AI会因产出过多数学而扼杀数学吗？

引言

2026年菲尔兹奖在数学界一个异常动荡的时刻揭晓。

国际数学联盟将奖项授予邓宇、约翰·帕顿、雅各布·齐默尔曼和洪王。几乎瞬间，人们的关注点从获奖者已取得的成就转向其中一位获奖者认为即将发生的事情。

齐默尔曼宣布计划加入OpenAI并专注于AI安全。在奖项公布前后发表的一篇采访中，他预测AI可能在两年内比人类数学家更擅长从事数学工作。

这是一个预测，而非确定的时间表。不过，出自领域顶尖数学家之口，这一预测分量非同寻常。

在费城举行的国际数学家大会上，陶哲轩传达了一个同样严肃但更为审慎的信息。他认为，数学可能正进入一个动荡时期，其价值观和实践的基础必须得到审视和重建。

另一位菲尔兹奖得主蒂莫西·高尔斯也在从不同角度思考同样的转变。

他的担忧不仅仅是AI会比数学家更快地解决问题、抢占学术职位，或使传统发现证明的方式失去声望。他更深层的恐惧是，数学可能持续产出海量正确结果，却失去了能够理解、组织、传授和评价这些结果的人类社群。

在这种情景下，数学不会因为知识匮乏而消亡。

它将被丰裕淹没。

AI可能不会让数学"挨饿"——而是会"过度喂养"

高尔斯论点中最引人注目的部分在于，他并不认为AI会导致数学进步停滞。

他想象的是相反的情况。

假设日益自主的系统能够：

• 阅读现有文献
• 选择未解决的问题
• 生成新的猜想
• 产生形式化证明
• 自动验证这些证明
• 按任何要求的详细程度解释结果
• 以机器速度持续进行这些工作

从定理产出的角度来看，这看起来将是非凡的成功。

文献增长速度将超过数学史上任何时期。长期存在的猜想可能迅速被解决。整个子领域可以并行探索。人类研究团队需要多年才能取得的结果可能在几小时内出现。

然而，高尔斯质疑这种扩张是否会使学科变得空洞而非丰富。

数学不仅仅是存储在论文和数据库中的真命题集合。它同时作为直觉、示例、解释、习惯、开放问题、判断和共享标准的活态网络存在于数学家社群之中。

一个定理可以是正确的，却不一定是——

明白了。

一个证明可以被验证，却不必成为任何人工作知识的一部分。

一个领域可能包含数百万个成果，却逐渐流失那些懂得这些成果为何重要的人。

这就是核心悖论：人工智能可能让数学产出蓬勃发展，同时削弱数学文化。

《莱顿宣言》划出人类数学价值的底线

2026年6月2日，一个国际研究团队发布了**《莱顿人工智能与数学宣言》**。

这份宣言源于2025年在莱顿洛伦兹中心举办的一场研讨会，数学家、计算机科学家、哲学家、历史学家和人工智能研究者齐聚一堂，讨论了人工智能与数学研究之间变化的关系。

国际数学联盟正式认可了该宣言。截至7月29日，公开网站已显示出超过3200名签署者。

宣言确定了其作者认为应当受到保护的若干价值观：

1. 证明应同时提供确定性和理解。
2. 成果应归责于负责任的作者。
3. 数学论证应透明且可独立验证。
4. 研究应通过深度、难度和重要性等共同标准进行评估。
5. 数学应继续产生人类的理解力、判断力和专业知识，而不仅仅是不断增长的成果清单。
6. 研究界应保留对自身方向和方法的实质性控制权。

其建议包括披露人工智能辅助、保护评审系统免受低质量自动输出影响、支持公共研究基础设施、保留人类教育和指导，以及防止数学知识集中在少数私营公司手中。

该宣言已获得著名数学家陶哲轩、彼得·舒尔茨、杰里米·阿维加德、凯文·巴扎德和史蒂文·斯特罗加茨的公开支持。

舒尔茨的背书尤为直接。他认为数学研究的目的是人类的理解，数学只有通过人类数学家共同体才能蓬勃发展。他还表示，他通常避免阅读人工智能生成的数学文本，并且在形成自己的想法时不使用人工智能。

