我重新逐段看了你这张图里的原文，再结合这几天数学界围绕 “1500人抵制 Mathathon + 25位菲尔兹奖得主公开信 + OpenAI/Navier–Stokes 事件” 的实际情况核对后，我的判断是：
这篇文章不是“基本事实全错”，而是把几个真实事件拼在一起，然后用一个非常强的“数学家正在被大模型碾压”的叙事去解释它们。
其中有一些事实基本正确；但也有若干处存在偷换概念、过度概括甚至技术上不严谨的问题。
我按严重程度说。
一、最明显的问题：把“反对某种 AI 数学竞赛模式”写成了“数学界普遍抵制大模型”
文章开头的核心叙事大概是：
“最近数学界普遍抵制大模型……1500多名数学家签名……25位菲尔兹奖得主公开信……”
这里的事实基础是真实的，但结论是明显夸大的。
近期确实存在两件事情：
第一件：约1500名数学家参与抵制 Caltech 的 Mathathon。
但他们针对的是一种具体模式：
由 AI 公司提供大量算力，让学生/研究者用大模型去竞速攻克公开数学问题。
他们并不是在说：
“数学家不要用大模型。”
甚至这一轮争议的核心，本来就是 AI 公司把“解决多少数学题”当成模型能力 benchmark 的方式。(澎湃新闻)
第二件：25位菲尔兹奖得主的公开信。
这是真的，而且非常重要。
但公开信甚至明确承认：
AI 有可能显著加速真正的数学研究。
它反对的是：
把“解题数量/速度”作为 AI 数学能力的主要竞技指标，并因此把数学研究变成一场抢跑竞赛。
所以：
“数学界开始抵制大模型”
与
“数学界开始反对 AI 公司把数学研究变成速度竞赛”
是两件完全不同的事情。
中国科学报、第一财经对这封信的解读也都是后一种。(科学网)
而且一个特别有力的反例是：
菲尔兹奖得主 Jacob Tsimerman 今年刚刚加入 OpenAI，显然不存在“数学家集体拒绝进入 AI”的事实。
所以文章第一节有明显的叙事放大。
二、文章把“数学的核心是证明”批评成一种过时观点，这本身也有点矫枉过正
文章第二部分有一句非常关键：
“数学家的核心资产，从来不是证明。”
然后它强调数学家的真正价值是：
提出问题、构造工具、理解结构、寻找方向……
这里有一半正确、一半错误。
正确的是：
数学研究当然远远不只是“写证明”。
真正的数学家需要：
提出猜想 → 找结构 → 找例子 → 构造概念 → 建立工具 → 发现关系 → 最后才是证明。
而 AI 当前最欠缺的，恰恰可能是前面这些环节。
这一点甚至得到数学家 Daniel Litt 的直接支持。他认为真正的数学研究与竞赛解题不同，研究缺乏一套预先知道的有效方法，而模型目前在创造性研究上仍存在明显局限。(澎湃新闻)
但是文章说：
“证明从来不是数学家的核心资产。”
这就过头了。
因为数学与物理、哲学、科学写作最大的区别之一，就是：
一个新想法最后必须进入严格证明体系，才能成为数学知识。
所以正确说法应该是：
证明不是数学研究的全部，但它仍然是数学知识获得最终合法性的核心机制之一。
这点不能因为 AI 越来越会证明就反过来说成“不重要”。
三、文章对“大模型已经碾压数学家”的描述，严重超出了目前可以确认的事实
这是我认为全篇最值得警惕的一点。
文章有一个非常鲜明的叙事：
数学家花十几年证明的东西，大模型几个小时搞出来；
大模型已经自己生成定理、自己证明、自己找反例；
数学家几十年的积累已经被模型超过。
这里必须非常谨慎。
截至现在，确实已经发生了惊人的事情：
OpenAI 声称内部模型通过约 1 万个 Agent、88 小时的工作，得出了 Navier–Stokes 问题的一套解决方案。(CoinDesk)
但关键是：
“模型生成了一份看起来完整的解决方案”
≠
“数学界已经确认模型解决了千禧年难题”。
目前这件事情仍处于严格审查阶段，而且恰恰引出了优先权、训练数据、研究路线重合、是否真正独立完成等争议。(CoinDesk)
所以文章如果把这个事情直接概括成：
“大模型已经把数学家十几年甚至几十年的证明工作几个小时干掉了”
这是明显的把“AI 公司宣称的结果”升级成“数学界已经确认的事实”。
两者差别非常大。
四、文章对 Lean / “可验证性”的理解，有一个很重要的技术性错误
