AI news

AI「生肉证明」堆爆GitHub!陶哲轩重磅发声:只会解题没用了

By 新智元1 viewsSource: 新智元
AI「生肉证明」堆爆GitHub!陶哲轩重磅发声:只会解题没用了

陶哲轩最新判断,数学正在从「证明稀缺」进入「证明过剩」时代——数学家最值钱的工作已不再只是「做出证明」,而是验证它、消化它,并把一块 AI 吐出的「生肉证明」变成人类真正吃得下的知识。

The full text has not been translated yet. The Chinese original is shown below.

最近,陶哲轩在 Mastodon 抛出一记重磅判断——

数学正在从证明稀缺时代,进入证明过剩时代(from an era of proof scarcity to an era of proof abundance)!

文章配图

在AI对Erdős问题的贡献Github页面上,20多份 AI 提交的全部或部分解,正堆在「pending assessment」(待评估)那一栏。

而在此之前,这个分类常年只有1-2份。

文章配图

一夜之间,AI 正在以令人窒息的速度疯狂输出数学证明。

问题是——没人来得及看。

问题求解「三件套」

生成、验证、消化

陶哲轩把这次的思考建立在一个简洁的框架上。

他说,数学问题求解从来不是一件事,而是三件事:

  • Proof generation(证明生成):把一个猜想从「未解决」推到「有解」。
  • Proof verification(证明验证):确认这个解是对的,逻辑没有漏洞。
  • Proof digestion(证明消化):把证明读懂、讲透、提炼出方法论,让整个领域受益。

文章配图

在过去的几百年里,三件事基本由同一拨人完成——你证了一个定理,你自然理解它,你写论文解释它。

这三个环节之间不存在「瓶颈差」。

但 AI 来了之后,情况变了。

生成环节被 LLM 大幅加速,验证环节有 Lean、Coq 等形式化工具兜底,唯独消化环节——那个需要人类大脑去理解「这个证明到底意味着什么」的环节——完全跟不上。

陶哲轩用了一个精确的工程术语来形容这种错位:impedance mismatch(阻抗失配)。

三个环节的速度不匹配了:证明像洪水一样涌来,但理解的堤坝还是手工砌的。

他说,想象两种社会。

食物稀缺的社会,最受尊敬的人是猎手和农夫——是那些「bring home the bacon」(把食物带回家)的人。

你猎回一头鹿,不管肉质如何,整个部落都会感激你,会有人主动帮你清洗、烹饪、分配。几乎任何没有毒的食物贡献都受欢迎。

食物过剩的社会则完全不同。

想象一个 pot-luck 派对(每人带一道菜的聚餐)。如果一个陌生人闯进来,扔下一块来路不明的生肉,让大家自己去处理——没有人会高兴。

甚至超市买来的预包装食品,也只是勉强算数。

真正受欢迎的,是社区里受信任的成员精心烹制的家常菜——不仅因为好吃,更因为围绕这道菜的对话本身就是社交的一部分,也是培养下一代厨师的机会。

回到数学——AI 跑出来的「生肉证明」(raw proof),就是那块被陌生人扔在派对上的神秘肉。

它可能是正确的。它可能通过了形式化验证。

但没有人清洗过它、烹饪过它、也没有人能告诉你它到底好不好吃。

文章配图

陶哲轩直言:这种「贡献」不仅没有推进问题的实际进展(do not measurably advance the progress),反而可能产生一个「负面效果」——它杀死了人们继续研究这个问题的兴趣。

问题被宣告「已解决」了,但没人懂这个解。

好比一道菜被端上桌,但没人敢动筷子。

于是这道菜——连同围绕它可能产生的所有对话和灵感——就这样凉了。

Erdős #1196,唯一跑通「三件套」的案例

理论都需要一个切片去检验。

陶哲轩反复提到的那个切片,就是 Erdős 问题 #1196。

这是一个关于「primitive sets」(本原集)的猜想:在一个整数集合中,如果没有任何元素整除另一个元素,那么对所有元素 a 按 1/(a·log a) 求和,当集合元素趋于无穷大时,这个和是否趋近于1?