陶哲轩将宣言描述为社区数月讨论的结果，并表示他全心全意支持其建议。

高尔斯并未签署。

这一选择并不意味着他拒绝宣言的宗旨。他参加了最初的莱顿研讨会，并将该宣言描述为一项重要贡献。他的犹豫源于一些他认为需要更多限定的陈述和建议。

高尔斯的思维实验：没有读者的图书馆

高尔斯从

一个刻意极端的场景。

想象一下，如果人工智能从未存在。再想象一场大流行，不知何故杀死了所有数学家，却对其他人毫发无伤。

所有的数学论文、书籍、数据库和档案都将完好无损。

没有任何信息会在物理上被摧毁。

然而，数学的传统将遭受重创。

仅凭文献，无法告诉新一代：哪些思想是核心，哪些技术属于同一体系，哪些定义是自然的，难点在哪里，或是哪个被遗忘的成果值得重新关注。

重建这种文化可能需要数十年时间。

原因是，数学知识不仅存储在正式的文本中。它有很大一部分存在于研究者的头脑中：

• 关于哪些方法有前途的隐性知识
• 关于哪些例子具有代表性的直觉
• 对问题历史的熟悉程度
• 对从未出现在论文中的失败方法的了解
• 对什么是深刻的、常规的、令人惊讶的或重要的判断
• 通过研讨会和合作发展起来的共享语言
• 将新成果放入更大概念图景中的能力

因此，一篇书面论文更像是一个压缩文件，而不是一个完整的智力世界。数学界提供了解码器。

现在改变这个思想实验。

这一次，人工智能存在，并且能够根据用户需求，以或多或少的细节解释任何证明。

由于机器可以如此轻松地解决问题并加以解释，愿意花费多年成为研究数学家的人越来越少。学生可能仍然会学习一些数学，但培养深厚专业知识的动力减弱了。

十年二十年后，文献数量急剧膨胀。人工智能系统产生了无数正确的结果。与此同时，在这些领域拥有工作理解的专家人数急剧下降。

档案馆是满的。

研讨会是空的。

结果存在，但很少有人在意去阅读它们。

这就是高尔斯所担忧的数学死亡的版本。

在第一个大流行场景中，数学因稀缺而死亡：共同体消失，没有新知识产生。

在人工智能场景中，数学因过度生产而死亡：材料数量变得庞大，而赋予其意义的人类文化却逐渐消失。

富营养化类比

源文章将这个可能性与湖泊的富营养化进行了比较。

一个湖泊的死亡并不总是因为缺乏营养。它也可能因为营养过多。

过量的氮和磷导致藻类迅速生长。起初，生态系统看起来格外富有生产力。水中充满了生物活动。

最终，这种生长消耗了可用的氧气。鱼类和其他生物死亡，一个曾经生机勃勃的生态系统变成了一潭死水。

这个类比并不完全精确，但它捕捉到了高尔斯担忧的核心。

如果数学界无法吸收、组织、教学和讨论数学成果，那么无限量的数学输出可能并不会让数学更强大。

稀缺的资源可能不再是证明的生成。

它可能变成人类的注意力和共同的认知。

什么才算数学进步？

这种转变引出一个难题：数学究竟追求的是什么最大化？

如果答案仅仅是“已解决问题的数量”，那么高度自主的AI可能代表着近乎无条件的成功。

但数学实践从来不只是定理的生产配额。

一项成果只有当其他数学家能够做到以下事情时，才能对领域有所贡献：

• 验证它
• 理解其核心思想
• 将其与现有理论联系起来
• 重复使用其方法
• 教学它
• 认识到它的重要性
• 在此基础上提出进一步的问题

陶哲轩在国际数学家大会的报告中做出了类似的区分。

正确性是必要的，但还不够。一个证明还必须被沟通、消化、接受，并融入数学界的共同理解。

他的总结建议强调人类教育、AI使用的透明性、更强的验证机制、新的数学基础设施，以及关于能力和价值观的公开讨论。

因此，未来的瓶颈可能会经历几个阶段：

阶段	主要问题
证明生成	能否生成一个解？
验证	这个解是否正确？
阐述	能否清晰地解释它？
消化	专家能否理解并重复使用它？
学界接受	该结果能否成为共享数学的一部分？
经典化	它能否进入教材、教学和该领域的长期结构？