这是全篇我最想指出的一个数学/形式化技术问题。
文章第四节大意是：
大模型可以直接生成定理、自我证明；
数学的“可验证性”只是证明某个结论在一个公理体系内成立；
数学家几百年来建立的只是一个巨大的公理体系。
这里把几个不同概念混到了一起。
Lean 实际做什么？
例如你在 Lean 中证明：
$$
A \rightarrow B
$$
Lean 的 kernel 验证的是：
从你指定的基础公理、定义和已有定理出发，这个形式证明是否逻辑正确。
这不是：
“Lean 证明了这个宇宙里的真理。”
但也不是：
“Lean 只是证明了一个随便指定的边界条件。”
它验证的是形式化命题在给定基础系统中的逻辑可推导性。
更进一步：
一致性（consistency）本身也不是由单个 Lean theorem 自动证明出来的。
所以文章把：
数学真理 → 公理体系 → 可证明性 → 可验证性 → AI 生成
这几个层级压扁成一个概念，是不严谨的。
这一点非常重要，因为你最近一直在关注 Lean + AI4Math，这里恰恰是不能混淆的地方。
五、“数学的确定性只是因为数学家把边界条件圈好了”——这是非常强的哲学化简
文章第三节的观点大致是：
数学家以为自己发现了确定性；
实际上只是因为他们先规定了欧氏空间、非欧几何、公理等边界条件；
然后在边界条件里面推理而已。
这个说法有一定哲学意味，但拿它来解释数学的确定性是不准确的。
数学当然是公理化的。
比如：
欧氏几何：
$$
\text{公理} \Rightarrow \text{定理}
$$
非欧几何也可以：
$$
\text{另一套公理} \Rightarrow \text{另一套定理}
$$
但这并不意味着：
“既然公理可以选择，所以数学里的真理都是人为随便规定出来的。”
因为数学研究的重要问题之一恰恰是：
不同公理体系之间有什么关系？哪些结构自然出现？哪些性质是不依赖某种具体表示的？
现代数学大量研究的正是这些结构。
所以文章在这一节实际上把一种很复杂的数学哲学问题，简化成：
“数学家就是先画一个圈，再在里面证明。”
这对科普文章来说可以理解，但作为严肃论证显然不够。
六、“AI不关心真理，只关心奖励”——作为解释模型机制可以，但拿它解释数学研究有点过头
文章最后几节实际上在说：
人类数学家关心真理；
AI 只关心 reward；
所以 AI 可以把“证明”做出来，但不理解数学的意义。
这个说法在方向上有道理：
AI 的优化确实最终对应某种训练目标、奖励、loss、搜索评价函数。
但：
“AI只关心reward，所以它不可能关心真理”
并不是严格成立的推论。
因为如果一个系统长期优化：
“产生能够被独立验证、可复现、可推广的新数学结果”
那么“奖励函数”完全可以把数学真理和结构性质量编码进去。
AlphaProof、Lean、形式化数学研究，本质上已经是在做这种尝试。
所以真正的问题不是：
AI 有没有“真理观”。
而是：
我们能不能构造一个足够好的目标函数、验证机制和长期研究循环，使 AI 的行为稳定地指向真正有价值的数学发现。
这才是 AI4Math 真正难的问题。
七、文章低估了一件事：AI 研究数学并不只是“证明能力”
这恰恰是它自己说得不够好的地方。
它有一句很正确：
数学研究不只是证明。
但它随后又把矛盾主要描述成：
证明 VS 提问。
实际上现在 AI4Math 的真正竞争，已经不是这么简单。
至少有四层：
| 层次 | AI当前能力 |
|---|---|
| 解已知数学题 | 很强 |
| 形式化证明 | 快速进步 |
| 发现新 lemma / 新结构 | 已开始出现 |
| 自主提出、验证、推进长期研究计划 | 仍明显不成熟 |
而真正决定未来的，恰恰是后面两层。
Daniel Litt 最近的观点也很接近：
目前模型在数学 benchmark 上很强，但这与完成真正需要数月研究周期的数学项目不是一回事。(澎湃新闻)
所以文章其实应该重点讨论：
“长期研究循环”
而不是反复讨论：
“证明是不是数学的核心”。
八、文章还犯了一个很典型的问题：把“数学家的价值”说得太浪漫化
文章后半部分的逻辑是：
AI解决题目以后，数学家仍然拥有“定义问题、判断方向、解释意义”的核心权力。
