数学家们花了三百年建起的证明大厦，正在被AI每周生产的"生肉"堆满走廊。而最可怕的是，没有人来得及把它们煮熟。
2026年7月24日，费城四年一度的国际数学家大会（ICM）上，菲尔兹奖得主陶哲轩站在台上，说出了一句让全场安静下来的话：
"我相信我们正在进入……一场数学价值与实践基础的危机。"
陶哲轩13岁拿国际奥赛金牌，20岁拿普林斯顿博士，24岁成为UCLA正教授，31岁摘菲尔兹奖。他在公共讨论中一贯温和、审慎但这一次，他对《新科学家》记者说的话带上了罕见的紧迫感，"我希望我们有更多时间慢慢做。"
可供从容调整的时间已经不多
一场"证明洪水"正在淹没整个学科
先看最基本的事实
2026年8月1日，OpenAI研究员Noam Brown宣布：内部版本的Astra模型解决了数学、量子复杂性和理论计算机科学中的10个重大开放问题。
▲ 一位学了一万小时数学的博主感叹：自己读不懂这些证明，数学博士朋友跨领域也验不了
十个一次性而就在几个月前，业余爱好者们已经发现了一个惊人的技巧：只要用特定方式"哄"AI以为题更简单，它就可能吐出完整证明草稿。Erdős问题网站上，"待评估"队列以前所未有的速度膨胀。
陶哲轩在4月的Mathstodon长帖中把这叫做从"证明稀缺"到"证明过剩"的历史性翻转。
表面上，解出更多难题预示着数学繁荣；陶哲轩看到的却是一条逐渐堵塞的处理链。
"生肉证明"：你家门口被陌生人扔满了未煮熟的猎物
陶哲轩用了一个绝妙的比喻
想象一个食物稀缺的原始部落：猎人带回任何猎物都会被视为英雄，哪怕是生的、带血的、没人认识的肉。因为饿，所以来者不拒，总有人会去处理。
现在想象一个食物丰裕的现代社区聚餐：一个陌生人突然出现，往桌上扔下一块未经处理的生肉，然后转身离开。没人会感激，没人会碰它人们想要的是受信任的成员精心烹制的菜肴，能引发对话、能传授技巧、能滋养下一代厨师。
AI产出的证明，正是这块"生肉"
它可能是正确的，就像生肉可能是无毒的。但正确≠完成在陶哲轩的框架里，一个数学结果要进入学科体系，必须走过完整的生命周期：
生成 → 验证 → 阐述 → 发表 → 消化 → 经典化
AI把第一步，生成，的速度提高了几十倍甚至上百倍。形式化工具（如Lean）让第二步，验证，也能高度自动化。但从第三步开始，一切都卡住了
谁来把一份500行的Lean代码翻译成人类能读的论文？谁来在研讨会上讲清楚它的思路、回答追问？谁来把它放进教科书、融入已有理论体系？
答案是：目前只有人类能做而人类的注意力带宽，没有摩尔定律
四重"阻抗失配"：管道每一段都在堵塞
陶哲轩在幻灯片中列出了四条警告，每一条都像一根正在被拧紧的螺丝：
- AI生成的证明堆积着等待验证
- 已验证的结果缺少可读写本
- 同行评审被彻底淹没
- 即便发表也难以经典化，太多结果，没有足够的人力将其整理进学科的"稳定态"
他把这种从生成端到消化端的速度断裂，命名为"proof indigestion"，证明消化不良。
▲ 物理学家steve hsu转发幻灯片引发讨论，有人质疑：AI验证器一旦可靠，堆积就不存在了
技术乐观派立刻反驳：如果AI验证器比人类更可靠呢？这不就解决了吗？
陶哲轩认为，这种理解把"验证"想窄了 正确性检查只是六步流水线中的一步。人们还要理解证明为何成立、如何使用、怎样传授。一个通过计算机认证却无人理解的结果，那还算证明吗？
▲ 《新科学家》8月6日特稿：Why mathematician Terence Tao thinks AI must spark a rapid revolution
"优秀的助手，糟糕的发明家"
社交媒体上的讨论迅速分出了两个阵营。
一边是纯粹的能力论者他们盯着Astra一次解十题的新闻，感叹"数学博士都过时了"。另一边是结构论者，他们追问：解题和建理论，是同一种智能吗？
有评论者将其概括为："优秀的助手，糟糕的发明家/科学家。"
这描述的是能力边界陶哲轩本人在幻灯片中画了一张图：数学知识处于中心，周围环绕着至少八种不同目标，构建理论、解竞赛题、解研究问题、创造经久美学作品、培养下一代、构建社群、应用知识……AI可能在其中某些方向上势不可挡，但要兼顾所有目标，还依赖品味、判断和社会性。
Gary Marcus看完演讲后精准总结：OpenAI的Astra解了十道题，但"迄今没有证据表明它能构建新理论"。
▲ Marcus推文配图来自陶哲轩幻灯片：左为"阻抗失配"四条，右为"数学目标多维辐射图"
一百年前的幽灵
陶哲轩刻意选择了一个沉重的类比
1900到1930年间，数学经历了一场基础危机。罗素悖论炸开了朴素集合论的地基，哥德尔不完备定理划定了形式系统的边界。那三十年极度动荡，但最终产物是更坚固、更显式的公理框架。
他说：我们正在进入类似的时期这一次，危机转向了价值与实践的基础，什么叫做一项"完成的"数学工作？荣誉该授予谁？人类在这个职业里不可被替代的部分究竟是什么？
这些问题过去从不需要回答，因为答案是默认的：人类是唯一玩家。但当AI开始以每周数个的节奏触及长期未决问题时，"默认"变成了"空白"。
帕斯卡悖论：为什么AI证明越长越容易
这里有一个反直觉的细节，值得单独拿出来说。
帕斯卡有句名言："我把这封信写得很长，只因为我没有时间写短。"陶哲轩发现，AI形式化存在完全相同的现象，生成长而正确的证明，反而比生成短而正确的证明容易得多。
为什么？因为AI可以暴力地穷举、堆砌、冗余展开，只要每一步逻辑上不出错，最终就能通过机器验证。但人类数学家恰恰相反，越想清楚，写得越短；越短的证明，信息密度越高，越容易消化。
只认"机器验收通过"的评估标准，会系统性地偏好臃肿解。 知识变得越来越"正确"，却越来越不可理解。一种诡异的信息通胀
最后一个问题
让我们回到最开始那个安静的瞬间
陶哲轩站在费城的舞台上，面对全球数学界最精英的听众，说出"危机"这个词。他谈的是数学界如何赶在外部标准形成前，梳理自己的价值。
他承认另一位菲尔兹奖得主Jacob Tsimerman暂停学术、加入OpenAI，是一个信号。他承认AI的进展速度超出了他两年前的预期。他承认"到某个点不可逆"的学生技能退化已经在发生。
但他也坚持：人类数学家数百年积累的经典理论，是AI之所以能成功的前提。一旦停止消化与经典化，AI便会不断消耗这座知识矿山。
证明过剩的时代，理解成了最稀缺的资源。
而理解，至少目前，还是人类的专利
问题只剩一个：还能专利多久？
