邓煜等最新发声：AI太强，数学家怎么办？

AI正在深入前沿数学研究，不仅改变了解题方式，也冲击着学术评价与人才培养。面对日益强大的AI，多位数学家对这一话题进行了讨论，他们既有期待，也有担忧：当证明和论文越来越容易产生，数学研究的价值该如何判断？数学家未来又该做什么？ 在中国人民大学高瓴人工智能学院教授、副院长魏哲巍的课堂上，AI并不总是受到欢迎。 这位研究大模型和智能体的教授，在本科教学中却坚持着一些传统做法：算法课和机器学习课使用板书，程序设计课安排断网练习，学生完成作业后，还要当面解释自己的代码为什么这样写。 魏哲巍并非不了解AI的能力。恰恰相反，正因为身处技术前沿，他更担心，在尚未弄清未来需要什么能力之前，过早让学生依赖AI，可能反而削弱他们独立思考和解决问题的能力。 这种看似矛盾的选择，恰好反映了数学界正在经历的变化：一方面，AI已经强大到让数学家改变研究方式；另一方面，数学家开始重新审视，那些曾经被视为理所当然的研究与训练过程，是否仍然不可替代。 2026年，AI在前沿数学研究中取得了一系列引发广泛关注的进展。从埃尔多斯单位距离问题，到纳维-斯托克斯（Navier–Stokes）方程相关研究，再到10月初OpenAI公布的722份数学手稿，AI展现出的解题能力，正在改变数学家对研究工作的认识。 一些数学家长期研究的问题，出现在AI公布的成果中；有人因此提前公开尚未完成的论文，也有人开始调整研究计划，将注意力转向检验、理解AI提出的证明，并从中寻找新的研究方向。尽管其中部分证明仍有待检验，但这些变化已经足以引发数学界的广泛讨论。 10月25日，智识学研社、知识分子、赛先生共同主办了“AI对数学家到底意味着什么”论坛，来自大湾区大学、北京大学、芝加哥大学、中国人民大学、南开大学和中国科学院等机构的数学家，围绕AI对数学研究、学术评价和人才培养的影响展开讨论。 一个值得关注的现象是，数学家们对AI解题能力的认识正在趋于一致，但对数学未来的发展，却有着不同的判断。 有人期待AI帮助数学家摆脱繁琐的技术细节，探索更复杂的问题；有人担心，年轻研究者可能因此失去独立训练的机会；也有人开始追问，当定理和证明可以被大量生成，数学家究竟应该如何评价自己的工作？ 这些讨论并不只是关于数学家的职业前景。数学是最强调严格证明的学科之一，当AI开始大规模参与数学研究，它也率先暴露出科学研究可能面对的新问题：如果机器能够越来越快地产生结果，人类又该如何理解、评价和使用这些结果？ 解出难题之后 数学研究还没有结束 对多数人而言，数学家的工作似乎就是解决那些长期无人攻克的难题。但这种认识，可能恰恰忽略了数学研究中更重要的一部分。 2026年未来科学大奖得主、北京大学北京国际数学研究中心教授袁新意将数学的发展分为三个相互交织的环节：提问、解题和总结。数学家首先需要提出有价值的问题，再寻找解决办法，并从中提炼新的工具和理论。 这些理论又会催生新的问题，推动数学继续发展。袁新意强调，“数学是科学的第一道防线”，AI建立的数学理论也需要人的监视和解读，不能任由AI发展出人类不懂的理论。

图丨袁鑫意发表主旨演讲《AI时代下，人类依然需要主导数学的发展》（来源：智识学研社） 长期以来，数学教育和学术评价更重视解题，忽视了“题目从哪里来”。数学杂志和奖项往往关注猜想的最终证明者，而提出问题、建立理论，以及前人积累的贡献，未必得到同样充分的认可。 AI的出现，让这种偏重更加明显。在以往的研究中，证明一道难题可能需要数学家投入数年甚至数十年的时间。而今天，AI开始在短时间内完成一些复杂推导。这并不意味着证明变得不重要，而是让数学研究中那些难以被量化的工作，重新进入人们的视野。 一个问题为什么值得研究？一个证明究竟带来了什么新的认识？它能否帮助数学家建立更普遍的理论？ 这些问题在传统研究方式下，往往隐藏在最终的研究成果背后，现在却可能成为判断数学价值的重要依据。 中国科学院数学与系统科学研究院研究员何伟鲲提出了另一个值得思考的区别：证明正确，不等于理解证明。 他认为，Lean等形式化工具能够帮助验证证明的正确性，但数学家的工作并不止于确认结果。一个证明的关键思想是什么，为什么采用这样的思路，又该如何向其他研究者解释清楚，仍然是重要的数学工作。 因此何伟鲲建议，年轻研究者不妨将AI视为合作者。即使AI先找到了证明，人类仍然可以通过解释思路、整理关键步骤、简化复杂论证作出贡献。 这种分工并不难理解。科学史上，发现一个结果与解释一个结果，本来就可能由不同研究者完成。AI的加入，只是让这种差异变得更加突出。但新的问题也随之出现：如果未来AI可以持续生成大量正确却难以理解的证明，这些成果究竟应该被看作已经掌握的知识，还是等待人类进一步探索的对象？ 北京大学北京国际数学研究中心教授孙鑫提出了一个“最乐观的假定”：未来个人AI账号可能在短时间内一键生成数以千计的新定理和证明。但是，如果这些内容充斥着人类无法理解的数学概念和数学证明，它们未必真正进入了人类的知识体系。 人类研究活动的本质，正如西汉时期史学家司马迁所总结：“究天人之际，通古今之变，成一家之言。”数学研究也是这样，它不仅要获得结果，还要从中提炼有价值的认识，并将这些认识传播、传承下去。

