陶哲轩警告：AI黑盒解题或“污染”数学研究，阻碍新理论诞生

事件概述

著名数学家陶哲轩（Terence Tao）近日发出警示，指出人工智能在解决开放性数学难题时，虽然能高效输出正确答案，但其“黑盒”特性及过早揭示最终结论，可能会“污染”数学研究过程，抑制人类数学家通过探索路径产生新理论和新洞见的机会。

核心观点：AI解题的潜在风险

1. “失败”的价值被抹杀
陶哲轩强调，数学研究的迭代过程中，那些表面上看似“死胡同”的失败尝试，往往极具启发性。如果负责迭代的人或系统提前知道最终正确的拟设（ansatz），就会抑制对其他探索路线的研究。这些被忽略的路线及其失败原因，通常是催生新数学思想的关键。

2. 答案并非唯一价值
以纳维-斯托克斯方程（Navier-Stokes equations）全局正则性问题为例，陶哲轩指出，尽管证明该方程解的正则性或找到爆破实例具有理论意义，但计算流体力学本身已相对成熟，答案不会根本改变天气预报或气候研究的方式。

真正关键的是研究过程。历史上，为攻克此类问题，数学家们创造了Leray-Hopf弱解、Gagliardo-Nirenberg-Ladyzhenskaya不等式、Beale-Kato-Majda爆破判据等基础定理和思想。陶哲轩本人也曾因试图解决爆破问题，意外将流体计算、图灵普适性和辛拓扑联系起来。失败本身产出了更多有价值的数学成果。

3. AI流水线与透明度缺失
目前，解决纳维-斯托克斯方程等问题的策略已形成共识（如设计近似自相似的拟设并验证稳定性）。对于人类而言，步骤复杂且耦合度高；但对于AI，这恰好可拆解为机器学习模拟、区间算术、形式化证明与大语言模型提出拟设相结合的流水线。

陶哲轩担忧两种情形：

• 人类无法理解证明： 最终构造可能过于复杂，仅靠人类无法验证，需依赖Lean等形式化语言。若人类无法理解证明本身，其教育价值和启发价值便不复存在。
• 黑盒操作隔绝公众视野： 更糟糕的情况是，自主运行的AI Harness在巨量算力下内部完成所有迭代，而运行该系统的公司几乎完全隔绝了通往最终拟设的过程。从技术上看问题解决了，但数学界未获得任何新增价值。

陶哲轩总结道，如果过早通过完全由AI驱动且缺乏透明度的方法解决问题，原本能孕育数学进展的过程将遭到破坏，严重时AI对数学发展的影响甚至可能从正面变为净负面。

行业背景：孪生素数猜想的AI竞争

陶哲轩的警告针对的是当前AI辅助数学研究的趋势。近期，多家科技公司在孪生素数猜想方向取得进展：

• OpenAI： 发布GPT-6 Astra，利用Lean形式化证明将连续素数间距的上界从246推至186。
• Anthropic & Axiom： 同期宣布其AI将间隔缩小至188和212。

对此，陶哲轩吐槽称这是“令人无语的一幕”。他提到，牛津大学数学家Julia Stadlmann在8月31日凭借对平滑模数的新估计，将上界缩至240，及时完成了公开分析，避免了其工作被AI生成的复杂证明所埋没。

值得关注

陶哲轩的核心论点不在于反对“AI for Math”，而是提醒业界在AI+Science不可阻挡的趋势中，需警惕研究范式的变化。一道伟大数学难题的重要性不仅在于揭晓答案，更在于探索路径上发掘的新思新想。当AI改变了人们触及答案的场景和过程时，如何保留数学研究的“人性”价值，比“AI能否取代数学家”更值得深思。