OpenAI批量发布数学稿，陶哲轩担忧：理解跟不上产出

如果机器交出了一大堆数学证明，人类就自动多出了一大堆新知识吗？

数学界重要奖项菲尔兹奖得主、加州大学洛杉矶分校（UCLA）数学教授陶哲轩，正在为这两件事之间的距离担忧。10月15日发布的数学科普节目Numberphile访谈中，他讨论了OpenAI近期批量公开数学研究稿件带来的冲击：结果的生成速度大幅提高，理解它们、检查它们、培养下一代研究者的工作，却仍要有人承担。[1]

陶哲轩在访谈中说，自己只看过当时“300多篇”中的约10篇。10月18日查阅时，OpenAI公开目录已收录719份稿件，按研究结果归为372组。这个目录记录的是研究稿件，并非一张经过独立确认的定理清单。[1-2]

一份公开的证明文稿，也不等于已经完成同行评议，也就是经过同领域研究者的审查。真正值得追问的是：这些输出能否被可靠地检查、解释，并成为别人继续研究的基础？

产出可以加速，理解不会自动跟上

陶哲轩的批评有明确对象：当研发竞争一味追求速度、产量和更强的模型表现，人的理解可能被挤到后面。他在访谈中形容，围绕通用人工智能——也就是希望能广泛胜任不同任务的AI——的竞赛，正在变得有些“有毒”。[1]

他同时承认，部分AI研究包含聪明的新想法。他看到的是一批质量不一的结果，既有值得进一步探索的思路，也有尚待厘清的问题；他的有限阅读，不足以为整个目录下结论。[1]

数学界面对的难题，是如何把大量候选结果转化为可用的知识。检查一份复杂证明，需要确认推理有没有漏洞、前提是否成立、与既有文献有什么关系。进一步讲清它为什么有效、能推广到哪里，又是另一层工作。

生成端节省的时间，可能转移成接收端新增的核验负担。只统计“产出了多少”，很容易漏掉后面这笔账。

数学家交付的，也包括下一代数学家

另一个焦点是学生的训练。陶哲轩担心，AI批量抢先完成一些研究问题，会冲击年轻研究者原本用于学习和建立职业履历的项目。他提到了一些项目被抢先完成的情况，尚未给出覆盖整个学界的统计。[1]

一个研究项目的价值，既包括最终答案，也包括学生在失败和修正中形成的能力。当一部分问题的答案更容易获得，学界该怎样评价一个学生真正学会了什么，怎样奖励解释、整理和提出新问题的能力？

陶哲轩在10月6日的UCLA访谈中，用过“门童谬误”来解释这类价值遗漏：如果只把酒店门童的工作理解成开门，就可能以为自动门足以替代他，却忽略了迎接客人、帮助叫车等职责。数学家的工作同样包含解释知识、连接不同领域和训练学生。[3]

这也是“AI会不会取代数学家”之外，更值得讨论的一层：现有评价体系，能否识别证明成品背后那些长期不被单独计价的工作？

从争论，走向新的验收规则

学界已经开始尝试改变规则。10月17日，数学家Shaoming Guo在陶哲轩博客发表客座文章，介绍他与同事筹备新期刊的设想：重视论文能增加多少理解，而不只看谁先证明；同时要求证明通过Lean形式化验证。[4]

Lean是一种让电脑逐步核对数学推理的工具。研究者需要把论证写成机器可以严格检查的形式，让每一步都能追溯到明确的前提。

这种检查能帮助发现逻辑问题，却不能代替人判断一项结果是否重要，也不会自动把复杂思路讲得容易理解。正确性、可理解性和研究价值，需要分别对待。

陶哲轩也仍在参与AI工具建设。10月16日，他介绍了一套刚进入早期开放阶段的数学研究AI协作平台SAIR Open Math OS，强调团队协作，并邀请学术用户反馈。[5]这让他的立场更清楚：他希望把AI嵌入能被检验、能积累理解的研究流程。

对AI科研而言，下一阶段的竞争标准需要延伸到输出之后：谁负责验证，谁解释关键思路，谁维护纠错记录，又有多少工作最终被其他研究者真正采用。

当生成能力快速扩张，可信知识的交付能力，会变得更加稀缺。

参考资料

[1] HARAN B, TAO T. No More Heroes—Terence Tao Talks to Numberphile About AI[EB/OL]. 2026-10-15[2026-10-18].

[2] OpenAI. Mathematics manuscript collection: CONTENTS[EB/OL]. [2026-10-18].

[3] WOLPERT S. The Tao of Tao[EB/OL]. UCLA Magazine, 2026-10-06[2026-10-18].

[4] GUO S. Starting a new journal[EB/OL]. What's new, 2026-10-17[2026-10-18].

[5] TAO T. SAIR Open Math OS released[EB/OL]. 2026-10-16[2026-10-18].