有时，研究甚至只是单纯提出问题：「嘿，虽然这看起来简单，但我们实际上并没有现成的处理方法，是吧？」埃尔德什的许多问题便属此类。这些虽不被归类为标准「成果」，却是推动领域发展、提出有价值问题的重要组成部分。

从事物理学、数学和计算机研发工作的 Timeroot 指出，担忧在于数学可能陷入停滞，因为缺乏富有好奇心的人去探索新领域，也缺少有趣的问题来培养下一代人才。

这就好比一个孩子因喜欢恐龙而关注考古学，认为其精彩之处在于找到最大或最完整的骨骼。若一家公司提出一次性挖掘巨大土块并摇松提取骨骼的方法，虽能快速解决问题，却破坏了附着在骨骼上的植物痕迹和环境信息。我们可能因此错失对古生态环境（如针叶林、恐龙护巢行为）的认知。

过于急切地追求并不理想的「结果」，可能导致我们失去更多。孩子们仰望宇航员，不仅因职业向往，更因知晓有人能亲自俯瞰地球，这种认知本身即令人愉悦。

【声明】内容源于网络

APPSO

AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al

内容 15835

粉丝 0

APPSO AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al

总阅读513.5k

粉丝0

内容15.8k