AI最终可能在每个阶段都表现出色。

然而，就目前而言，最后三个阶段仍然是深刻的社会化过程。一个领域不仅仅是靠答案来维持的。它是靠一群关心相同理念并能共同思考的人来维持的。

高尔斯曾押注于传统自动定理证明

高尔斯之所以格外引人关注，是因为他多年来一直在研究自动定理证明。

2022年，他宣布了一个采用更传统AI方法的项目。该项目并非主要依赖大型语言模型，而是旨在理解人类数学家发现证明的方法，并将这些方法编码成一个更明确的系统。

该项目以 动机证明 的理念为指导。

一个有动机的证明不仅仅是确认结论。它让通向结论的路径显得自然。

它解释了：

• 为何引入某个定义
• 某个引理消除了什么障碍
• 为何选择这一构造而非另一构造
• 哪些失败的尝试塑造了最终论证
• 一个证明如何可能被发现，而不仅仅是被验证

高尔斯认为，围绕这一结构构建的自动化系统或许能产生适合人类学习甚至本科教学的证明。

他后来主张建立一个动机证明数据库，因为已发表的论文通常只展示漫长过程的最终打磨结果。它们省略了错误的起点、中间阶段的直觉、符号的更改，以及研究人员选择某条路径而非另一条的原因。

大型语言模型的快速进步打乱了这个计划。

高尔斯仍然认为透明且动机明确的证明系统具有价值。改变的是他原先的信念——即这种方法将定义机器数学能力的边界。

语言模型进步得太快了。

ChatGPT 5.5 Pro 改变了他的预估

2026年5月，高尔斯发表了一篇关于ChatGPT 5.5 Pro实验的详细报告。

他给模型提出一个需要真正研究级构造的组合学问题。根据他的报告，他几乎没有提供任何实质性的数学指导。

该系统运行了大约一小时，并产出了高尔斯称之为博士级研究的成果。

论证使用了高度不关联的集合来控制加法关系。高尔斯写道，事后回想，他能理解并动机化这一构造，但模型决定使用这种技巧让人觉得巧妙，而且据他所知是原创的。

这一区别至关重要。

一个想法在被展示给数学家后可以变得易懂，但这并不意味着它在出现之前就显而易见。人类研究人员正是以这种方式评估新工作的。

这一事件并没有证明人工智能已经实现了普遍的数学自主性。但它确实改变了高尔斯对当前语言模型能力的预估。

一个有用的初学者研究问题的门槛已经移动了。

一个问题不再仅仅因为它在官方上仍为未解决问题，就对学生而言安全可及。它还必须足够困难，以至于领先的模型无法快速解决。

这对研究生培养来说是一个重大变化。

研究教育传统上依赖于寻找那些真正开放但对正在积累经验的人来说仍然可控的问题。如果机器能迅速清理大量这类问题，院系可能需要新的方式来教授发现、判断、阐述和研究独立性。

单位距离

突破性进展提升了挑战难度

下一个里程碑更加重大。

5月20日，OpenAI宣布，其内部模型推翻了一个关于平面单位距离问题的核心猜想，这是源自保罗·埃尔德什的一个著名问题。

该模型发现了无穷多个点构型，这些构型在多项式意义上优于长期以来被认为接近最优的网格基构造。OpenAI发布了这一证明，并附有多位顶尖数学家联合撰写的配套论文，包括诺加·阿隆、蒂莫西·高尔斯、阿鲁尔·尚卡尔、雅各布·齐默尔曼等人。该配套论文给出了一个更简洁、经人工验证的表述，并讨论了这一结果的意义。

