刘华杰：AI时代，为何菲尔兹奖得主先绷不住了？

北大哲学系教授刘华杰资料图。本文来源：刘华杰微博

本账号接受投稿，投稿邮箱：jingjixuejiaquan@126.com

刘华杰：AI时代，为何菲尔兹奖得主先绷不住了？

2026年9月，25位菲尔兹奖得主联合发布公开信，直指商业AI公司将“快速攻克重大数学难题”作为性能跑分的竞速行为，与数学共同体延续数百年的核心目标出现了严重错位。为何数学界先绷不住了，物理、化学领域为何没有？AI兴起，数学界不是很得意吗？其实，细想起来，这里藏着纯数学领域数百年来从未遭遇过的结构性冲击，这一代顶尖学者措辞背后也有着复杂的心态。

“少数人专属的顶级绝活”神话，正在被轻轻戳破

纯数学界长期以来有一个心照不宣的身份共识：能在长达上百页的复杂证明里全程保持逻辑自洽，不出现任何隐性疏漏，是人类智力皇冠上最难摘取的明珠。哪怕是顶尖数学家，也可能在数年的漫长推导中出现局部逻辑偏差，甚至要等到同行反复校验，才能发现某个藏在几十页之后的微小漏洞。这种对极致专注力和长链条逻辑控制力的要求，天然把绝大多数人挡在了纯数学研究的门外，也让菲尔兹奖得主这类顶尖群体，形成了强烈的身份认同：他们是人类中极少数能驾驭顶级抽象逻辑的人，这份能力是普通人靠勤奋也无法触及的天赋特权。

但2026年以来AI在数学领域的爆发表现，直接打破了这个维持了上百年的神话。AI配合Lean等形式化验证工具，能在几小时内完成过去人类数学家耗时数年的复杂推导，全程零逻辑疏漏，甚至能在人类卡壳几十年的开放问题上，快速找到全新的证明路径。过去被视为“非凡天赋”的长链条证明能力，现在变成了AI可以批量输出的基础能力。这不是某一个数学家感受到的个人挫败，而是整个纯数学顶尖群体，集体面对自己最引以为傲的核心能力被机器快速超越的现实冲击。

这里没有谁对谁错，只是一个必须承认的现实：人类在连续的符号逻辑推导这件事上，已经不再是地球上效率最高、最可靠的主体。

AI竞速正在直接“截胡”他们最核心的学术荣誉

很多人误以为数学家反对AI解题，是怕自己的工作被AI替代，但真实情况比这更具体、更尖锐。就在这份公开信发布的前几天，OpenAI高调宣布用88小时完成了纳维-斯托克斯方程的完整证明，而纽约大学柯朗研究所的一支顶尖人类团队，已经在这个方向上深耕了近一年，已经拿到了关键的阶段性突破，原本距离最终成果只剩最后一步。结果商业AI公司凭借算力优势，直接在几天内完成了收尾工作，抢先把成果公之于众，相当于直接截胡了人类数学家熬了几年的核心贡献。

在传统数学界，解决一个重大开放难题，是学者职业生涯里分量最重的荣誉，也是冲击菲尔兹奖最硬核的资本。现在AI公司把“攻克千禧年难题”当成秀模型性能的公关素材，根本不尊重数学共同体长期形成的学术贡献排序规则。人类数学家花几年甚至十几年啃下来的工作，可能被AI用几天时间就抢先完成，他们的学术优先权、应得的荣誉，都可能在商业竞速的浪潮里被直接稀释。

公开信里反复提及的“荣誉分配不公”，不是无的放矢的抱怨，而是顶尖学者第一次清晰地意识到：过去他们为之奋斗一生的核心学术资本，正在被商业机构用算力的方式，毫无门槛地快速收割。

“解题导向”正在悄悄掏空纯数学创新的核心灵魂

绝大多数人对数学的认知停留在“解难题”，但顶尖数学家心里非常清楚，数学的灵魂不是答案本身。一个重大难题的完整证明，真正有价值的部分不是“这个命题为真”的结论，而是推导过程中诞生的新思想、新方法、新工具。这些洞见往往需要经过几代数学家的讨论、拆解、简化，最终沉淀成能被学生学习、能跨领域复用的知识体系，甚至在几十年后成为物理、工程等领域的核心基础。

但AI公司的竞速逻辑，完全跳过了这个最关键的环节。他们只追求快速输出一个得到验证的“证明”，根本不在乎这个证明里有没有生长出新的数学思想，更不会花几个月甚至几年的时间，去把AI生成的复杂推导拆解成能被人类理解、能被后续研究者复用的知识。长此以往，数学界会被大量AI生成的“正确但无法被理解”的证明淹没，人类数学家再也没法从这些结论里提炼出真正有生命力的新思想，数学学科延续了数千年的“思想传承链条”，会在“唯答案论”的冲击下慢慢断裂。

