最近，全世界数学圈都像被一枚AI核弹震醒：OpenAI一口气挂出了 722篇论文。尽管这些论文仍在核查，远未到盖棺定论的时候，但从唯一博弈猜想到准黎曼假设，许多名声赫赫的未解难题，似乎都被AI伸手碰了一遍。

匈牙利概率论学家Alfred Renyi曾说，数学家是「一台把咖啡变成定理的机器」。现在，这台机器真的出现了——只不过它吞进去的不是咖啡，而是整座数据中心的算力。

【编辑观察】最魔幻的地方不在于AI会算题，而在于它可能把「发现答案」和「人类理解」硬生生拆成了两件事。

百万美元难题：AI找到一把「疯狂勺子」

据彭博社播客《Odd Lots》透露，OpenAI的模型针对千禧年大奖难题之一——Navier-Stokes（纳维-斯托克斯）方程，给出了一个「解失效」的反例证明。

纳维-斯托克斯方程被称为流体力学的「上帝公式」。咖啡里旋转的奶泡、台风眼撕裂天空的气流、飞机机翼划过空气产生的阻力，理论上都受它支配。

方程本身早已写下，但过去一百年来，人类被一个基础问题死死卡住：

  • 如果给定一个平滑的初始状态，方程的解会不会在未来某个瞬间突然「炸掉」？
  • 说人话就是：水流会不会在极端情况下突然违背常识，爆发出无限大的速度？

为了回答这个问题，克雷数学研究所悬赏 100万美元。长期以来，多数数学家倾向于认为「不会」。但OpenAI给出的反例是：确实存在一种极端外力，就像一把疯狂搅拌的勺子，理论上能在有限时间内让流体彻底失控。

更具戏剧性的是，这并非AI完全无中生有。此前西班牙一群顶尖数学家已经用纸笔搭好了构造主体，把进度推到了99%；AI依靠恐怖算力和非人的逻辑推演，替人类走完了最后、也最令人绝望的1%。

「它大概是对的，但我读不懂」

证明公开后，本该属于全人类的庆祝，变成了一场认知恐慌。

MIT工程教育副院长Justin Solomon早年还曾在皮克斯研究电影特效背后的复杂数学模型，但他尝试阅读这份证明时，刚翻过前两页，大脑就彻底宕机。

在他看来，这份证明：

  • 充满密密麻麻的技术细节；
  • 大量使用极度反直觉的不等式和极端界限取值；
  • 读起来「非常吓人」，几乎毫无传统数学证明的优雅感。

主持人问他：「它优雅吗？」他苦笑：「大概毫无优雅可言。」主持人又问：「那它正确吗？」他沉默后回答：「大概是对的。」

几千年来，从欧几里得几何到牛顿微积分，数学世界里的「它是对的」和「人类看懂了它」几乎是同义词。一份绝妙证明，本身就承载着人类理性的光辉。但这一次，AI把 真理 和 人类理解 硬生生撕裂了。

类似的情况也在物理学门外发生。Uber创始人Travis Kalanick最近沉迷和AI一起研究物理，声称自己靠和机器聊天进行「Vibe Physics（感觉物理学）」，似乎已经逼近某些重大突破。但问题也随之而来：只凭聊天产生的直觉，真的能替代严谨的物理理解吗？

陶哲轩的思想实验：这管神药，你打不打？

如果说数学证明离普通人太远，菲尔兹奖得主陶哲轩最近在加州理工学院「Math 2.0」演讲中的思想实验，则把同样的恐慌摆到了每个人面前。

他设想了这样一个场景：

  • 人类向超级AI下达提示词：寻找一种能通过三期临床试验的癌症疗法。
  • AI吐出一种由未知化学成分组成的复杂混合物，预测它能100%消灭癌细胞。
  • 这套方案在定理证明工具Lean中通过了无懈可击的形式化验证。
  • 现实里，它也通过了极其严格的FDA三期临床试验。
  • 但没有任何医学家、化学家或数学家真正知道它为什么有效。

现在，一管机制完全黑箱的「神药」摆在你面前，你敢把它打进静脉吗？

陶哲轩真正追问的是AI的 对齐 与 可解释性：这套方案会不会只是钻了三期临床试验的规则漏洞？会不会用人类无法理解的「外星逻辑」达成了字面上的目标，却隐藏着长期副作用？在注射之前，我们是否至少需要一位人类肿瘤专家看懂治愈机制，或一位人类数学家理解背后的数学模型？

有人反驳说，如果疗法真的有效，许多晚期癌症患者恐怕根本不在乎人类是否理解机制。但另一个问题依然存在：如果机制完全不可理解，疗效边界、长期风险和后续适用人群，又该由谁判断？

这正是纳维-斯托克斯证明带来的恐怖未来：AI生成答案的能力正在逼近甚至越过人类认知上限，而「人类验证AI」的传统科研范式，已经开始撞墙。

论文海啸：旧的学术审查系统先崩了

当AI生产力指数级暴涨，人类的验证能力却没有同步升级，最先失守的是学术审查系统。

Solomon在播客中给出了一组窒息数字：机器学习顶级会议ICLR在十年前只有一两千份投稿；而今年，投稿量已经暴涨到约 6万份。

评审们要在一两个月内处理这些大量带有AI生成痕迹的论文，「连PDF都来不及点开」几乎成了常态。随之而来的是：

  • 审稿越来越像走过场，学术质量印章开始失灵；
  • 甚至有高中生靠AI包装出的华丽履历，混进顶级会议审稿人队伍；
  • Solomon的邮箱每天都会收到陌生人来信：「AI说我的证明很重要，教授能帮我验证一下吗？」

模型天生倾向于「顺着人说话」，这在要求绝对严谨的数学领域尤其致命。过去，数学门槛负责拦住那些「看着像对、其实不通」的伪科学；现在，AI能把伪科学包装成真理的样子，对学术界发起大规模DDoS攻击。

更残酷的是算力差距。普通教授刚推导出一个方向雏形，掌握未发布模型和数万张GPU的科技巨头，可能顺着网上泄露的一点思路，一周内就用蛮力撞出最终结果；甚至模型的灵感来源，还可能来自学者平时公开的学术讨论。

那么问题来了：

  • 百万美元奖金该发给提供算力的CEO吗？
  • 还是发给写下「请证明NS方程」的程序员？
  • 又或者，该发给完成99%前置工作的人类数学家？

这笔账暂时没人算得清。

人类最后的防线：提出问题，理解为什么

AI连千禧年难题都能硬啃，程序员岗位收缩，MIT甚至出现了二十年来首次计算机专业入学人数下滑。人类还剩下什么？

Solomon的判断一半冷水、一半留门。他认为，眼下AI的壮举大体仍在人类已有知识围成的 「凸包」 之内：它极其擅长在已知节点之间进行高维连线，也能用穷举和蛮力算完卡住人类十年的最后几步。

但真正伟大的新理论，往往是从无到有地创造一个全新概念，重新描绘世界图景。人类几千年前就会酿酒，却直到近代才在显微镜下搞懂酵母菌。未来的科学也许会重复这条路：

  • AI负责廉价、快速地生成有效答案；
  • 人类则可能花几十年甚至上百年，去理解它为什么有效。

当「解答」越来越便宜，「验证」和「理解」反而成了最稀缺的奢侈品。所以被问到孩子还要不要学数学时，Solomon回答得非常笃定：「必须得学。」

因为下一个纳维-斯托克斯式的好问题由谁提出？AI给出的答案是否真正有分量？一堆冰冷证明又如何变成人类文明能够消化、传承的知识？这些事，暂时还写在人类这一边。