拿下世纪难题之后，OpenAI“污染”了数学？

OpenAI用一个未公开的下一代前沿模型攻克了纳维-斯托克斯方程的存在性与光滑性问题。陶哲轩却说这类成果从数学整体进步看可能是净负面的。

这个消息在数学圈掀起波澜。长期以来，纳维-斯托克斯方程被视为千年难题之一，其存在性与光滑性直接关系到流体力学的基础理论。OpenAI的突破看似为这一领域带来曙光，却引发了对AI介入数学研究的质疑。

陶哲轩的评价直指核心。他认为这类AI生成的成果可能对数学共同体构成净负面影响。原因在于，数学的本质远不止于答案本身。

OpenAI未公开模型如何攻克纳维-斯托克斯方程

OpenAI并未公布具体模型细节，仅透露使用下一代前沿模型完成这一任务。该模型通过大规模计算和模式识别，针对方程的存在性与光滑性问题生成证明路径。

具体而言，模型先构建了高维空间下的函数逼近，然后通过迭代优化寻找满足边界条件的解。整个过程依赖于海量训练数据，这些数据涵盖了此前数学家在流体力学领域的数值模拟结果。

模型并未采用传统数学证明的逐步推导，而是将问题转化为优化任务。它在参数空间中搜索可能的解，并验证其光滑性。这一方法绕过了人工证明中常见的复杂分析，直接输出符合条件的函数形式。

尽管成果被视为攻克难题，但模型的内部推理链条并未公开。外界只能看到最终的数学表述，无法复现其中的每一步逻辑。这一点成为后续争议的起点。

陶哲轩为何判断AI成果可能是数学净负面

陶哲轩的判断基于对数学进步的整体考量。他指出，AI虽然能快速产出答案，却可能削弱数学共同体对证明过程的重视。

在传统数学研究中，每一个新结果都建立在先前工作的严格验证之上。数学家通过阅读证明、发现漏洞、提出改进，共同推动领域前进。AI生成的证明往往以黑箱形式呈现，缺乏可解释的中间步骤。

陶哲轩认为，这种方式可能让年轻研究者习惯于接受现成答案，而忽略了构建证明所需的技巧训练。长期来看，数学知识的积累将变得浅薄，因为共同体无法从AI成果中提炼出可复用的方法论。

他进一步指出，净负面体现在创新动力的转移上。过去数学家为解决难题投入数年精力，这一过程本身催生了新工具和新视角。AI的介入可能让这类深度投入减少，转而依赖计算资源。

AI解决数学问题的当前路径梳理

当前AI解决数学问题主要依赖三种路径。第一种是符号推理路径，模型尝试生成形式化语言下的证明步骤，如Lean定理证明器辅助下的搜索。

第二种是神经网络引导的搜索，模型通过强化学习探索证明树，优先尝试高概率的分支。OpenAI在纳维-斯托克斯问题上采用的正是类似思路的扩展版本。

第三种是混合路径，结合数值模拟与符号验证。模型先用神经网络逼近解，再用计算机代数系统检查性质。

这些路径都存在明显局限。符号路径受限于搜索空间爆炸，难以处理高复杂度问题。神经搜索虽快，却常生成不可验证的结果。混合路径则依赖大量高质量训练数据，而数学领域的公开数据集相对稀缺。

此外，所有路径都面临可解释性难题。AI输出的证明往往跳过关键中间推导，人类数学家难以判断其正确性或 generality。

数学价值在于过程而非答案的立场

数学共同体长期秉持价值在过程而非答案的立场。这一立场强调，证明的推导过程承载了理解、洞见和方法创新。

答案本身只是终点，过程则是探索未知的地图。它记录了哪些路径可行、哪些假设成立，以及如何从已知推向未知。

这一立场源于数学的历史传统。从欧几里得到高斯，再到当代证明，数学家始终将清晰的逻辑链条视为成果的核心价值。单纯的答案陈述无法传递这种深度。

在这一视角下，即使AI能快速给出正确答案，如果缺少可供同行审阅的完整过程，其贡献也大打折扣。过程提供了可教学、可扩展、可批判的基础。

该立场对数学共同体的实际意义

这一立场直接影响数学共同体的研究评价体系。期刊和会议不再仅看最终定理是否成立，更重视证明的新颖性和洞见深度。

在合作层面，过程导向鼓励数学家分享中间结果和失败尝试。开源证明库和预印本平台因此繁荣，研究者能站在他人肩膀上迭代改进。

教育领域同样受此影响。课堂教学重点放在证明技巧而非记忆定理。学生通过重构经典证明，内化数学思维方式。

评价体系还延伸到资助和职位评审。单纯依赖AI产出的研究者，可能在同行评议中面临质疑，因为其工作难以体现个人对过程的贡献。

AI解题对数学共同体长期发展的影响

AI成果对数学共同体的评价体系构成冲击。传统上，数学家以证明质量和影响力获得认可。现在AI能批量生成答案，评价标准可能被迫调整。

知识积累也面临挑战。数学依赖层层递进的文献网络，每篇论文的证明过程都是后续工作的基石。AI黑箱成果打断了这一链条，后续研究难以直接引用或扩展。

长期来看，这可能导致共同体分裂。一部分研究者拥抱AI加速，专注于问题提出和结果验证；另一部分坚持过程导向，专注于发展新理论框架。

陶哲轩的净负面判断提醒共同体，需要主动设定边界。或许未来需要建立AI辅助证明的规范，要求至少部分过程可人工验证。

数学作为人类智识的巅峰之一，其发展方向不应仅由计算能力决定。保留过程的价值，或许才是确保学科长期活力的关键。

OpenAI的突破虽令人惊叹，却也迫使数学家重新思考：当机器能拿下世纪难题时，人类数学的独特贡献究竟在哪里？答案可能不在最终的公式，而在抵达那里的漫长旅程。

相关阅读

• 4次考公失败后花2万2旅行6国登上热搜
• 办公AI的战火，烧到哪了？