这一结果之所以意义重大，有多方面原因。

首先，该模型并非仅仅检索了已知证明，或组合了几个教科书上的步骤。它运用与深层代数数论相关的思想，找到了一个被广泛相信的猜想的反例。

其次，外部数学家对证明进行了评审和消化，而非单纯信任模型产出。

第三，这一事件揭示了新的分工模式。

人工智能系统产出了关键性构造。人类数学家对其进行了验证、精简，追溯其学术背景，解释其有效性的原因，并评估了它在多大程度上改变了该领域的面貌。

高尔斯认为，在未来机器生成结果大量涌现的环境下，这种“消化”工作可能比仅仅作为向模型提出求解问题的人，应获得更多肯定。

如果一个人获得了一次性解决方案，而另一个人花费数月时间将其转变为可理解的数学，那么第二个人对学科存续的贡献可能更大。

形式化也正变得更容易

防御不可靠的人工智能生成数学结果的一种方法是形式化证明验证。

用Lean语言编写的证明可以由一个小型可信核心来检查。如果编译过程中没有未获支持的公理或漏洞，系统提供正确性保证的强度远高于仅靠非形式化文本。

历史上，将一篇研究论文形式化需要使用者对证明助手有深厚专业知识，并付出大量手动劳动。

这一障碍正在瓦解。

高尔斯报告称，他使用Harmonic公司的Aristotle系统将一篇复杂论文形式化到Lean语言中，而他本人并不熟悉Lean。他上传了论文，要求系统逐节推进，整个过程历时约一周半，他仅花费了少量主动提示时间。

com/cms-assets/image/2026/07/d3bcbc0c-1b9f-4bc7-b009-ef643110b95a-7679ca7c-499a-4640-9bb4-c49c7bc44cba.png)

亚里士多德将非形式推理与Lean证明搜索和形式化验证相结合。Harmonic将其描述为一个能够在长时间会话中证明或形式化数学素材的智能体。

这一进展削弱了对机器生成证明的一种反对意见：即输出结果始终过于不可靠而无法信任。

形式化验证并不能解决所有问题。

一个形式化定理可能编码错误的陈述。定义可能无法捕捉预期的概念。一个经过验证的证明仍可能缺乏启发性。从非形式数学到形式化陈述的转化仍然需要判断力。

但随着自动形式化能力的提升，人工智能既能生成候选结果又能生成机器可检查证明的可能性变得越来越可信。

瓶颈随后再次转移——从正确性转向重要性、解释力和文化。

高尔斯（Gowers）的立场比"人工智能会扼杀数学"更复杂

这场辩论的标题版可能具有误导性。

高尔斯并非主张仅仅因为数学是机器生成的就应该被拒绝。

他质疑《莱顿宣言》的某些部分，恰恰是因为他不确定传统的作者身份和所有权观念能否存续。

如果一个人工智能系统自主发现了一个正确的定理，他不认为仅仅因为操作了界面，人类就应该获得荣誉。

他也怀疑现有的同行评议期刊必然是保护数学文化免受人工智能生成成果洪流冲击的合适机构。当前的出版体系已经存在严重缺陷，新的环境可能需要新的筛选、阐述和集体评估形式。

因此，他的观点既非简单的抵制，也非盲目的热情。

他预计人工智能将在数学工作的更多方面超越人类。他认为这可能在未来几年内发生，尽管他也不排除人机进行更长时间富有成效合作的可能。

他还发现这一进展在个人层面具有颠覆性。

在他七月的文章中，高尔斯写道，GPT-5.6 Pro曾两次对他关心并认真思考过的问题给出了"一次性"解决方案。年轻的研究合作者在他的许可下向模型进行了提示。

他很高兴问题得到了解决。

他也将这种体验描述为奇怪且不愉快——就像脚下的地面被抽走一样。

这两种情绪可以同时存在。

一个领域的挽歌？

就在高尔斯发表他关于《莱顿宣言》文章的同一天，哥伦比亚大学数学家兼物理学家彼得·沃伊特（Peter Woit）发表了一篇题为 "一个领域的挽歌？" 的帖子。

该帖子将齐默尔曼（Tsimerman）获得菲尔兹奖、他转向OpenAI以及人工智能智能体在数学中日益重要的作用联系起来。

沃伊特指出，数学与国际象棋这类游戏有所不同。

当计算机超越人类棋手时，人类锦标赛依然具有意义。棋手继续在相同规则下竞技，观众依然视这项活动为人类能力的展现。

但数学的界限却更为模糊。

研究人员在日常工作中已广泛使用软件、符号系统、数据库、证明辅助工具以及如今的大语言模型智能体。如果几乎所有人都采用同样强大的系统，可能就不存在与"纯人类国际象棋"相类似的"纯人类专业数学"范畴。

