陶哲轩、邓煜回应AI批量发数学证明：解出≠理解，呼吁“慢科研”价值
近期，一家商业AI公司批量发布700多个数学证明引发学界争议。针对“AI取代数学家”的担忧，菲尔兹奖得主陶哲轩与邓煜在SAIR访谈中联合发声。
两位核心观点明确：AI能给出证明不代表人类真正理解。相比解题速度，数学界更应关注证明的可解释性、可核查性以及思想的传承。他们主张保留“慢科研”带来的深度理解与共同体建设价值，同时通过Open Math Model等开源计划，让工具服务于而非取代人类研究者。
核心观点摘要
AI定位：辅助推导而非替代思考。AI可承担繁琐计算并提供新视角，但提问、规划及根本性判断仍需人类主导。
边界区分：解题与理解并重。机器产出证明后，人类需深入理解关键思想及其引申意义，避免“只知结果不知原理”。
学术规范：思想溯源至关重要。AI建立在人类既有文献之上，必须明确引用来源，维护学术诚信与思想链条的完整性。
工具开发：共同体参与决策。倡导开放工具建设，确保解释权、协作机制和知识积累符合数学界价值观。
能力进阶：让人变得更强大。好工具应增强研究者提出有价值问题、设计证明路线及发展新知的能力。
AI加速研究，但需保留“慢科研”价值
面对商业AI快速产出证明的现象，陶哲轩与邓煜均持审慎乐观态度。邓煜指出，当前部分AI证明展现了创造性新思路，且能被人类理解，这是人机共同演进的积极信号。但他强调，这涉及学术规范与道德层面的考量。
陶哲轩则类比汽车与步行，认为技术选择并非二元对立。他主张在利用AI提升效率的同时，必须保留传统科研方式中增进理解、构建学术共同体的核心价值。“速度不是唯一优化指标，”陶哲轩表示，“我们需要找到平衡，既享受技术红利，又不丧失对学科深层掌握的主动权。”
邓煜补充了一个理想应用场景：当研究者已有清晰的解题路线图，仅因细节推导耗时巨大时，可将繁琐步骤交由AI处理，从而释放精力聚焦于更根本的科学问题。
解出问题与理解证明是两条不同边界
针对商业公司批量发布未经充分验证的证明引发的“文献污染”担忧，陶哲轩指出，这反映了激励机制的错位。过去，解题往往伴随着深度的理解、解释及人才培养；而如今，AI将解题视为训练通用模型的副产物，缺乏后续的解释与传承。
“我们不需要为了把题解出来而解题，我们需要的是更广泛的理解和洞见。”陶哲轩建议，未来若科技公司希望其成果被数学界接纳，应在研发早期引入数学家合作，确保证明的可解释性。否则，这些缺乏上下文理解的成果难以融入主流数学文献。
邓煜进一步提出了“两条边界”理论：第一条是“已证问题的边界”，第二条是“人类已理解证明的边界”。在过去，两者基本重合；但在AI时代，可能出现大量“机器已证但人类未懂”的问题，导致第二条边界滞后。因此，维持人类对证明的理解力，是当前数学研究的核心任务之一。
思想溯源：切断链条是学术倒退
关于贡献归属问题，陶哲轩强调，科学进步依赖于开放共享与正确引用。AI模型吸收了人类数千年的文献成果，若其在输出答案时不透明地切断思想源头，将破坏科学发展的基石。
“科技公司有动机淡化这一点，营造AI凭空解决问题的假象，但事实并非如此。”陶哲轩指出，目前技术在溯源方面表现不佳，亟需改进。邓煜也提到，若能查看AI的思维链（Chain of Thought），至少能追踪其参考材料；若完全黑盒化，则违背了科学精神。
共建Open Math Model：让工具服务于共同体
为应对闭源模型带来的挑战，陶哲轩与邓煜共同参与了Open Math Model计划。陶哲轩表示，SAIR Foundation的愿景是为数学共同体提供由其自主开发、符合自身价值观的工具。
尽管专有模型在文献检索等方面具有实用性，但其在证明生成中的不透明性令人担忧。为此，团队加速推出了Open Math OS——一个整合现有开源模型、研究工具与协作功能的工作平台。虽然专属的新模型仍在筹备中，但该平台旨在降低使用门槛，促进社区协作，并计划在数月内推出基于社区数据训练的自有模型。
邓煜表示，科学的本质是开放，用于科学的AI也应如此。全球多个团队正在朝此方向努力，以确保数学研究的独立性与开放性。
未来能力重心：提问、规划与新探索
在AI时代，人类研究者的核心竞争力将发生转移。陶哲轩认为，关键在于“让人变得更有能力”。如同驾驶汽车不应导致行走能力退化一样，使用AI不应牺牲人类的思考能力，而应通过工具增强理解力。
邓煜指出，以下三项能力将变得尤为重要：
- 提问能力：能从AI的回答中识别出更深层、更具挑战性的新问题。
- 整体规划：在AI开辟的路径基础上，独立规划新的探索方向。
- 深度理解：在将繁琐工作交给AI前，研究者需对问题有充分把握，具备指导AI及独立验证的能力。
两位专家均对年轻一代充满信心，相信随着工具的普及，研究者将探索出更具创造力的科研范式。