扼殺數學以及全人類的智力探索
陶哲軒聯合全球25位菲爾茲獎得主，剛剛對外發佈了一份聯合聲明。
這份聲明題為《數學領域中人工智慧的嚴重失衡》。
參與簽名的陣容極具份量，包括德利涅、舒爾茨、海爾、維拉尼、維亞佐夫斯卡等25位菲爾茲獎得主，相關聲明已經上線專門網站，經濟學人也同步進行了報導。
中國數學家，2026年菲爾茲獎獲得者鄧煜也在其中，鄧煜開玩笑說：“如果人工智慧能解決所有數學難題，我就去寫言情小說”
我們來看看陶哲軒們說了什麼
為什麼大模型能解題，數學家卻慌了
過去幾個月裡，大語言模型的數學能力大幅提升，甚至能解決多個數學領域的重大懸案。
但各大AI公司把攻克數學難題當成跑分指標來推進，這件事正在對數學這門科學、對整個數學界產生破壞。
AI公司的目標，和數學界的核心追求，已經產生了嚴重的分歧。
數學研究的本質，是理解形狀、數字和自然現象的基本結構。一代代數學家花費數百年建立起龐大的方法、概念和工具體系，才構成了現代科技與科學的基石。
歷史上的著名數學難題，原本只是用來丈量人類認知深度的燈塔。
攻克一個難題，代表著人類找到了全新的認知視角和研究方法。
隨後，整個數學共同體需要經歷極其漫長而艱苦的報告、討論和簡化過程。
最終，這些成果會被寫進教材，讓研究生甚至本科生都能學懂。其中一些核心思想，會在幾十年或幾個世紀之後，變成全人類都能理解並使用的通用工具。
AI正在打碎這根傳承鏈條
數學界就像一個縮微版的人類社會。
這個群體最寶貴的財富，是年輕學生和思想雛形。
數學家給學生佈置題目，核心目的是訓練學生的研究能力，讓他們在未來能獨立探索未知。他們通過學術報告、面對面討論和嚴謹的論文來傳播思想，把新想法與前人的積累連接起來。
這些過程必須耗費大量時間，必須建立在人與人的直接交流之上。
然而在AI時代，事情全變了。
AI在短時間內批次製造出對與錯的結論。這種瘋狂的做題速度，並沒有給新思想帶來養分，反而是在破壞孕育新思想的土壤。
解題原本只是獲取概念理解的一種工具，現在工具卻反客為主。
很多由AI主導的解題成果發佈得極其倉促。
團隊往往來不及寫出嚴謹的論證過程，來不及提煉出其中的新方法，更來不及規範引用前人的工作。
這直接帶來了嚴重的成果歸屬問題，甚至引發了抄襲爭議。
更關鍵的是，如果沒有人類數學家去深入消化這些成果、把它們整理進數學知識體系，AI產生的想法就永遠無法真正活過來。
數學家之間關鍵的代際傳承，會徹底斷裂。
這不只是數學界一家的危機
聲明指出，全人類的智力勞動現在都面臨著同樣的威脅。
在很多專業領域，多年嚴格訓練的目的，不僅是為了交付最終的產品或答案，更是為了培養人類的理解力，以及提出全新問題和想法的能力。
AI依靠人類積累的龐大知識庫，跳過了中間過程，直接吐出最終結果。
工具的應用結果，徹底背離了這項工作的初衷。
AI確實有潛力去加速真正的數學探索。數學作為一門職業，也必須做出改變去適應這項技術。
但這門技術最終會造福人類還是帶來毀滅，取決於掌控它的人做出怎樣的抉擇。
數學界、開發這些技術的AI公司，以及即將面對類似衝擊的整個人類社會，都必須立刻正視這個危機。
全文：數學領域中人工智慧的嚴重失衡
在過去的幾個月裡，大語言模型（LLM）的數學能力得到了顯著提升，甚至已經能夠解決許多數學領域中的重大未決問題。然而，人工智慧公司將解決數學問題作為基準測試（Benchmark）來推進的做法，對數學這門科學以及數學界都是不利的。人工智慧公司的目標與數學界的目標之間存在嚴重的脫節與失衡。我們認為，這屬於更廣泛的人工智慧對齊問題的一部分，不僅衝擊著其他科學和創造性職業，也影響著整個社會。
數學研究的核心在於理解形狀、數字和自然現象的基本結構。歷經數代人的努力，數學界建構了一個由深奧思想、方法、抽象概念及其他工具組成的龐大體系，用以理解數學的宏觀圖景。相應地，現代技術與科學也建立在數學工具的基礎之上。
著名的數學難題往往扮演著路標和燈塔的角色，人們可以借此衡量對這一宏觀圖景的認知是否有所提升。解決其中一個問題，必定標誌著人類獲得了新的見解和有趣的方法；隨後，整個數學界會通過報告、研討和簡化等漫長而艱苦的過程，對這些成果進行深入研究。在這一過程的終點，理想情況下會形成適合任何研究生甚至本科生學習的教材化呈現。其中一些數學思想還會繼續發展，在幾十年或幾個世紀之後，演變為全人類都能理解並使用的通用工具。
