陶哲轩提出的一个“拇指法则”
如果有一天，一道过去需要数学家几个月甚至几年才能解决的难题，AI只需要几十美元的算力就能给出一个完整证明，我们真正应该担心的，会是什么？
不是AI“会不会做数学”。
而是另一件更麻烦的事情：
当证明变得足够便宜，数学真正稀缺的东西，究竟还剩下什么？
这可能才是AI给数学带来的真正冲击。
一、数学正在迎来另一种“危机”
20世纪初，数学曾经历过一次著名的基础危机。
罗素悖论、希尔伯特计划，以及后来哥德尔不完备定理的出现，让数学家不得不重新审视一个最根本的问题：我们赖以建立数学大厦的那些公理，到底可靠吗？
那场危机最终推动了现代数学基础理论的发展，也让“严谨证明”成为数学共同体最重要的制度之一。
今天，AI带来的问题却完全不同。
它并没有直接动摇数学的逻辑基础，而是在动摇数学长期形成的一套价值排序。
过去，一个研究级证明之所以重要，很大程度上是因为它很难得到。
数学家需要找到关键想法、设计证明路径、反复试错，再把结果写出来。
可如果未来AI可以大规模、低成本地产生这些证明，那么问题就发生了变化：
证明不再稀缺了。
而一个东西一旦从稀缺资源变成廉价商品，它的价值体系往往也会跟着变化。
二、AI真正改变的，可能不是“数学能力”，而是数学的供需关系
数学圈过去很多关于AI的讨论，都集中在一个问题上：
AI什么时候才能真正解决研究级数学问题？
现在，这个问题的重要性正在下降。
2026年5月举行的“First Proof”挑战赛就是一个典型信号。在受控条件下，AI系统以相对有限的计算成本完成了多项研究级数学任务，其中不少结果已经达到了相当高的质量。
这类结果真正值得关注的，并不是“AI终于超过了某个数学家”。
更重要的是，它让一种过去很难想象的事情开始变得现实：
研究级证明，有可能被规模化生产。
陶哲轩因此提出了一个值得认真对待的工作假设：AI工具已经开始具备以合理成本、在有限人工监督下完成研究级数学任务的能力。
一旦这个前提成立，我们讨论数学AI的角度就应该发生变化。
过去我们问的是：
“AI能不能解决这个问题？”
以后可能更应该问：
“当AI可以解决大量问题之后，我们到底该解决什么？”
这两者，其实完全不是一回事。
三、最危险的，不是AI犯错，而是我们开始追错指标
这里有一个很有意思的概念：古德哈特定律。
它有一句广为流传的表述：
“当一个指标变成目标时，它就不再是一个好指标了。”
这件事放在数学研究里尤其值得警惕。
过去，一个数学问题很难解决，所以“解决问题”本身通常是一个不错的价值代理指标。
因为你想解决一个真正困难的问题，往往不得不发展新的方法、发现新的结构，也不得不真正理解问题背后的数学。
于是，一个结果背后通常会自然带出更多东西：
新的概念、新的工具、新的理论，甚至一整套新的思维方式。
但AI出现之后，事情可能开始变得不一样。
假设未来AI可以非常高效地解决大量开放问题，那么“解决了多少问题”就可能迅速失去原来的含金量。
比如，一个AI一天可以给出100个 Erdős 问题的证明。
这些证明当然可能都是真的。
但问题来了：
我们真的因此更懂数学了吗？
可能恰恰相反。
我们拥有了更多答案，却没有获得与答案相匹配的理解。
这才是AI数学时代真正值得警惕的地方。
四、数学可能出现一种“证明消化不良”
陶哲轩用“阻抗失配”（Impedance Mismatch）来描述这种变化，我觉得这个比喻非常准确。
因为现在数学界面对的，可能不是“生产能力不足”，而是生产能力突然超过了整个系统的消化能力。
可以把数学研究简单拆成几个环节：
生成证明 → 验证证明 → 理解证明 → 传播证明 → 沉淀为知识。
过去，最难的是第一步。
现在情况正在发生变化。
1. 证明生成：越来越快
AI可以不断提出证明路径、构造中间引理，甚至直接输出完整的形式化证明。
原本稀缺的“证明”，正在变成一种可以批量制造的资源。
2. 证明验证：开始跟上
Lean、Rocq等形式化证明系统的发展，让机器验证数学证明变得越来越现实。
这意味着“证明到底对不对”这个问题，未来很可能比过去更容易处理。
但验证只是验证。
一个证明可以被机器确认是正确的，却依然没有人真正看懂。
3. 证明阐述：反而成了新的问题
