AI解得了黎曼猜想，但解不了数学家XDxAI

2013年，一位纯数学博士在博客里写下一段话，大意是：我花了八年时间搞清楚一个极小领域里几个对象之间的关系，写完论文那晚，我坐在出租屋里，忽然不知道这到底有什么意义。那种空荡荡的成就感持续了十分钟，然后就只剩下一个问题——我为什么要做这件事？

如果那个晚上他打开的是2026年版本的AI数学助手，点一下“自动生成证明”，系统大概率会在几分之一秒内吐出比他八年成果更精巧、更无懈可击的推导。他不会更快乐，可能只会更早地陷入那个问题。

最近，IEEE Spectrum发表了一篇长文，直接把这个场景推到了聚光灯下：当AI可以解数学，成为数学家到底意味着什么？加州大学洛杉矶分校的陶哲轩提出了一个听起来很乐观的概念——“大数学”（Big Mathematics）。在他的设想里，人类与机器将共同攻克过去单靠人脑几乎无法驾驭的复杂问题，人负责提方向、做选择，机器负责暴力搜索和形式化验证。卡内基梅隆大学的Jeremy Avigad则更细腻，他说数学家从长期思考中获得的理解之美与成就感，这种驱动力并没有因为AI的出现而改变。

这两句话放在一起，构成了一个极其微妙的张力：一边是新大陆般的协作图景，一边是旧手艺里不可替代的私人快乐。我们要谈的，正是在这两极之间，一个古老行当即将遭遇的、不是替代而是意义重组。

大数学时代，人类终于可以只负责提问题了？

说一个反常识的事：数学史上真正的突破，很多时候不是因为做对了计算，而是因为问对了问题。

安德鲁·怀尔斯躲在阁楼里证费马大定理的那七年，绝大多数时间不是在算，而是在反复回到原点，换一条路径重新走。黎曼写下那篇只有八页纸的著名论文时，大量推理过程已经跳到了只有他自己能追上的速度，后人花了一百多年才勉强补全。那种“跳跃”不是计算力的胜利，而是一种人类独有的、把不同领域概念强行揉在一起的直觉。

陶哲轩所说的“大数学”，恰好瞄准了这个地方。在他看来，AI可以为直觉插上验证的翅膀。比如一个现代数学团队正在处理一个偏微分方程的适定性问题，传统做法是领域里两三个顶尖头脑花几个月推进一两步引理，中间还要不断担心细节出错。但如果把这个过程交给一个多智能体系统：一个AI负责生成所有可能的引理变体，另一个AI逐条检查逻辑一致性，人类数学家则站在高处，从上千条可能路径里挑出最优雅、最有扩展潜力的那几条——这就不再是工具辅助人，而是人类与机器同时作为创作者在场。

这个场景最迷人的地方，在于它把数学从“证明”的苦役中解放出来，推回到“理解”的旷野上。比如，假设某天AI突然证明了一个长达十万行的黎曼猜想等价命题，但对于数学家而言，真正让人激动的是：这个证明用了哪种此前完全没人想到的结构？它把素数分布和某个随机矩阵系综连接起来的那个“把手”到底是什么？没有这种理解，证明本身只是一堆符号，而人最大的价值，恰恰变成了从证明显析出新的概念。

Avigad在一次公开讲座里举过一个很朴素的例子。他说，一个优秀的高中数学老师，绝不会只告诉你某个公式怎么推，他会让你看见三角恒等式里那种对称的惊奇。未来数学家与AI之间的关系，会越来越像学生与这位老师的关系，只是角色对调了过来——AI证明，人发问：这里有什么让人心脏一跳的东西？

这样的推演很诱人，但正因为诱人，才不能急着吹。

但别急着吹：AI证出来的东西，数学家可能根本不想看

问题藏在“理解之美”这四个字里。

数学不是一般意义上的求真，它还自带一种严苛的审美口嚼。一个证明如果能用三行干净利落地说清楚，没有人会想看三百页的分类讨论。哈代的《一个数学家的辩白》几乎就是在说一件事：好的数学首先必须是美的。而这种美的标准，部分来自人的认知边界——我们渴望把无限复杂的东西折叠进一个足够小的思想块里，在那一瞬间体验到智力上的通透。

麻烦就在于，AI最擅长的工作方式，恰恰是哈代最鄙视的那种：穷举、分情况、无限拆分。2016年，一种基于强化学习的算法独立发现了一个新的矩阵乘法算法，效率略优于人类已知最优，但它的内部结构是一场灾难——没有新的不变量，没有可解释的代数意义，只是一串极其精巧但毫无启发性的数字组合。那篇论文发表后，圈内出现了明显的分裂：计算数学家感到兴奋，纯数学家转身继续喝咖啡，觉得那不是数学，只是一次极其昂贵的工程优化。

