文｜陆弃
9月8日，OpenAI宣布，其AI系统通过大规模智能体协作，对困扰数学界数十年的纳维—斯托克斯方程“爆破”问题取得突破。整个过程约88小时，先由约1000个智能体处理欧拉方程，再由约1万个智能体推进到完整问题。这个方程自19世纪建立以来，一直是描述水和空气运动的核心工具，也是克雷数学研究所“千禧年大奖难题”之一。9月11日，克雷研究所确认已注意到这一结果，但同时强调，数学界仍需对相关证明进行严格检验。
纳维—斯托克斯问题之所以重要，并不只是因为它难。它研究的是流体运动，而流体恰恰是现代世界中无处不在的对象：飞机如何飞行，天气如何演变，血液如何流动，都与它有关。克雷研究所给出的核心问题也非常明确：三维情况下，方程的解究竟是否始终存在并保持光滑，还是会在某些条件下发生“爆破”。这一问题之所以成为千禧年大奖难题，正因为它要求的不是一次计算，而是对数学结构本身给出严格证明。
OpenAI这次工作的意义，恰恰在于它改变了寻找答案的方式。传统数学研究依靠少数专家长期积累，在猜想、试错、证明之间不断推进；AI则可以同时启动成千上万个智能体，让它们并行寻找路径，再将有效结果重新组合。过去需要数年甚至数十年积累的探索空间，被压缩进几十小时，并不意味着数学突然变简单了，而是意味着“搜索”本身第一次获得了接近工业化的规模。
这会直接改变数学研究的生产方式。一个数学家过去可能需要花费数月寻找一个反例，如今机器可以同时测试大量结构；一个证明过去需要研究者逐行推演，现在AI能够提出复杂路径，再借助形式化工具交给计算机逐项核验。克雷研究所也明确指出，证明的价值不仅在于确定答案，更在于提供理解。
机器能够找到证明，并不意味着人类已经理解证明。数学最珍贵的部分，从来不只是“对”或者“错”，而是为什么成立、为什么这种方法有效、它还能被推广到哪里。一个冗长、复杂、难以解释的机器证明，即使最终完全正确，也可能只解决了一个命题，却没有立即打开一条新的思想道路。
这也是数学界真正需要面对的变化：过去数学研究存在一种天然的“速度限制”。一个成果出现以后，要经过核查、同行评议、解释、讨论，再进入教材和下一代研究者的知识体系。AI却可能让发现的速度远远超过人类消化知识的速度。今天一个难题被攻克，明天又可能出现新的证明，后天甚至有机器同时处理数十个猜想。问题不再只是“还能不能解出来”，而变成“人类有没有能力理解已经解出来的东西”。
陶哲轩的担忧因此值得重视。他所强调的并不是拒绝AI，而是数学研究不能只有发现和验证，还需要解释、交流、教学与传承。如果AI不断把未经充分消化的成果推向数学界，研究者面对的可能不是知识贫乏，而是知识过剩。答案越来越多，真正能够被理解、复用和传授的答案却未必同步增加。
更深层的变化，还涉及数学的开放文化。过去，一项重大突破通常需要长期研究，竞争者数量有限，学术共同体能够围绕问题形成相对稳定的讨论网络。当AI企业拥有巨量算力、庞大模型和大规模智能体后，数学竞争可能出现新的资源门槛。谁拥有更强的模型、更多算力和更大的数据基础，谁就可能获得过去个人数学家无法拥有的探索能力。
这并不意味着数学家会被机器取代。恰恰相反，人类数学家的角色可能更加重要，只是职责正在发生变化。过去，人类承担大量计算和搜索工作；未来，更重要的可能是提出值得研究的问题、判断机器找到的路径是否具有意义、把复杂证明提炼成能够传播的思想，并决定哪些结果真正值得进入数学知识体系。
9月11日，克雷研究所并没有宣布千禧年大奖已经授予OpenAI，而是强调现有规则要求相关成果发表在合格出版物上，并经过至少两年、得到数学界广泛接受后，才进入奖金评定程序。换言之，这场革命已经发生，但它的最终数学结论仍需要时间来检验。
这或许正是AI进入数学之后最值得警惕、也最值得期待的地方。机器正在以前所未有的速度制造答案，而人类必须重新回答一个比“答案是什么”更古老的问题：我们究竟为什么相信它是真的，又是否真正理解它。
热门跟贴