这今天成立，但不能把它当成未来永恒规律。
因为这些能力本身也可能逐渐被 AI 自动化。
比如未来 AI 完全可能做：
阅读整个数学文献 → 找知识空白 → 自动生成猜想 → 生成反例 → 找对应结构 → 设计实验 → 找证明路线 → 形式化 → 验证 → 推广。
到那个阶段：
“提出问题”
也不再是人类垄断的能力。
所以文章实际上有一点“把今天 AI 的短板当成人类永久护城河”的问题。
这是我认为它最大的战略性偏差。
九、但反过来，这篇文章也有几个非常正确、而且值得重视的地方
不能因为它有问题就把全文推翻。
① “数学 ≠ 解题”
这是对的。
公开信的核心其实就是这个观点：
解决问题是手段，理解和产生数学思想才是目标。
25位菲尔兹奖得主真正担心的是：
如果 AI 公司把“解出多少难题”变成竞争指标，数学可能被迫围绕这个指标优化。
这一点是有现实意义的。(新浪新闻)
② “正确证明”和“数学理解”不是同一件事
这也是对的。
即便 AI 产生一个 Lean 可以验证的证明，数学家仍然会问：
为什么这个证明重要？
核心 idea 是什么？
有没有更自然的证明？
这个方法还能推广到哪里？
这正是数学共同体为什么强调解释、讨论、简化、整理的原因。
③ AI可能改变数学家的训练体系
这一点文章实际上触碰到了一个非常重要的问题：
如果以后 AI 可以在几十分钟内完成很多：
计算 → 例子 → lemma → proof
那么年轻数学家过去用来训练自己的大量“低层级工作”，可能会被 AI 接管。
这个问题目前甚至已经被陶哲轩等数学家认真讨论。近期关于 AI 的讨论中，他特别担心的一个问题并不是“数学家没工作了”，而是：
年轻人原本通过慢慢做题、失败、交流、做小研究而获得成长的路径，会不会被 AI 的自动化直接切断。 (第一财经)
这个其实比“AI会不会取代数学家”更深。
十、所以我会给这篇文章一个这样的评价
| 部分 | 我的评价 |
|---|---|
| 1500人 Mathathon 抵制事件 | 基本真实 |
| 25位菲尔兹奖得主公开信 | 真实 |
| “数学界反对 AI” | 明显夸大 |
| “数学不是只有证明” | 正确 |
| “证明已经被 AI 几小时击穿” | 过度表述 |
| “OpenAI 已经证明千禧年难题” | 目前不能这么下结论 |
| Lean = 验证而非直接证明宇宙真理 | 方向正确，但文章技术表述不严谨 |
| “数学确定性只是人为圈定边界” | 哲学化过度 |
| “AI只关心奖励，不关心真理” | 过度简化 |
| “提出问题将成为数学家的永久护城河” | 非常不确定，甚至可能错误 |
| AI会改变数学研究方式 | 很可能正确 |
| AI会替代一部分数学训练工作 | 值得高度重视 |
我认为这篇文章最大的“问题”不是事实错误，而是它的叙事框架
它实际上用了这样一条隐含逻辑：
AI突然变得极其强大 → 数学家受到威胁 → 数学家强调证明不是核心 → AI只是没有真正理解数学 → 数学家的真正优势是提出问题 → 所以数学家暂时没事。
这套叙事很适合传播，但不完全符合现在 AI4Math 的真实发展方向。
更准确的框架应该是：
解题能力 → 证明能力 → 搜索能力 → 数学发现 → 长期研究循环 → 自主研究。
现在真正发生巨大突破的是前面几层；
真正决定“AI能否成为数学研究者”的，是后面的“长期自主研究循环”。
而且最近的趋势已经非常明显：
AI 并不是简单地从“不会证明”变成“会证明”，而是在逐渐从“解题器”变成“研究代理”。
这也是为什么你前几天问我的 BSD、Riemann、Navier–Stokes、Lean、AI4Math、OpenAI/Anthropic 数学研究，实际上应该放进一个更大的框架里看。
尤其值得注意的是：近期数学家真正担心的，已经不是“AI会不会做题”，而是AI 是否会开始大规模消耗公开数学问题、抢占研究优先权，并改变年轻数学家的成长机制。这恰恰是那25位菲尔兹奖得主公开信最重要的部分。(新浪新闻)
如果把这篇文章改成一篇真正严谨的“AI为什么正在改变数学研究”的文章，我会保留约40%的内容，重写另外60%。
Top comments (0)