好家伙，25位菲尔兹奖得主集体下场开撕了。
当地时间9月11日，陶哲轩、邓煜等跨越了将近半个世纪获奖历史的世界顶级数学家一起发表了一份名为《人工智能在数学中的严重错位》的公开声明。
把炮口指向那些搞「刷榜式解题」的AI公司。
事情的导火索，是三天前OpenAI扔出的一颗「重磅炸弹」。
88小时的罗生门
9月8日，OpenAI发布了它一直保密中的一个新模型，仅用88小时就给出了纳维-斯托克斯方程存在性与光滑性问题的完整证明，还附了166页论文和Lean验证代码。
该问题为克雷数学研究所在2000年列出的七大千禧年大奖难题之一，悬赏100万美元，在流体动力学领域中可以看作是「牛顿第二定律」，困扰着人们长达两百多年之久，攻克它的人可以载入数学史册。
消息刚一发酵，纽约大学数学教授特里斯坦·巴克马斯特就直接跳出来打脸。
他已经与Anthropic研究员莱文特·阿尔珀格在这个方向上闭关了近一年，8月中旬的时候就已经做出了带光滑外力的三维欧拉方程奇点证明，并且在8月22日就完成了形式化验证工作，原本准备再把论文打磨精细之后再正式公布出来。
其实这样的速度换谁都会嘀咕，在花了差不多一年时间打磨好的东西上只用88个小时就把它冲出来了，如果说完全没有借鉴的话也让人难以信服。
巴克马斯特还提到，自己之前曾把未发表的草稿和推导过程，放在OpenAI的Codex工具里使用，怀疑OpenAI是听到网上流传的风声后，集中算力抢跑，甚至可能用到了他留在平台上的未公开思路。
OpenAI直接予以否定，并且表示该模型从未接触过对方尚未发表的研究成果，也没有获取到任何个人数据，并且双方所做的问题也完全不同。他们攻克的是条件更复杂的带外力纳维-斯托克斯方程，难度要比欧拉方程高一个档次。
更有意思的是，OpenAI验证完结果后还主动找过巴克马斯特，提议联合发布，甚至建议他把阿尔珀格的名字从作者里去掉，理由是对方任职于竞争对手Anthropic。
但是巴克马斯特没有接受这个提议，对方还撂下一句话，「为什么要毁了你的职业生涯？」
整个数学界的人都没有料到会吃到这样一种瓜。
他们反对的并不是AI
这里所说的顶流数学家并不是反对人工智能的人。
陶哲轩早在几年前就将人工智能当作自己的一个常用工具，并且还发表过一篇文章来介绍如何利用人工智能来辅助研究工作；2026年度菲尔兹奖获得者邓煜也曾表示过，人工智能可以用来做文献检索和补全细节推导的工作，从而帮助数学家节省大量繁琐的体力活。
真正让他们坐不住的，是AI公司的目标和数学界的目标完全拧了。
对于人工智能公司来说，解决数学问题就是在做基准测试。我方模型能够解答出越来越困难的问题，则意味着我方的技术越来越强大，估值也就相应地提高。因此他们想要的是「快」，是「多」，是在别人之前攻克那些著名的难题以制造噱头。
但是数学并不是看谁能第一个找到答案。
一个著名难题更像是一座灯塔，解出来只是第一步，后面还需要花费数年、数十年乃至上百年的时间来消化、简化以及提炼出新的方法与概念，并将其写入教科书之中，培养出一代又一代的数学家。这其中所产生的一些新思想，要比那个问题的答案本身更有价值一万倍以上。
2010年菲尔兹奖得主斯坦尼斯拉夫·斯米尔诺夫在采访里打了个比方——有人说数学家抱怨AI，就像挖土工抱怨挖掘机抢饭碗，其实不对，应该是考古现场用挖掘机挖土，速度是快，可挖出来的文物全碎了，还有什么意义？
这种争论其实数学界不是第一次经历了。
1976年，四色定理被证明出来，方法是把问题归约成一千多种构型，然后用计算机逐个穷举验证。这在当时引发了巨大的争议，核心问题跟今天几乎一模一样：一份人类没办法从头到尾读完的证明，还算不算证明？有数学家拒绝承认它，理由是自己无法亲自检查每一步。
后来开普勒猜想走的也是类似的路。1998年黑尔斯给出证明，评审委员会花了四年时间也没能完全验证，最后只给出了「99%确信」的结论。黑尔斯干脆牵头做了一个叫Flyspeck的项目，把整份证明做成计算机可以完全验证的形式化版本，前后花了十几年，到2014年才完成。数学界最终接受了它。
所以你会发现，数学界从来没有拒绝过机器参与。他们接受了穷举，接受了形式化验证，甚至主动把自己的证明重写成机器能读的样子。
他们真正在意的始终是同一件事：这份证明能不能被人类消化，能不能从里面提炼出方法和概念，能不能往下传。四色定理和开普勒猜想虽然验证过程交给了机器，但归约的思路、构型的设计、整个证明的骨架，全都是人搭出来的，也全都留下来了。
