陶哲轩警示AI解题黑箱：数学进步的关键不在答案而在探索过程

近年来，人工智能在数学领域的渗透速度远超预期。从自动定理证明到猜想生成，AI正逐步成为数学家的新工具。然而，当GPT-6等大模型宣称在孪生素数猜想上取得突破——将连续素数间距的上界从246压缩至186时，一向支持技术革新的菲尔兹奖得主陶哲轩却发出了罕见的警示：这种“直接吐出答案”的能力，可能正在悄然侵蚀数学发展的根基。

陶哲轩的核心关切并非AI能否解题，而是解题过程是否具备可理解性与启发性。在他看来，数学史上许多重大突破并非源于最终答案本身，而是来自无数看似失败的尝试路径。这些路径虽未直达终点，却意外催生了全新的概念、不等式与理论框架。例如，在纳维-斯托克斯方程全局正则性问题的研究中，数学家们虽未彻底解决该难题，却由此发展出Leray–Hopf弱解、Gagliardo–Nirenberg–Ladyzhenskaya不等式等一系列影响深远的工具。这些成果不仅推动了偏微分方程理论的发展，甚至间接滋养了湍流建模等应用领域。

然而，当前AI驱动的解题模式正面临一个根本性矛盾：效率与透明度的失衡。以纳维-斯托克斯问题为例，人类已形成一套清晰的解决策略——通过构造近似自相似拟设、数值验证残差、证明稳定性等步骤逼近精确解。这套流程对人类而言复杂且耦合度高，但对AI而言却可被拆解为高度模块化的流水线任务：大语言模型生成拟设方案，机器学习模拟流体行为，区间算术确保数值严谨性，形式化证明系统（如Lean）完成最终验证。这种组合确实可能产出人类无法独立构造的复杂证明，但同时也带来一个严峻问题：如果证明过程完全不可理解，数学界如何从中提取新知？

更值得警惕的是，这一过程往往发生在科技公司的封闭系统内部。陶哲轩尖锐指出：“运行AI系统的公司，把通往最终拟设的整个过程几乎完全隔绝在公众视野之外。”这意味着，即便AI成功解决了某个千年难题，数学共同体也无法复现其思维路径，更无法像传统研究那样，通过对证明细节的反复咀嚼，提炼出可迁移的方法论。长此以往，数学将丧失其作为“思想孵化器”的核心功能——问题被“解决”了，但领域并未因此进步。

孪生素数猜想的最新进展恰是这一危机的缩影。2026年，OpenAI、Anthropic与Axiom几乎同步宣布其AI模型将素数间距上界分别降至186、188与212。表面看这是集体突破，实则暗藏隐患：若非牛津大学数学家Julia Stadlmann赶在8月31日公开其基于平滑模数新估计的手工证明（将上界推至240），她所发展的“大平滑因子等分布估计”技术可能就此湮没于AI的黑箱之中。陶哲轩对此评价道：“这可真是令人无语的一幕。”——并非否定AI的能力，而是痛惜人类原创思想在算法洪流中的边缘化风险。

值得注意的是，陶哲轩并非反对AI辅助数学研究。相反，他本人长期倡导人机协作模式，例如利用AI进行大规模计算或模式识别。但他强调，AI的角色应是“增强”而非“替代”人类的认知过程。理想状态下，AI应作为可交互的探索伙伴：当它提出一个拟设时，需同时提供可追溯的推理链；当它完成数值验证时，应开放中间数据供人类分析。唯有如此，数学家才能像对待同行工作一样，批判性地审视AI产出，并从中激发新的研究方向。

从更宏观的视角看，这一争议触及科学哲学的根本命题：知识的本质是什么？ 如果知识仅被定义为“正确的陈述”，那么AI确实能高效生产知识；但如果知识包含“理解”“解释”与“可迁移性”，那么当前的AI范式显然存在缺陷。数学尤其如此——它不仅是真理的集合，更是人类理性思维的结晶。每一个定理背后，都凝结着特定历史情境下的洞察、类比与直觉。这些难以量化的元素，恰恰是AI最难复制的部分。

面对这一挑战，数学界亟需建立新的规范。首先，在涉及AI辅助的重大成果发表时，应强制要求公开完整的推理日志与中间步骤，而非仅提交最终证明。其次，学术评价体系需调整权重，不再唯“结果突破”论英雄，而更重视方法创新与思想贡献。最后，数学教育也应融入AI素养课程，培养学生批判性使用工具的能力，避免沦为算法的被动接受者。

陶哲轩的警示并非危言耸听，而是对科学共同体的一次及时提醒：在拥抱技术红利的同时，我们必须守护那些使科学之所以为科学的核心价值——开放性、可理解性与思想的延续性。否则，当AI为我们揭晓所有谜底时，人类或许将陷入一种奇特的困境：坐拥海量答案，却失去了提问与探索的能力。