图丨孙鑫发表主旨演讲《AI对我意味着什么》（来源：智识学研社） 这也是几位数学家观点中一个重要的共鸣：AI让解题能力获得前所未有的扩展，但数学研究的价值，并不能简单等同于解题的数量和速度。 当论文越来越容易产生 评价的尺子需要改变 AI带来的另一个变化，是数学成果的生产方式正在发生改变。很早之前，一篇论文往往凝结着研究者长时间的思考和推导。但当下，AI可以帮助完成复杂证明、整理材料，甚至生成相对完整的论文。 如果这种能力继续发展，数学界可能面临一个过去难以想象的局面：论文和证明不再稀缺，但研究者的时间、审稿能力和理解能力仍然有限。 真正稀缺的，可能不再是数学成果本身，而是判断哪些成果值得关注的能力。 这也解释了为什么论坛上的讨论，很快从AI能够证明什么，转向数学界应该如何评价研究。 孙鑫用照片作为比喻。他指出，智能手机普及之后，人人都能拍摄和分享照片，照片的数量大幅增加，但这并不意味着照片失去了价值。论文也是如此。即使论文越来越容易产生，它仍然是交流数学思想的重要载体。真正需要重新判断的，是一篇论文究竟提供了什么有价值的认识。 未来，研究成果未必只通过论文、期刊、引用和同行评议来筛选知识、确认贡献。交互网站、软件、视频以及能够回答读者问题的AI工具，都可能成为数学知识传播的新方式。 当AI大幅提高成果生产速度，这些机制能否继续有效运转，开始成为现实问题。南开大学陈省身数学研究所讲席教授、副所长郭少明希望，数学界能够建立更加多元的价值观。 他认为，过去数学研究过于依赖少数顶级期刊和特定成果形式进行评价。AI时代，数学界需要更多不同类型的期刊和交流平台，让传统数学研究、形式化证明和AI辅助探索都能找到适合自己的位置。 何伟鲲也主张，数学家的贡献不应只看能否率先证明定理，还可以包括简化复杂证明、解释数学思想，以及帮助其他研究者理解成果。 不过，随着评价标准的变化，也带来了另一个更复杂的问题：当AI参与研究，成果的贡献究竟属于谁？ 2026年菲尔兹奖得主、芝加哥大学教授邓煜强调，AI的数学能力与AI公司的行为规范，应当分开讨论。 他从商业角度提出疑问：如果数学家付费使用AI工具、输入自己的研究思路，而这些数据又被用于训练下一代模型，最终由AI公司利用模型解决公开问题并获得荣誉，那么数学家的贡献该如何体现？ 在邓煜看来，数学家不应拒绝使用AI，但应当有权决定自己输入的数据是否用于模型训练，并通过可追溯的机制，厘清AI与不同人类研究者各自的贡献。