归属权问题也可能随之改变。

当前学术界奖励优先权：谁最先发现定理、方法或定义。自主智能体对定理以其命名并无个人兴趣。

若发现过程变得廉价且丰沛，文化重心可能从所有权转向以下方面：

• 筛选
• 验证
• 阐释
• 综合
• 教学
• 历史溯源
• 连接孤立成果
• 选择具有人类或科学价值的问题

但高尔斯立即提出更深层问题：为何认定人工智能最终无法胜任这些角色？

人工智能导师可定制个性化解释，人工智能编辑可筛选成果，人工智能历史学家可追溯影响脉络，人工智能教材生成器可将整个学科领域适配至某位读者的知识背景。

仅靠列举机器尚未掌握的任务，无法保护人类剩余角色。

更有力的论点在于文化层面：数学之所以重要，部分原因在于这是人类共同进行的活动。

在机器发现时代，人类数学家能做什么？

目前无人能给出完整答案。

但几个可能的角色正在浮现。

1. 设定目标与选择问题

数学家可决定哪些问题与科学、社会、教育或更深层的概念理解相关联。

这一角色依然重要，尽管高尔斯认为人工智能最终也可能具备提出有价值问题与理论的能力。

2. 验证与形式化结果

证明辅助工具可确立正确性。人类专家仍需确保形式化陈述准确捕捉预期定理，且隐藏假设未改变问题本质。

3. 消化与整理机器产出

未来数学家可能探索大量人工智能生成结果，识别少数值得关注的成果，并围绕它们构建连贯理论。

这更像是在撰写优秀教科书，而非争夺证明优先权。

4. 保护思想史与归属权

即使模型生成新成果，也可能依赖历代研究者构建的概念。追溯这些联系对于理解什么是真正的创新至关重要。

5. 传授数学判断力

学生需要的不仅是答案。他们需要理解问题的含义、假设如何相互作用、某个抽象概念为何有用，以及如何识别误导性论证。

人工智能可辅助这项工作，但教育仍是需要人类深度参与的领域。

在陶哲轩看来，人类维度应得到强力保护。

6. 维护共同体

研讨会、合作、师徒传承、学术争鸣与共同标准，能将孤立的信息转化为一个学术场域。

个性化AI导师可以向用户解释某个定理，但它无法自动形成一个对知识体系共同负责的学术共同体。

真正的风险并非数学研究的终结

"AI会杀死数学"这个说法听起来像在预言定理发现将终止。

而高尔斯恰恰提出了相反的观点。

机器生成的文献可能比人类独立创作的一切成果都更丰富。

真正可能消失的是这些文献与活生生的人类学术传统之间的联系。

这一风险并非不可避免。

莱顿宣言、陶哲轩在国际数学家大会的建议、形式化验证项目、公共数学基础设施，以及高尔斯本人的批评，都指向了务实的应对方案：

• 要求透明披露AI辅助使用情况
• 保留严格证明与独立验证机制
• 投资公共及学术AI工具
• 奖励阐释与综合工作
• 开发针对机器生成内容的更优过滤机制
• 保护教育与师徒传承
• 保持人类理解自身研究领域的能力
• 构建支持集体探索而非纯粹私人探索的基础设施
• 依据洞察力与贡献而非单纯产出量来评价数学工作