1968年,Erdős、Sárközy 和 Szemerédi 提出了这个猜想。

文章配图

此后将近60年,数学家们不断逼近——斯坦福数学家 Jared Lichtman 花了数年证明了一个相关的上界(约1.399),但最终的渐近猜想始终悬而未决。

2026年4月的某个周一下午,23岁的 Liam Price 把这道题丢进了 GPT-5.4 Pro。

Price 没有数学博士学位,没有多年的专业训练。他用的是一个20美元/月的 ChatGPT Pro 订阅——任何人都能用的工具。

文章配图

80分钟。

模型走通了一条数学界忽视了近90年的路径:用von Mangoldt 函数(一种经典的解析数论权重函数)结合马尔可夫过程理论,构造出了一个全新的证明框架。

这个技术组合已经存在了几十年,但从未有人想到把它用在本原集问题上。

证明出来了。

但如果故事到这里就结束,它只不过又是一块「神秘肉」。

关键在于接下来发生的事:陶哲轩亲自下场。

他在24小时内验证了证明的核心思路,随后将其扩展、重组、打磨,最终揭示出这个证明背后隐藏着一条更深层的联系——整数解剖学(integer anatomy)与马尔可夫过程理论之间一条此前未被描述的全新桥梁。

这就是证明消化(proof digestion)。

不只是「对不对」的问题,而是「它意味着什么」的问题。

陶哲轩称#1196是目前唯一一个三阶段——生成、验证、消化——都基本跑通的案例。

也正因如此,他反复强调一个原则:理想状态是同一拨人完成全部三件事。

而现实中,越来越多的人在用 AI 生成证明后,没时间去验证和消化,就直接提交了。

这正是 Erdős 问题近20多份待评估方案堆积的直接原因。

三处表态,同一判断

陶哲轩不是在一个地方随口说说。

他在几乎同一时期,通过三个不同渠道发出了同一个信号。

4月27日,Mastodon 长帖:正式提出「证明稀缺→证明过剩」的范式判断。

4月27日,Nature 访谈(The job description is changing):他对记者 Davide Castelvecchi 说,数学家的「岗位描述」正在改变。一个拒绝碰 AI 工具、只想用传统方式做证明的研究生,未来可能会发现自己的机会越来越少。

能在传统数学功底之上熟练运用新工具的人,才会真正繁荣。

文章配图

3月29日,博客长文《Mathematical methods and human thought in the age of AI》:他和 Klowden 花了超过一年写成这篇论文,试图超越眼前的技术细节,直面更根本的哲学问题——数学证明的本质是什么?论文的目的是什么?我们这个职业存在的意义是什么?

他在博客中写道:如果我们自己不回答这些问题,它们就会被科技公司或经济激励机制替我们回答。

文章配图

三处表态,同一个内核:数学家的核心竞争力正在迁移——从「谁先生成证明」,转向「谁能选对问题、设计工作流、验证并消化结果」。

稀缺的不再是答案,而是理解。

更大的震荡:学术评价体系要重写

如果只是数学家的工作方式变了,那还只是一个学科内部的事。

但陶哲轩看到的远不止此。

当证明的成本被 AI 压到接近于零,当证明验证被 Lean/Coq 等形式化引擎大幅自动化——证明消化这个环节的价值就会被重估。

过去,消化证明是「免费的」。

你证了一个定理,你自然会理解它,会在论文里解释它。这个劳动从未被单独计价。

但当证明的生产者(AI)和理解者(人类)被拆开之后,消化就从隐性劳动变成了显性稀缺资源。

这意味着整个学术声望的分配逻辑要变。

Citation 体系、论文评审标准、奖项评选规则、甚至招聘和晋升的依据——所有这些围绕「谁先证了什么」建立起来的激励结构,都将面临重构。

陶哲轩预测:就像现代社会不再把生食原料当作一顿饭一样,数学研究文化将不再把「未消化的裸证明」(raw, undigested proofs)视为对一个问题的解决方案。

未来的评判标准,将聚焦于一个贡献究竟在多大程度上丰富了整个领域,而非仅仅「解决」了问题本身。

而且这不只是数学一个学科的事。

AI for Math 的范式漂移,将成为所有强证明型学科的预演——理论物理中的计算验证、密码学中的安全性证明、软件工程中的形式化验证——所有依赖「正确性论证」作为核心产出的领域,都将面临同样的「阻抗失配」。

证明会越来越多,越来越快,越来越便宜。

证明的时代没有结束。

但「证明即一切」的时代,正在落幕。

未来属于那些不仅能「算出来」,更能「讲明白」的人。

参考资料:

https://mathstodon.xyz/@tao/116477351524980995

https://mathstodon.xyz/@tao/116450581967483825

https://www.nature.com/articles/d41586-026-01246-9

https://terrytao.wordpress.com/2026/03/29/mathematical-methods-and-human-thought-in-the-age-of-ai/

文章来自于微信公众号 "新智元",作者 "新智元"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)