这可能是AI最有意思，也最尴尬的地方。
AI特别擅长把文字写得非常顺。
但数学真正困难的地方，往往恰恰不是把每一步写出来，而是解释：
为什么想到这里？
为什么要绕这么一圈？
为什么这个引理值得成立？
哪一步才是真正改变整个证明结构的关键？
很多AI生成的证明，形式上非常完整，读起来却让人觉得“什么都说了，又好像什么都没说”。
它可以在十个简单步骤上解释得很详细，却在最核心的那个跳跃上轻描淡写地带过。
对于数学家来说，这恰恰是最需要解释的地方。
4. 社区消化：可能是最慢的一步
一个数学结果真正进入数学史，并不是因为论文发表了。
它还需要被其他数学家理解、讨论、使用、改写，然后逐渐变成大家熟悉的方法。
最后，它甚至可能进入教材，成为下一代数学家的基本工具。
这个过程非常慢。
但也正因为慢，它才是真正的知识沉淀。
AI可以一晚上生成几千个证明，却无法让整个数学共同体一晚上理解几千个证明。
生产速度和理解速度之间，正在出现巨大的鸿沟。
五、为什么“看起来太完美”的证明，反而值得警惕？
这里还有一个很反直觉的问题。
我们通常认为，一个证明越漂亮、越简洁、越流畅越好。
但在数学里，有时候恰恰相反。
一个真正重要的证明，往往会留下某种“摩擦感”。
你能感觉到作者在哪一步卡住过，在哪个地方反复试过不同路径，最后又为什么选择了这一条。
这种“不够丝滑”的地方，并不一定是缺点。
它反而是在告诉读者：
真正值得注意的地方就在这里。
数学家读一篇经典论文，很多时候并不是为了把每一个步骤都记下来，而是在寻找作者到底看见了什么。
哪里是关键转折？
哪里是新的想法？
哪里让一个原本混乱的问题突然变得简单？
这些东西，才是数学真正有价值的部分。
而AI生成的证明恰恰容易把这些东西抹掉。
它可以把一条漫长的思考路径压缩成一条看起来无比顺滑的答案。
答案更漂亮了，理解却未必更深。
数学家威廉·瑟斯顿曾强调过一个重要观点：数学工作的价值，并不只是完成某个定义好的产出，而在于它是否真的帮助人类更清楚、更有效地思考数学。
放到AI时代，这句话甚至变得更加重要。
因为“得到答案”正在越来越容易。
真正稀缺的，开始变成“为什么这个答案重要”。
六、陶哲轩提出的一个“拇指法则”
面对可能到来的“AI论文海啸”，陶哲轩提出了一个非常值得讨论的标准：
如果一个作者不能令人信服地、正确地解释自己的结果，那么这个结果就不应该轻易发表。
这听起来像是一条很苛刻的规定，但背后的逻辑其实很简单。
你可以让AI帮你搜索。
可以让AI帮你尝试。
也可以让AI生成一个证明。
甚至可以让AI完成大量过去需要人类亲自完成的技术工作。
但是最后，你得知道自己到底得到了什么。
你不能只是因为“机器证明它是对的”，就认为自己理解了这个结果。
这其实是在重新划定人和AI之间的边界：
AI可以成为证明的生产工具，但人类仍然要对知识负责。
这或许也是未来数学出版体系不得不面对的问题。
论文的作者，究竟是谁？
程序运行出来的结果，究竟意味着什么？
“证明是真的”和“人类理解了证明”，是不是已经成为两个完全不同的问题？
七、AI越强，人类越应该重新回答：为什么学数学？
这可能是整个问题最终会落到的地方。
如果AI未来真的能够解决绝大多数研究级数学问题，那么我们还为什么需要数学家？
如果机器比人算得快得多，比人找规律快得多，比人证明得快得多，那么学习数学还有什么意义？
答案可能恰恰和很多人的直觉相反。
正因为AI越来越会做数学，人类才更需要理解数学。
因为未来最稀缺的可能不再是答案，而是判断。
什么问题值得问？
哪个结果真正重要？
一个证明揭示了什么结构？
一个新定理能不能连接两个原本毫不相关的领域？
什么东西值得进入教材，成为下一代人的知识？
这些问题，不是单纯增加算力就能解决的。
数学从来不只是“把问题算出来”。
它也是一群人围绕概念、思想和结构进行长期交流的过程。
AI可以极大地扩大数学的产能，却未必能够替代这种共同体意义上的理解。
所以，AI时代最值得守住的，也许不是“人类必须亲自完成证明”这件事。
而是另一件更重要的事情：
数学最终必须仍然能够让人类变得更聪明，而不是只让机器变得更高效。
当证明越来越便宜的时候，真正昂贵的，可能恰恰是洞见。
而这或许正是数学在人类世界里最难被替代的部分。