挑战在于，我们必须在定理生产速度超越现有机构管理能力之前，建立起这些体系。

常见问题

真的有位菲尔兹奖得主说AI将在两年内超越数学家吗？

是的。雅各布·齐默尔曼告诉《量子杂志》，他相信AI在两年内就能在数学领域超越人类数学家。这是个人预测，并非经过验证的发展时间表。

蒂莫西·高尔斯反对在数学中使用AI吗？

不。高尔斯本人会使用先进AI系统，并公开讨论过ChatGPT和Aristotle令人印象深刻的结果。他的担忧在于，快速自动化可能在产出有价值成果的同时，损害数学文化、专业知识、教育体系和共同理解。

什么是《莱顿人工智能与数学宣言》？

这是一份于2026年6月2日发布的学界宣言，阐述了AI对数学研究、教育、出版、归属认定、基础设施及伦理的影响。国际数学联盟已予以背书，截至2026年7月29日已有超过3200人签署。

OpenAI解决了单位距离问题中的什么难题？

一个内部OpenAI模型推翻了一个广受认可的猜想——关于平面点集中单位距离对的最大数量。该模型生成了无穷多个构型，在多项式层级上优于先前被看好的基于网格的构型。

OpenAI的单位距离证明经过人类验证了吗？

是的。OpenAI发布了原始证明，以及一篇独立的配套论文，包含更简短的、经人类验证的表述及顶尖数学家的评注。

什么是自动化证明形式化？

形式化是指将数学证明翻译成可由计算机验证的精确格式。

将数学陈述与证明转化为Lean这类语言，其小型证明检验内核可验证每一步逻辑推理。亚里士多德等人工智能系统正日益能够协助将非正式研究数学转化为机器可检验形式。

若人工智能产出多数新证明，数学能否存续？

文献量当然可以继续增长。悬而未决的问题是，强大的人类学术共同体能否继续理解、教授、组织并珍视这些材料，而非沦为机器输出的被动消费者。

未来数学家最需要哪些技能？

验证、选题、阐释、综合、形式化、历史归属及教学可能变得更加重要。不过人工智能在这些任务上也可能持续进步，因此要保持数学作为有意义的人类共同体，需要制度与文化层面的抉择，而不仅是新技术技能。

相关工具

• Lean：交互式定理证明器与编程语言，用于创建机器可验证的数学证明。
• Mathlib：为Lean建立的大型社区维护形式化数学库。
• Aristotle：Harmonic公司开发的智能体，可长时间运行在Lean中证明并形式化数学。
• Erdős Problems：跟踪超过千个与保罗·埃尔德什相关问题的社区数据库。
• arXiv：当前多数数学研究传播的主要开放预印本平台。

相关链接

• 蒂莫西·高尔斯：关于莱顿宣言的思考：高尔斯对数学文化、署名权、人工智能产出及宣言的完整论述。
• 人工智能与数学莱顿宣言：正式宣言、建议、背书及签署方名单。
• 陶哲轩：人工智能时代的数学：陶哲轩在2026年国际数学家大会上的演讲，涵盖验证、阐释、共同体接受度、教育与数学价值观。
• OpenAI单位距离问题公告：OpenAI官方关于其模型在离散几何领域突破的报道。
• 单位距离结果的人工验证评注：解释并评估人工智能生成证明的配套论文。
• 蒂莫西·高尔斯：ChatGPT 5.5 Pro使用体验：高尔斯对人工智能生成组合学结果的技术性叙述。
• 彼得·沃伊特：一个领域的挽歌？：关于齐默尔曼、OpenAI及数学研究文化变迁的评论。

总结

人工智能正同时在多个层面影响专业数学：问题求解、证明生成、形式验证、阐释、训练、署名归属及学术职业发展。

高尔斯的核心警告并非机器会阻碍数学发展，而是它们可能产生海量正确的数学成果，以至于人类群体失去集体理解这些成果的意愿与能力。

莱顿宣言、陶哲轩在国际数学家大会的演讲、OpenAI在单位距离问题上的突破，以及自动化形式化的蓬勃发展，都表明数学亟需建立新的验证、阐释、教育与社群评判体系。

数学的未来不仅取决于人工智能能证明多少定理，更在于人类能否将这些定理转化为共享认知。