换成一个真实场景：一位青年博士生用AI辅助工具证出了自己苦苦追了三年的一个小猜想。最初他会狂喜，但紧接着他会发现，那个证明太长了，长到他穷尽一辈子也读不完；更致命的是，证明里没有他期待的那种“啊哈时刻”，它只是一串冷冰冰的符号归约，每一步都对，但连着看没有任何人类能感知的逻辑流。这时候，他收获的不是理解，而是一种更深刻的孤独。

这意味着，我们正在面对一个奇怪的中间状态：AI在结果上越来越强，在过程上越来越不透明。Jeremy Avigad的观察之所以重要，是因为它点出了一个容易被忽视的事实——数学家这个群体的工作动力，并不完全来自产出定理，很大程度上来自长期的、沉浸式的思考过程本身带来的那种缓慢的澄明感。如果AI把过程抽走了，只留下结果，这个职业的引力核就会开始松动。

顺便说一句，那些鼓吹“大数学时代人人都是数学家”的说法，也需要谨慎看待。历史上每一次自动化，最先解放的都不是普通人的创造力，而是头部玩家对资源的垄断力。未来少数掌控强大AI工具的顶尖团队确实可能像陶哲轩描述的那样，去征服过去无人敢碰的超级问题，但对于一个普通的数学系研究生来说，他的处境可能更尴尬：自己独立做，做不过机器；和机器一起做，自己只能在边上标注数据或做直觉校验，而那恰恰是最难量化、也最难被承认的劳动。

真正被改变的，是那个凌晨三点还在踱步的人

不过，如果只停在批判上，就容易忽略这场变化里更底层的挪移。真正值得盯住的，不是数学家会不会失业，而是“做数学”这件事的体验，正在从内向外被改写。

我想到一个人。十九世纪的法国数学家伽罗瓦，在决斗前夜疯狂地写下群论的开创性手稿，满纸都是“我没有时间了”。那种把生命压在未知上的紧迫感，是数学史最悲剧也最浪漫的驱动力之一。假如伽罗瓦活在2026年，他可能会在AI面前快速验证全部想法，然后发现大部分都是错的，或者早就被其他人做过。他不会死在二十岁那场决斗里，但他很可能不会成为那个被后世反复讲述的传奇。

这引出一个很残忍的问题：当探索的成本突然趋近于零，探索的意义还剩下什么？

Avigad提到的那种从长期思考中获得的成就感，其实有一个隐藏前提——这个探索过程必须是困难的、不可预测的、随时可能失败的。如果AI能够瞬间给出正确方向，那数学就会从一种探险，滑向一种策展：你的工作不再是披荆斩棘进入黑暗森林，而是在一大堆AI生成的漂亮地板上，挑选哪一段适合人类参观。策展也有乐趣，但那是完全不同的乐趣，它更冷静，更接近批评家的愉悦，而非创作者的。

对普通人来说，这种变化同样会渗透。过去社会对数学家的想象，是那种蓬头垢面、眼里有光的怪人，他们的存在本身就是一种文化符号——代表人类理性可以不计成本地投向纯粹之美。如果这个形象逐渐被“人机协作项目经理”取代，我们失去的将不只是一个职业，而是一种关于人的可能性的叙事。

当然也不能过于悲观。换一个视角看，AI或许正在帮助数学回到它更本初的样子。两千多年前，欧几里得写《几何原本》时，他做的事不是单一的计算，而是构建一套自洽的理解框架。今天，人类在AI的帮助下，同样可以将精力从繁琐的形式化验证中拔出，重新投入理解框架的重塑中。比如，面对一个AI证出的庞然大物，未来的数学家可能会发明一种新的比喻，让整个证明可以被压缩进一个高中生也能感知的几何图像里。那种把晦涩转化为直觉的能力，将变得比证明本身更金贵。

假设十年后，一个十五岁的学生第一次打开数学作业，他不再被要求手算积分，而是被要求“用不超过两百字向另一个人解释为什么这个拓扑空间是紧致的”。AI已经把证明做完了，但他必须穿透那层符号，找到可以传递的理解。到那时，数学就不再是少数苦行僧的禁地，而变成一种公共的、关于如何让思想可见的手艺。

这恰好呼应了陶哲轩和Avigad没有明说但隐约指向的一点：AI不会让数学消失，它只是会逼我们重新回答——当机器把“对”的事情都做了，人剩下要做的，是不是就是追问“为什么”以及“美在哪”？而那，从来都是更难的事。