“AI正毁掉数学”并不是说计算机一旦会解题，数学就会消失。争议的核心在于：当人工智能企业把数学难题当成衡量模型能力的赛场，最容易机器化、最方便展示成绩的问题，可能获得远超其学术价值的资源；而数学真正重视的概念创造、问题选择、严谨验证和长期积累，反而可能被挤到一旁。
当地时间9月11日，陶哲轩、邓煜等25位菲尔兹奖得主发表联合声明，警告人工智能快速用于解决数学问题，可能使AI发展目标与数学研究目标出现“严重错位”。声明所关注的重点，不宜被简化为数学家排斥新工具，也不能被夸张成数学研究已经遭到摧毁。更准确的问题是：谁在选择要解决的问题，结果怎样被验证，研究价值又由什么标准决定？
为什么“会做题”不等于“推动数学”
数学研究当然需要得到正确答案，但答案只是终点之一。一项工作是否重要，还要看它是否提出了有价值的问题、建立了新的概念联系、形成可复用的方法，并让其他研究者能够理解和检验。模型在某道题上输出一段看似完整的证明，并不能自动满足这些要求。
大型语言模型解决重大数学问题的能力近年来大幅提升，这是联合声明讨论的现实背景。不过，从“模型能够生成证明”到“模型完成了可信研究”，中间仍隔着多层判断：
- 问题是否重要：一道题很难，不代表它对某个数学分支具有长期价值。
- 论证是否严密：局部推导正确，不代表整条证明链没有遗漏条件或循环论证。
- 结果是否新颖：模型可能重新组合已有材料，是否形成真正的新方法需要专业判断。
- 过程是否可追溯：研究者必须知道使用了哪些前提、工具与资料，不能只接受一个无法解释的结论。
- 成果是否可复现：其他人应当能够独立检查，而不是依赖一次偶然输出。
因此，把数学能力压缩为“攻克多少难题”，就像用考试分数概括全部教育质量：它能反映一部分能力，却无法代替完整评价。想进一步理解这场争议的背景，也可以参阅站内的25位菲尔兹奖得主警告AI伤害数学的事件梳理。
真正的风险是研究目标被评测指标牵引
企业需要清晰、可比较的技术指标，数学题天然适合充当测试材料：题目边界相对明确，答案往往可以核查，模型之间也容易比较。但科研共同体面对的并不是一张固定试卷。许多重要进展来自重新定义问题、连接不同领域，甚至发现原来的提问方式并不合适。
如果资源持续流向“容易形成排行榜成绩”的题目，可能产生三种偏移。第一，研究者花费更多时间整理适合机器挑战的问题，而不是探索真正值得研究的问题。第二，平台更重视快速宣布结果，验证工作却由人数有限的数学家承担。第三，年轻研究者可能误以为研究就是不断完成高难度任务，忽略阅读、讨论、失败与长期构造的重要性。
需要警惕的不是人工智能参与数学，而是技术展示的需要反过来决定数学应该研究什么。
机器给出证明后，谁来承担核验成本
数学成果不能靠“看起来合理”过关。模型可以在短时间内生成大量候选证明，但专业核验仍然需要逐步检查定义、引理、边界条件和引用关系。生成速度提高，并不意味着审查速度同步提高。当候选结果大量涌入，数学界可能面临明显的成本转移：企业获得能力展示，期刊编辑、审稿人和研究团队却承担筛选与纠错压力。
一个负责任的使用框架，至少应回答以下问题：
- 来源能否说明：是否记录模型版本、输入条件、外部工具与人工修改过程。
- 证明能否检查：关键步骤是否转换为人类可读、可逐条验证的形式。
- 责任是否明确：出现错误时，不能把责任推给模型，提交者仍需对成果负责。
- 贡献如何标注：提出问题、设计方法、生成候选与完成验证应当区分。
- 资源如何分配：用于能力测试的题目，不应自动获得高于基础研究的学术地位。
这里的原则与其他数字工具并无本质冲突：工具可以加速检索、计算和探索，但可信成果仍要经过独立验证。正如辨别仿冒软件不能只看图标和名称，面对模型生成的数学结果，也不能只看形式是否像证明。站内关于如何核验信息来源与风险信号的实用方法，同样体现了“外观不能代替验证”的基本思路。
学生和普通使用者应该停止用AI学数学吗
没有必要一概停用。合理使用可以帮助学习者获得提示、比较不同解法、检查符号计算，也可以把抽象概念换一种方式解释。问题出在把生成结果直接当成标准答案，或者在尚未形成基本推理能力时，把思考环节全部交给工具。
更稳妥的四步使用法
- 先独立作答：写下已知条件、目标和尝试过的方法，哪怕没有完整答案。
- 只索取有限提示：先让工具指出可考虑的定理或反例，而不是立即生成全部过程。
- 逐步反问依据：检查每一步用了什么条件，主动寻找不成立的边界情况。
- 脱离工具复述：关闭页面后重新写出思路；无法复述，通常说明尚未真正理解。
学校也不宜只靠禁止应对。更有效的做法，是增加口头解释、过程性作业、现场推导和错误分析，让学生说明“为什么这样做”。阅读与推理能力从来不是由篇目数量或工具有无单独决定的，相关讨论可参考课纲变化与阅读能力之间究竟是什么关系。同理，评价数学学习也应观察思维过程，而不只是最终答案。
如何避免AI与数学研究走向对立
这场警告的建设性意义，在于推动技术界和数学界提前建立边界，而不是等问题扩大后再补救。企业可以公开评测题目的选择原则，区分“模型能力演示”与“数学研究贡献”；研究机构可以制定使用记录、署名和复核规范；期刊与会议则需要明确机器生成内容的披露及验证要求。
与此同时，应当给核验工作足够的时间和认可。发现一段证明为何不成立，可能比生成它更困难；整理高质量数据、构建形式化验证工具，也不应被视为次要劳动。只有把这些成本纳入评价，技术进步才不会以透支数学共同体为代价。
因此，“AI正毁掉数学”更适合作为一个风险提醒，而不是已经完成的事实判断。人工智能可能成为数学家的计算器、检索助手和探索伙伴，也可能在错误激励下把研究变成追逐可展示成绩的竞赛。决定结果的并非工具本身，而是目标由谁设定、成果由谁验证，以及学术共同体是否保有判断什么问题真正重要的权力。
版权声明：本文由本站编辑原创撰写，未经授权请勿转载。撰写日期：2026年9月12日。
本站编辑原创，发布日期：2026年09月12日 16时14分27秒（北京时间）