图丨邓煜通过线上视频方式表达对AI与数学的观点（来源：智识学研社） 这场讨论揭示的，是AI时代科学研究越来越现实的矛盾：技术正在降低创造结果的门槛，但确认结果的价值、归属和可信度，可能需要建立更加复杂的规则。 正如孙鑫所说：“虽然说AI冲垮了原来的评价体系，但是人类的判断力并没有丧失，只不过是在价值多元的时代，评价体系也应该多元化，而不是缺失。” AI时代 年轻人该如何学数学？ 如果说数学研究不能只看解题、学术评价需要调整，已经形成了较多共鸣，那么在怎样培养下一代数学家这个问题上，现场并没有统一答案。这或许也是整场讨论最值得关注的分歧。 传统的数学研究的训练方式建立在一个基本前提上：学生需要通过长期、独立地解决问题，逐渐形成自己的数学直觉、研究方法和判断能力。 但AI正在改变这个前提。当一个学生花费数月研究的问题，可能被AI在很短时间内解决，传统训练是否还值得坚持？ 袁新意最担心的是数学研究的传承。年轻数学家如果通过传统训练方式，这个过程可能充满失败和反复尝试，却也是他们积累经验、形成直觉和研究能力的重要阶段。 但如果AI能够在几小时内解决这些问题，年轻人还是否有机会经历这样的训练？ 因此，袁新意希望低年级博士生的第一篇论文，仍然以传统研究方式为主，亲自经历思考、探索和反复尝试的过程。少量借助AI并无不可，但在完成初步的独立研究训练之后，他鼓励学生更加主动地使用AI。 何伟鲲提出了一种折中的办法：同时保留两条研究路线。一条与AI合作，另一条则留下一两个问题，不急于向AI寻求答案，让自己的思考能力持续得到训练。 魏哲巍的本科教学实践，同样体现了这种谨慎。他并不反对学生学习AI，而是认为，在尚未弄清未来需要什么能力之前，贸然改变教育方式，可能让学生过早失去独立思考的机会。

图丨魏哲巍发表主旨演讲《AI时代的数学三问：优美·直觉·反馈》（来源：智识学研社） 孙鑫则从另一个角度看待这一变化。在他看来，以定理证明优先权为核心的评价体系正在失灵，但这也为重新认识数学研究的价值提供了机会。如果AI能够承担更多繁琐的技术工作，数学家或许可以将更多精力用于理解数学、探索新的研究方向。 但他同时强调，不能寄希望于靠“抽卡”（指反复向AI提问、从AI生成结果中碰运气挑出可用证明）抢在AI公司之前做出大定理，“抽卡”只是多了一本参考书，不能代替真正的探索，最终还是要发挥人的智识主体性。 郭少明也希望为年轻研究者创造更多选择。他提出，希望找到大量不同类型的研究任务，让学生根据自己的兴趣、能力和投入程度，选择适合自己的工作。

（来源：智识学研社） 表面上看，这是一场关于是否应该使用AI的争论。但更深一层，它其实是在讨论：当技术可以替代学习过程中的部分劳动，哪些能力仍然需要通过亲身实践才能获得？ 这并非数学独有的问题。类似的挑战，也有可能发生在编程、写作、医学以及其他科研领域。AI能够帮助人们更快地完成任务，却不必然意味着使用者获得了完成任务所需要的全部理解和判断能力。 数学界的特殊之处在于，这种矛盾已经直接进入前沿研究和人才培养的核心环节。 因此，袁新意的“谨慎”与孙鑫的“乐观”，并不完全互相排斥。前者担心年轻人失去成长过程中必要的训练，后者则期待年轻人摆脱旧有评价体系的束缚。 两种判断最终指向同一个问题：怎样使用AI，才能让年轻研究者真正成长，而不只是让他们更快地产生结果？ AI带来的新机遇： 让数学家探索更远的未知 如果只看到学术评价和人才培养面临的挑战，可能会低估AI为数学研究带来的机会。 实际上，AI正在改变数学研究的能力边界。这种变化不仅体现在解决更多难题，也可能让研究者重新选择值得投入时间的问题。 孙鑫介绍，在二维统计物理、随机几何等方向，AI公布的成果已经触及研究者长期关注的问题，改变了一些数学家的研究计划。他的学生也开始借助AI取得研究进展。不过，部分AI生成的证明仍有待进一步检验和消化。 对孙鑫而言，更值得期待的是，AI能够帮助数学家摆脱繁琐的技术推导，将更多精力投入物理现象、理论结构和更深层的科学问题。 邓煜也认为，AI广泛的知识覆盖和高效试错能力，有望帮助数学家结合不同领域的方法，发现新的研究路径。研究者不仅可以使用AI解决问题，也可以从AI生成的证明中获得新的理解，推动数学不同分支及其与其他学科之间的联系。 魏哲巍则用一个形象的比喻表达了自己的乐观：过去的数学研究如同驾驶小木船探索世界，而AI的出现，让人类拥有了可以驶向更远处的大船。 但探索更远的世界，并不意味着只关注眼前有用的问题。袁新意提醒，许多重要数学理论最初并没有明确用途。黎曼几何后来成为广义相对论的重要基础，数论也在很长时间之后成为现代密码学的理论支撑。基础研究的价值，往往需要更长时间才能显现。 这也是AI for Science值得关注的另一面：AI能够加快科学研究的进程，但科学的进步不能只用获得结果的速度来衡量。 新的问题、新的理论，以及那些暂时看不到应用前景的探索，同样决定着科学能够走多远。 当AI越来越擅长解题，数学家或许可以把更多时间留给那些真正值得追问、理解和探索的问题。