最近知乎上有个问题火了，热度冲到270万：陶哲轩称AI的数学成果把解题当基准测试，犹如抛出“有毒废料”。乍一看像是大佬在泼冷水，但仔细琢磨，他骂的其实不是AI本身，而是我们评价AI的那套方式。
先说清楚陶哲轩是谁。菲尔兹奖得主，当今数学界最顶尖的几个人之一，同时他这两年对AI辅助数学研究的态度一直很开放，甚至亲自试过用大模型找证明思路。所以他不是那种“AI威胁论”的老古董。恰恰因为他懂AI也懂数学，这话才值得认真听。
他的核心意思是：现在很多AI数学能力的宣传，本质上是把数学简化成了“做题”。给一个竞赛题，模型输出一个答案，对了就刷榜，错了就迭代。这套流程在benchmark上很好看，但数学研究的真实场景完全不是这样。真正的数学工作里，提出问题比解决问题难得多，判断一个证明有没有价值、能不能推广、背后的直觉是什么，这些都没法用“答案对不对”来衡量。AI批量产出的那些“解题成果”，如果只是喂给排行榜当燃料，对数学本身几乎没有增量，堆多了反而像废料。
这个比喻狠就狠在“有毒”两个字。普通废料只是没用，有毒废料是还会污染环境。放到AI数学的语境里，意思是：当大量低质量、未经人类理解验证的“证明”涌入学术生态，会稀释真正有价值的工作，增加同行评审的负担，甚至让年轻研究者误以为数学就是刷题。这个担忧不是空穴来风，现在已经有期刊开始头疼AI辅助投稿的甄别问题了。
但我想补一个视角：陶哲轩批评的是“把解题当基准测试”这个评价范式，不是否定AI在数学里的潜力。他自己就提过，AI更适合做“证明助手”——帮人检查逻辑漏洞、搜索反例、整理文献里的零散引理。这些事情人类做起来枯燥，AI做起来快，而且成果是可验证、可吸收的。区别在于，前者是让AI往学术生态里倒垃圾，后者是让AI当清洁工和搬运工。
所以这个问题真正值得讨论的，不是“AI数学行不行”，而是“我们该用什么标准衡量AI的数学能力”。如果标准只是竞赛题准确率，那厂商当然会朝着刷榜的方向优化，产出自然越来越像应试机器。如果标准换成“能否帮人类数学家节省时间”“能否提出可验证的新猜想”“能否把证明压缩到人类可读”，评价体系变了，AI的输出质量才会跟着变。
对普通读者来说，这条热榜的意义可能更朴素：下次再看到“AI攻克某某数学难题”的标题，先别急着转发。问一句——这个“攻克”是通过了什么检验？是同行评审，还是只是对上了某个数据集的标准答案？陶哲轩这盆冷水，浇的其实是我们的转发手速。
TAGS:陶哲轩,AI数学,基准测试,学术生态,证明助手
微信扫码查看