核心观点 AI在数学研究中的能力正快速提升，已能解决部分未解难题，但其“广度”与人类专家的“深度”高度互补，AI加速了证明生成与验证，却未同步提升人类的理解与消化速度，可能导致“证明消化不良”和下一代科学家培养的缺失 AI数学能力进展 - AI驱动的自主智能体在88小时内生成三维纳维-斯托克斯方程有限时间爆破问题的证明，并用Lean完成形式化验证，这是AI首次宣称攻破克雷数学研究所悬赏100万美元的“千禧年大奖难题”之一[4] - 过去四年AI数学能力从解初中数学题逐步提升至解研究生资格考试题，近期开始解决人类研究者长期未能解决的问题，如围绕单位距离问题的相关成果已被人类借鉴[35] - 在“First Proof挑战”中，用十道研究级数学题测试最新模型，表现最好的模型能解出五六道[36] - AI解题成功率与成本尚不透明，私营公司未公开投入资源，计算费用可能是十万美元或一百万美元，成功率未知[36] AI与人类能力的互补性 - 人类专家注重深度，会挑选有难度但非完全不可能的问题深挖，而AI擅长广度，能并行尝试大量问题，搜索不同领域方法，寻找被遗漏的组合[21][22] - AI可能没有先入为主的偏见，能发现专家普遍认同的错误看法，有时能找到所有人都漏掉的解法[22] - 将一千道题交给AI，即使只解出5%也是五十道题，在解题数量上已能超过人类数学家[22] - 数学界需利用AI大范围解决部分问题的新能力，与人类慢慢深挖少数深度问题的能力配合[23] AI对科学过程的冲击 - AI加速了实验、代码、证明生成的速度，但人类理解和消化知识的速度没有同步提高，导致“证明消化不良”[5][33] - AI生成的证明可能花大量篇幅解释简单事，却对最有意思的部分一笔带过，因为AI分不清哪里容易哪里难[32] - 开普勒发现行星运动定律的过程说明，科学研究需要时间消化理论，AI太快可能导致“过拟合”，构建出与现实中真正发生的事情无关的复杂模型[25][28] - 风险在于将AI用于科学时优化了错误的目标，纸面上取得惊人成果，但科学并未像以前那样真正向前推进[29] AI作为研究伙伴的局限性 - 陶哲轩预测到2026年AI可能成为数学研究中“值得信赖的合著者”，但对他本人而言，攻克核心难点的过程并未发生同等程度的改变，纸和笔仍是重要工具[6][7] - AI会犯错，有时会一味迎合用户，且目前互动更偏向单人使用，无法像人类合作者那样形成思维默契和自然流畅的对话[43] - AI有一定的上下文记忆能力，但无法像人类合作者那样持续学习或重新接上很久以前的思路[43] - 陶哲轩更常将AI用于辅助任务，如检索文献、检查证明、写代码或校对，而非真正解题过程[43] 对下一代科学家的影响 - 研究生训练过程中，AI已能处理许多训练性问题并产出论文，若用AI取代研究生，将无法培养下一代研究者[49] - 若不继续消化AI产出并整理成知识基础，整个科学共同体可能停滞，只优化现有技术能做的事，却不再发展原创性新想法[50] - 需要更公开讨论基础科学的价值，以及由人组成的研究群体探索未知的重要性，即使进展慢或方法不如AI高效[50]