这里藏着一层淡淡的批评：不少纯数学工作者过去几十年里，已经慢慢把“产出正确的证明”当成了自己的全部工作目标，他们不再关心自己的证明里有没有新的洞见，只追求在同行评审的期刊上发表足够多的成果。这种长期形成的“唯论文、唯证明”的评价惯性，恰恰给AI的“唯答案论”提供了最容易击穿的缺口——当你把自己的工作矮化成“输出正确的逻辑证明”，那自然会被更擅长做这件事的机器快速超越。

为什么其他基础学科的学者没有集体“绷不住”

一个很有意思的现象是，同样是基础科学领域的顶尖学者，物理学家、化学家、生态学家没有站出来发布类似的公开声明，甚至很多人还在积极拥抱AI工具。这背后的核心原因，是这些学科的核心工作，根本没法被当前的AI用算力竞速的方式替代。

物理的突破离不开真实的实验观测，你要验证一个新猜想，就得去建加速器、调试粒子对撞的参数；化学的创新离不开实验室里反复试错，AI没法凭空在虚拟空间里合成出全新的化合物；生态学的研究更是要扎根野外，在真实的自然系统里观察、记录、总结规律。现在的AI没有独立的具身认知能力，没法直接接触真实的物质世界，更没法从一手的自然现象里提炼出全新的科学直觉，它能做的只是对人类已经沉淀的知识做二次加工。

应用数学家同样没有这种强烈的危机感，因为他们的工作和力学、物理、工业场景深度绑定，核心价值是从真实的工程问题里抽象出合适的数学模型，AI只是帮他们把复杂的计算做得更快，根本没法替代他们从现实世界里提炼问题的核心过程。只有纯数学，它的整个研究空间都建立在抽象的符号系统之上，完全不需要实体实验的支撑，刚好成了AI公司用算力竞速最容易突破的领域，也成了第一个被商业逻辑直接冲击核心生态的基础学科。

这里也有一层值得反思的现实：不少纯数学圈的人，过去长期刻意和现实世界保持距离，甚至把“完全不涉及现实问题”当成一种学术品味的象征，这完全误导了“群众”。他们在已经被打磨得极其光滑的抽象空间里待得太久，慢慢忘记了数学最初从现实土壤里生长出来的痕迹，最终让自己的工作边界，刚好撞上了当前AI最擅长的能力区间。

代际成长的规矩、土壤，正在被颠覆

纯数学的人才培养，有一套延续了上百年的成熟逻辑：那些难度适中的开放小问题，本来是年轻学者练手的“低垂的果实”。博士生在导师的指导下，亲手啃下一个又一个小难题，在试错、讨论、反复碰壁的过程中，慢慢建立起自己的数学直觉，逐步成长为能独立研究重大问题的成熟学者。这些看似不起眼的小问题，是整个纯数学代际传承的核心土壤。

但现在AI能以极快的速度，把这些本来留给年轻人练手的开放问题一个个快速解决。原本需要一个博士生花一两年时间打磨的练手课题，AI几个小时就能给出完整证明。年轻学者还没来得及亲手走完完整的探索过程，这个问题就已经被AI“做完了”，他们再也没法在试错的过程中建立属于自己的直觉。长此以往，纯数学的入门门槛会被无形拉高，新一代的年轻学者再也没有足够的空间去打磨自己的能力，整个学科的代际传承链条会直接断裂。

更值得警惕的是，纯数学的传统就业通道本来就极其狭窄，绝大多数纯数学方向的博士生，最终的去向只有高校教职和少数科研院所。现在AI能批量产出高质量的证明，高校和科研院所根本不需要再招那么多纯数学方向的博士生来做“解题劳动力”，原本就拥挤的就业市场会进一步收缩，这也是顶尖学者集体危机感背后，没有明说的现实生存压力。

说到底，这一代菲尔兹奖得主集体“绷不住”，不是因为他们害怕AI替代自己的工作——事实上几乎所有顶尖纯数学家都已经把AI当成日常科研的辅助工具，用来检索文献、排查笔误、补全繁琐的推导细节。他们真正焦虑的，是AI公司的商业竞速逻辑，正在用“快速输出答案”的简单目标，摧毁纯数学最核心的价值根基。

这份焦虑背后，也藏着整个纯数学界需要直面的现实：数学不是一套完全脱离现实的封闭形式游戏（数学大厦不还原为同义反复、分析命题，它真的在增长），从算术、几何、分析、群论到流形，每一次重大领域的开辟，本质上都是人类从现实世界的互动里提炼出全新直觉的结果（数学也是一类建模，非常高极），如莱布尼兹、牛顿、欧拉、高斯、罗巴切夫斯基、庞加莱、柯尔莫哥洛夫、陈省身等。那些真正能为数学开疆拓土的顶级头脑，不会被AI的解题能力威胁；真正会被时代淘汰的，不是被AI冲击的数学家，而是那些躲在抽象象牙塔里，把自己的全部工作矮化成“输出正确证明”的人。■

扫描二维码参加线上研讨会