当AI站上人类智商高地，数学的价值或许不在解题本身

2026年8月30日，概率论大师、2022年菲尔兹奖得主Hugo Duminil-Copin在自己名为"Proofs and Prompts"的博客上写下一句话，语气里带着某种近乎悲凉的预感："在我们这个领域，最著名的那个猜想倒在推土机的轰鸣之下，恐怕只是个时间问题了。"

他说的"推土机"，就是AI。而他说的那个猜想，是渗流理论中的连续相变猜想，被概率学界称为"圣杯"——一道从1957年提出至今、困扰了人类近七十年的难题。简单地说，它问的是：液体穿过一块多孔海绵时，在临界概率那个精确的瞬间，系统内部到底能不能形成一个无限大的连通网络。如果答案是"不能"，相变就是平滑连续的；如果答案是"能"，系统会在临界点瞬间炸出一条贯通一切的通道。

这个问题在二维空间和十一维以上的空间都已经被解决了，唯独三到十维——包括我们真实生活的三维世界——成了人类数学家数十年无法逾越的"叹息之墙"。Duminil-Copin本人在这道题上倾注了数年心血，屡败屡战。

而就在他发出那句感慨的几乎同一时刻，Anthropic的工程师在GitHub上悄悄提交了一个代码仓库。没有新闻发布会，没有官方博客，甚至没有一条推文。仓库里躺着的，是一份由大语言模型Claude自动生成、并经Lean形式化证明语言严格验证的完整证明代码。那道菲尔兹奖得主未能攻克的猜想，被AI补上了最后一步——这份证明建立在人类学者此前搭建的数学框架之上，结论能否获得渗流理论专家的认可，仍有待独立核验。

德国布伦瑞克工业大学的数学家Benedikt Jahnel在采访中说了一句意味深长的话："如果有人能够解决这个问题，他大概能拿菲尔兹奖。"谈及AI给出最后一步，他的感受是"百感交集"——既为猜想终于得到证明而欣喜，又为最关键的一步出自AI之手而失落。

数学家们担心的，恰恰不是"AI会做题"

如果故事到此为止，它只是一个关于技术能力的新闻。但接下来发生的事情，才真正值得认真对待。

Claude攻克渗流猜想的消息传开后，OpenAI接连公布了一系列数学成果：9月8日，它宣布一个尚未公开的内部模型组织约一万个AI智能体、用88小时给出了百万美元悬赏的纳维-斯托克斯问题的证明——但克雷数学研究所至今仍将其列为"未解决"，OpenAI也明确表示不会申领奖金，结论有待数学界独立检验；10月6日，它又公开了代数、数论、几何等17个领域三百余道数学难题的新解法，这些论文尚未经过同行评审。AI在数学领域的推进速度，正在从"个例突破"变成"批量生产"。

2026年9月11日，陶哲轩、邓煜、彼得·舒尔茨等25位菲尔兹奖得主联合发表了一份声明，标题直接而尖锐——《人工智能在数学中的严重错位》。

这份声明最值得注意的地方在于，它没有否认AI的能力。恰恰相反，声明开篇就承认，大语言模型已经能够解决多个数学领域的重要未决问题。25位数学家真正忧虑的，是另一件事。

他们指出，AI公司正在把"解决数学问题"作为衡量模型能力的基准，而数学共同体真正追求的，从来不是"尽可能快地得到一道题的答案"。一个著名数学问题之所以重要，是因为解决它的过程会催生新的洞见、新的方法、新的概念——这些东西需要经过数学家之间缓慢的讨论、简化和传承，才可能变成后来者能够理解的知识。声明中有一句话被反复引用："解决问题只是实现概念理解和洞察这一首要目标的工具和代理指标。"

换句话说，数学家们害怕的不是AI会做题，而是当AI能以极低成本批量产出"真/假"结论时，那种孕育思想的沃土——缓慢的思考、反复的试错、代际的知识传递——可能被一并抽空。用北京日报评论的话说，所谓"严重错位"，"不是否认AI在数学上的能力，而是忧虑工具反过来伤害目标：批量生产答案，却忽略思考、理解与洞见"。

陶哲轩的微妙位置

在这场辩论中，没有人比陶哲轩的位置更复杂。他既是那份联合声明的签署人，也是最早、最积极地拥抱AI工具的数学家之一。

这种张力恰恰揭示了问题的真正难点。陶哲轩曾在实践中反复测试AI的数学能力，他的观察是：这一代模型在某些环节表现出色——能读懂论文、写出正确的命题陈述、不知疲倦地尝试各种路径——但总在真正需要创造性跳跃的地方卡壳。2024年9月OpenAI发布o1模型后，他重新做了测试，并把当时的AI比作"平庸但并非完全无能的数学研究生"，还特意补充说，这是就"静态模拟"而言——真实的研究生会在试错中成长，而模型不会。这个判断精准地捕捉了一种中间状态：AI已经越过了"完全不行"的门槛，但离"独立做出好数学"仍有距离。

Duminil-Copin的博客文章和陶哲轩的联合声明，实际上是同一枚硬币的两面。前者表达的是一个菲尔兹奖得主面对自己毕生难题被AI攻破时的复杂情绪——那不是嫉妒，而是一种更深层的失落：你花数年时间反复思考、反复失败、在黑暗中摸索出的那些东西，被一台机器在无人注视的角落里安静地完成了。后者表达的则是一个群体对学科生态的警觉：当解题变成"跑分"，当答案取代过程，数学作为人类智力活动中最纯粹的那种"慢"，会不会被速度的逻辑彻底碾碎？

真正被重新定义的，不是数学

如果只把这件事理解为"AI的数学能力又强了"，那就错过了它最核心的信号。

渗流猜想本身就是一个绝佳的隐喻。它研究的是多孔介质中的连通性问题：在什么条件下，孤立的局部连接会突然汇聚成一个贯通的整体？把这个隐喻放到AI与人类智力劳动的关系中，问题就变成了：当AI在数学、物理、生物等一个又一个领域完成"从局部到贯通"的突破时，人类在这些领域中的角色，是否也正在经历某种相变？

25位菲尔兹奖得主在声明中把讨论从数学扩展到了更广的层面。他们写道："我们正在目睹一种对智力劳动的普遍威胁。"在许多领域，多年的专业训练不仅仅是为了生产答案或产品，更是为了培养理解能力，以及提出新问题和新思想的能力。但当AI系统越来越有能力直接产生这些结果时，"目标之间就出现了错位"。

这个判断触及了一个根本性的问题：人类智力的价值，究竟在于"产出正确答案"，还是在于"在寻找答案的过程中成长为能够理解世界的人"？如果答案是后者，那么AI在数学竞赛和智商测试上的胜利，反而暴露了一个我们此前很少认真思考的命题——解题从来不是教育的真正目的，甚至不是数学的真正目的。

在由美国记者Maxim Lott维护的TrackingAI榜单上，挪威门萨智商测试(35道图形推理题、限时25分钟)的成绩，从2024年初多数AI只能考到约64分，到2026年9月Claude Fable 5.1与GPT-6 Astra连续七次考出满分151分，只用了两年半。这个速度本身就是一个信号：当"智商高地"被一个接一个攻克时，人类需要重新审视的，或许不是"AI还能做什么"，而是"我们究竟为什么而做"。Duminil-Copin在博客里写下的那句话，也许比任何声明都更接近问题的本质——他说的不是"AI赢了"，而是一种更安静的承认：有些东西，正在被重新定义，而定义它的权力，已经不完全在我们手里了。