数学曾被视为人工智能最后的堡垒。语言与图像可以生成，但真正的新定理既要找到前人未走的路径，又须经得起逐行检验。如今，这道防线正在迅速松动。菲尔兹奖得主蒂莫西·高尔斯的担忧指向一个尖锐问题：AI是否可能更高效地“杀死”数学。
这不是科幻式恐吓。2026年，刚获菲尔兹奖的雅各布·齐默尔曼宣布转向AI安全研究，并将加入OpenAI。他判断，两年内AI做数学的能力可能超过人类。他已停止招收传统方向的研究生，因为今天入学的年轻人，毕业时面对的也许是已经消失的职业入口。
高尔斯的态度变化同样重要。作为组合数学大师，他曾测试新一代大模型。模型只用十几分钟便改进一个公开问题的界限，又在不到一小时内提出被研究者评价为“相当巧妙”的原创思路。过去人们担心AI胡编证明，如今更现实的是，它开始产出具有论文价值的结果。
这种跨越来得太快。2025年，OpenAI和谷歌的模型才首次在国际数学奥林匹克竞赛中达到金牌水平；到2026年，通用推理模型已能介入专业研究，并对一个提出近八十年的平面单位距离猜想给出关键反例。虽然完整问题仍未解决，但AI已从解答已知题目，迈向改变未知问题的研究方向。
因此，“杀死数学”不是定理消失，恰恰相反，危险来自定理爆炸。若机器每天生成数万条结论，数学论文将像流水线产品般涌入数据库。发现不再稀缺，证明不再昂贵，真正稀缺的将变成判断：哪些结果重要，哪些概念值得保留，哪些证明能增加人类理解。
数学不只是答案集合。欧几里得几何的价值，不在于罗列了多少命题，而在于建立了一套从公理出发理解空间的方式；微积分的意义，也不只是算出曲线斜率，而是让人类获得描述变化的语言。若AI给出一个正确、却无人能够理解的百万步证明，它完成了计算，却未必完成了数学。
更棘手的是评价体系被击穿。数学共同体依靠论文、评审、引用和奖项分配声誉。当生成证明的边际成本趋近于零，审稿人的时间却没有增加，知识生产便会严重失衡。机器负责无限供给，人类负责有限验证，最终可能不是错误淹没数学，而是正确结果淹没注意力。
年轻数学家首当其冲。过去博士生要用数年掌握一个领域，再从小问题中建立判断力。如果AI直接给出答案，训练过程可能被压缩，但直觉也可能随之退化。没有经历猜测、失败和修正的人，很难辨认一个问题为何深刻。工具越强，学徒越容易跳过形成独立品味所必需的慢过程。
这也是《莱顿宣言》出现的背景。2026年6月发布的宣言获得国际数学联盟支持，主张披露AI工具的使用，保留人类作者对正确性的责任，并在必要时进行形式化验证。它并非要求把AI赶出数学，而是试图划定底线：效率可以交给机器，署名、责任、解释和公共知识仍须由人承担。
不过，单靠规则无法让技术倒退。历史上，计算器没有杀死算术，计算机也没有杀死数值分析，反而把数学推向更复杂的区域。AI同样可能释放研究者，使他们摆脱繁琐推导，把精力投入提出问题、连接理论和解释意义。关键在于，机器是否只扩大人的能力，还是同时接管问题选择与价值判断。
真正的分水岭，不是AI能否证明黎曼猜想，而是证明之后还有没有人愿意理解它。如果数学家只需向模型输入指令，再把输出交给另一个模型审查，人类便会从知识创造者退为结果消费者。数学仍在高速生长，数学职业却可能萎缩；定理越来越多，能够讲清其意义的人反而越来越少。
因此，AI对数学的威胁，本质上也是对整个知识社会的预演。法律、医学、金融和科研都会面临同一难题：当答案的供给趋于无限，人的价值不再是更快地产出，而是决定什么值得追问、什么可以相信、什么应当负责。未来最昂贵的能力，可能不是计算，而是选择与解释。
数学不会轻易死亡，因为人类对秩序、结构与未知的好奇不会消失。但某种以证明速度、论文数量和抢先发表为中心的数学，确实可能终结。AI迫使数学家重新回答一个古老问题：数学究竟是客观真理的仓库，还是人类理解世界的一种生活方式？只有守住后者，机器的胜利才不会变成人的退场。
热门跟贴