在許多方面，數學共同體的運作方式就像是人類社會的一個縮影。它由運用各種不同方法的個體組成，因共同的核心價值而凝聚在一起。在我們這項職業中，最寶貴的資源是學生和思想，我們傾注心血予以悉心培育。我們有責任讓他們充分發揮潛力，直至能夠在數學世界中獨立立足。對於學生，我們提出問題的主要目的，是培養他們的專業技能，使他們具備在學術研究及其他領域取得進展的能力。對於思想，我們通過學術報告、私下探討和嚴謹的論文撰寫來傳播，並將其與前人的思想脈絡相連接。這些過程必然需要耗費時間，並且建立在人與人之間的互動基礎之上。
近幾個月來，人工智慧在解決重大數學難題上的成功甚至成為了數學圈外的頭條新聞。然而，解決具體問題僅僅是一種工具和手段，其終極目標是實現深層的概念理解與學術洞見。在人工智慧的世界裡遺忘這一點，可能會讓工具反噬最終的目標。事實上，以越來越快的節奏大規模製造“真/假”命題，可能會摧毀滋生新思想的肥沃土壤，而不是為其注入生命力。
通常，這些解決方案都是倉促發佈的，根本沒有留出足夠的時間進行規範的論文撰寫、提煉新方法與新思想，以及規範引用他人的相關前置工作。正如在所有創造性職業中一樣，這引發了嚴峻的學術成果歸屬與剽竊問題。此外，如果沒有意願投入的數學家來負責推進這些成果並將其整合進數學知識體系中，人工智慧構想出的思想就永遠無法真正煥發生機，數學家之間至關重要的代際傳承鏈條也將隨之斷裂。
我們正在目睹一場針對智力勞動的普遍威脅，即使用人工智慧所產生的結果與其最初的意圖之間出現了脫節。在許多領域和活動中，多年的系統訓練不僅是為了產出一個最終答案或產品，更是為了培養人類的理解力，以及構思新問題和新思想的能力。然而，建立在人類龐大前人工作之上的AI系統，正變得越來越有能力直接生成此類工作的最終結果，使得這些目標不再保持一致。數學界當前面臨的問題，與其他科學和創造性行業正在面臨的問題類似，也預示著全人類都可能面臨的危機：隨著人工智慧改變工作方式，我們如何確保自己不會迷失這項工作最初旨在實現的根本目標。
人工智慧確實蘊含著增強和加速真正的數學研究與理解的潛力。數學作為一門職業，將需要從多方面適應這些變化。然而，這些變化最終是造福該領域還是帶來破壞性影響，很大程度上將取決於掌控這項新技術的決策者。
這些問題必須盡快得到解決——在數學界內部、在開發這些技術的公司內部，以及在更廣泛的、即將在許多其他智力勞動形式中遭遇類似問題的社會之中。
簽署人（25位菲爾茲獎得主）：
- Artur Avila（2014年菲爾茲獎）
- Manjul Bhargava（2014年菲爾茲獎）
- Caucher Birkar（2018年菲爾茲獎）
- Pierre Deligne（1978年菲爾茲獎）
- Yu Deng（2026年菲爾茲獎）
- Simon Donaldson（1986年菲爾茲獎）
- Hugo Duminil-Copin（2022年菲爾茲獎）
- Alessio Figalli（2018年菲爾茲獎）
- Martin Hairer（2014年菲爾茲獎）
- June Huh（2022年菲爾茲獎）
- Maxim Kontsevich（1998年菲爾茲獎）
- Elon Lindenstrauss（2010年菲爾茲獎）
- Pierre-Louis Lions（1994年菲爾茲獎）
- James Maynard（2022年菲爾茲獎）
- Curt McMullen（1998年菲爾茲獎）
- Shigefumi Mori（1990年菲爾茲獎）
- Ngô Bảo Châu（2010年菲爾茲獎）
- Andrei Okounkov（2006年菲爾茲獎）
- Peter Scholze（2018年菲爾茲獎）
- Stanislav Smirnov（2010年菲爾茲獎）
- Terence Tao（2006年菲爾茲獎）
- Maryna Viazovska（2022年菲爾茲獎）
- Cédric Villani（2010年菲爾茲獎）
- Wendelin Werner（2006年菲爾茲獎）
- Efim Zelmanov（1994年菲爾茲獎）
(AI寒武紀)