现在AI扔出来的那种上百页、没有思想主线、只有结论的东西，缺的恰恰是这一块。
陶哲轩说得非常直接，这就好比现在的食物捐赠活动一样，并不是只要有东西可以吃就可以接受了，还需要有一定的标准。那些只给出最后的结果而缺少过程分析、没有思想洞见的AI生成证明，对于数学的发展几乎没有一点用处，甚至是负的。因为它们把好问题都消耗掉了，并且没有留下任何可以滋养后来者的东西。
实际上从很久以前就有这样的忧虑存在。
今年6月，凝聚了数学界广泛共识的《莱顿宣言》发布，并得到了国际数学联盟的支持，目前已经有几千人联署，只是直到这次25位菲尔兹奖得主集体下场，这份文件才真正破了圈。
我认为很多圈外人以前并不在意这些事情，觉得人工智能和纯粹数学这样的顶尖智力领域还有很大的差距，直到千禧年难题也被「算力平推」之后，他们才意识到冲击就在眼前。
被切断的传承链
最大的危害就是对年轻人造成的影响。
斯米尔诺夫表示自己有一个学者朋友，为了图省事就用人工智能来生成课程练习题和答案，用了一年之后才发现，自己解学生水平的题都变得很吃力。
即使是比较成熟的学者也存在这样的问题，更何况是还在打基础的学生呢？遇到难题时立刻搜AI答案，不用绞尽脑汁去想，不用经历试错的过程，表面上看来效率提高了很多，实际上却根本练不出数学直觉和基本功。
普林斯顿大学的张寿武教授曾经打趣地说过，自己不敢和人工智能交流，怕它学得比自己还快，得留点「自留地」。
尽管他的言论带有戏谑意味，但是其中所蕴含的不安却是十分真实的。在人工智能可以迅速搞定大部分已知问题的情况下，年轻的学者又该如何确立自己的学术地位呢？
更加严重的问题是知识传承的断裂。
之前数学思想主要是通过师徒相传的方式一代代地传下来的，在讨论班中争辩，在论文里反复打磨之后再传播出去。但是现在人工智能批量扔出一堆人类根本看不懂的复杂证明，没有人消化，也没有人去提炼总结出可以传授给学生的知识。
最后就是一堆正确的「死答案」堆积在一起，没法继续往下发展，数学的传承链也因此断裂了。似乎没有人能说清，未来的数学研究到底该是什么样子。
国内的情况其实比想象中更近。
现在高校数学系的作业和课程论文里，AI已经渗透得相当彻底。一道证明题，学生把题目丢给模型,拿到一份格式工整、逻辑闭环的解答，抄下来就能交。问题是这份解答的每一步他都看得懂，但没有一步是他自己想出来的。看得懂和想得出来之间隔着的东西，正好就是数学训练最值钱的那部分。
带学生的老师现在普遍面临一个尴尬：很难判断一份推导到底是学生自己琢磨出来的，还是生成的。以前批作业能从解法里看出一个人的思维习惯，谁喜欢先构造反例，谁习惯从特殊情形入手，谁的证明总是绕远路但绕得有道理。这些痕迹现在都被抹平了，交上来的东西越来越像，也越来越挑不出毛病。
学生自己也不轻松。一个大三的学生现在很难判断，自己花两个星期死磕一道题到底值不值。同样的题AI三分钟就能给答案，那两个星期的意义在哪里？这个问题没人能给他一个特别硬气的回答，但所有人都隐约知道，一旦他真的不磕了，某种能力就永远建立不起来了。
真正麻烦的是，这种损失不会立刻显现。它会在很多年以后，在这个人面对一个AI也搞不定的新问题时，才第一次露出来。
并不是所有的顶级数学家都支持该声明。
2026年新科菲尔兹奖得主雅各布·齐默尔曼就没有在上面签名，反而直接从多伦多大学停薪留职，8月加入了OpenAI从事AI安全研究工作。他认为传统数学家的职业形态已经难以为继，与其站在外面批评，不如进去参与规则的制定。
两边说的好像都有道理。
不止是数学的题
「工具与目标错位」的问题，并不只存在于数学界中。
写文案的直接让人工智能出稿，做设计的直接让人工智能生成图，搞编程的直接让人工智能写代码，看上去工作效率提高了不少，但是时间久了之后就会发现，人的判断力、审美和创意都会渐渐退化下去，最后变成只会给AI提需求的「工具人」，真遇到AI搞不定的新问题，反而没人能解决了。
以前人们总是讲「过程比结果重要」，听起来像是一条鸡汤式的说法。现在人工智能把结果直接甩到脸上，才发现那些看起来没用的摸索、尝试以及走弯路的过程，才是人之所以为人的核心能力。
也许再过十年回过头来看这25位菲尔兹奖得主的联名，会发现它只是个微不足道的开始。
就在宣言发表三天之后，Anthropic的CEO达里奥·阿莫迪发布了一篇长文，呼吁行业主动设立检查点、放缓前沿AI研发的速度，为对齐安全研究留出足够的时间。
OpenAI的CEO山姆·奥尔特曼以及埃隆·马斯克，都在下面点了赞。
