AI大举介入数学圈，怎么看？

近期，OpenAI宣布其最新未公开的AI模型调度了上万个智能体，仅用88小时便得出纳维-斯托克斯方程存在性与光滑性问题的证明，并同步公开166页论文和Lean（计算机定理证明器）验证代码。

这个早在19世纪就被提出，几代数学家都未曾解决的数学难题，居然被AI轻松攻破，引发全球数学界的质疑和争议。

对此，陶哲轩、邓煜等25位来自不同国家、不同研究领域的菲尔兹奖得主，联合发起并签署声明《人工智能在数学中的严重错位》，强调人工智能公司试图将解决数学问题视为其发展的里程碑，这与数学研究追求概念理解与观点洞察的目标严重不符。

当算力竞速、资本营销介入基础科学研究，科研生态赖以存续的价值范式、伦理秩序与自主空间，正面临全新的挑战与未知。

25位菲尔兹奖得主联合签署《人工智能在数学中的严重错位》。

AI入局，科研亮起新红灯。

此次学术界对AI与资本介入基础科研领域反应强烈，说明了从结果导向看虽然AI能大幅提升研究效率，但在科研动机、评判标准、学术伦理、人才传承等多个层面，确实也存在不可忽视的负面影响。

动机导向偏差化。

AI与资本入局科研领域，天然带着效率优先、成果变现的底层诉求，但与数学这门学科蕴含的认知世界、探索未知的理念完全相悖。

从逻辑结构看，数学发展分为提问、解题、总结三大环节。目前，AI与资本入局，能够有效提升解题能力，有可能提升总结能力，但提出问题的能力却是明显短板。

而从数学史等基础科学发展历程看，提问能力是一切的基础，其驱动力往往来自于人类的好奇心。例如，牛顿为解释行星运动，发明了微积分；黎曼为研究解析拓展，创立黎曼几何，60年后，更是成为广义相对论的基础......

反观AI的快速解题能力，大多建立在已有研究成果的整合与算力堆砌之上，缺少人类研究中标志性的思想洞见与方法创新，可能会将数学研究从探索创新异化为算力比拼。

基础研究功利化。

AI资本入局后，资本的逐利性可能会导致基础研究走向功利化。

AI企业为制造宣传亮点、博取资本市场关注，将“攻克难题、刷新榜单”作为模型迭代的核心目标，并为从事相关领域的研究者提供算力、经费以及数据支持。

在此背景下，部分研究者选择加入这条道路。今年1月《自然》杂志发布一项覆盖4130万篇论文的研究报告，称使用AI的研究者发文量、被引次数分别为同行的3.02倍、4.84倍，而研究主题的知识广度却收缩4.63%。

这意味着科研界借助AI这一“捷径”提升影响力，表面上皆大欢喜，但深层看却削弱了冷门分支、长线理论与交叉方向的资源投入。

OpenAI宣布破解了千禧年大奖难题之一的纳维-斯托克斯方程。

学术伦理失范化。

目前，学术界对于AI生成成果的知识产权归属、引文规范尚未形成共识，而AI更是存在“剽窃数学家成果”的可能性，这些问题极易引发学术伦理争议。

例如，在数学界联合发布声明前几天，纽约大学柯朗数学科学研究所数学教授特里斯坦·巴克马斯特，指控OpenAI调用他与合作者同AI互动的思考过程数据，以及相关未发表的研究成果，并淡化二人的科研成果，把整件事包装成AI独立解题的里程碑。

这种疑似“学术包装”和“学术抄袭”无疑是在挑战基础研究的学术伦理。

人才传承断层化。

对处于成长阶段的青年学者与学生而言，过度依赖AI解题会直接削弱思维训练强度，若习惯了直接获取答案，相关研究人员将逐步失去逻辑训练、直觉培养、推导能力等。

长此以往，数学界可能会面临高端原创人才断层，学科发展的根基也将逐步松动。

立明AI规矩，规范科研发展。

针对AI与资本介入基础科研这一争议问题，今年6月，国际数学联盟（IMU）宣布认可《人工智能与数学莱顿宣言》，对当下各类核心争议给出系统性梳理和回应，相关宣言已获两千余位数学家签署。

在学术伦理层面，宣言列明了数学界四点核心学术底线：

• 证明是数学的基石，理解与表述的清晰性至关重要；
• 科研成果必须明确归属创作者；
• 结论应当能够独立复现验证；
• 整个学界负有以深度、难度、学术价值为标尺评判科研的共同责任。

此次数学家们联合发布声明，并非要把AI挡在基础科研门外，而是采取多种措施，把它真正摆在妥当的位置。

在落地层面，宣言也给出了两点具体措施：

• 科研人员应主动标注AI工具使用情况、配合审稿核查、在合适场景践行开放科学，并对论文正误和文献标注负全责；
• 抵制刻意隐去人力贡献、将成果包装成 AI 或企业自主产出的不良风气。

此外，面向学术组织、科研资助方与政策制定者，也提出了完善出版审稿制度；坚守严谨性标准；保障作者权益、扶持公共科研平台建设、抵制夸大AI性能的不实宣传等五项关键建议。

多名数学家对《人工智能与数学莱顿宣言》表示支持。

目前看，在所有主张中，最核心的一条原则是：数学需要理解，而想要理解，就不能只依赖人工智能及其生成的结果。

钱学森先生晚年也反复强调这点，机器负责海量计算和模式匹配，而人则负责定方向、做判断、并不断反馈和迭代，在关键时刻进行干预和修正，在人机结合的前提下，必须注重以人为主。

AI与研究者各展所长，形成一套有人类直觉和批判性思维参与其中的智能体系至关重要。如果把其中的“人”拿掉，只靠统计预测驱动，系统的推理就会出现结构性缺陷。

AI介入数学圈，运作模式远比单体成果复杂的多。