10月7日晨，OpenAI在Github平台上一次发布了722篇数学手稿，并按照结果相关性将其划分为372个“结果族（Result Families）”，涵盖理论计算机科学、数论、几何、数学物理等17个领域。这些成果包括在准黎曼假设、Hilbert第十个问题、Mahler猜想、Kaplansky相关猜想等重要数学问题上的进展，部分成果已有Lean形式化证明。
按照这个速度来看，显然AI生成解题结果的速度，已经远超人类数学家核验、解读、消化成果的速度，“数学家不够用了”不再是夸张的行业调侃，而是AI深度介入学术研究后，科学界面临的首 个结构性现实难题。
那么，AI可以快速给出答案，谁来判断这些答案到底对不对？即使答案正确，它是否具有原创价值？AI无边界的入侵数学界甚至整个科研领域，背后的原因只是因为“AI好用快速”吗？长此以往科研以及教育将会面临怎样的结构性颠覆？
AI正在闯入数学无人区
在此之前，AI在数学研究中始终扮演辅助配角，仅承担基础算力工作：负责海量数值计算、梳理整合文献资料、检索定理、解答标准化习题，从未触及核心创新环节。
但2026年，AI与数学研究的关系彻底迎来质变，AI开始涉足人类深耕多年的经典难题，展现出独属于自身的科研优势。
OpenAI宣称，其未公开的内部模型组织了约1万个AI智能体，用88小时给出了纳维-斯托克斯方程存在性与光滑性问题的证明，并公开了166页论文和Lean验证代码。尽管该成果尚未得到该问题“出题方”克雷数学研究所的最终核验确认，但足以颠覆传统科研认知：AI已然在部分高端数学任务中，展现出比肩甚至超越顶 尖人类数学家的解题能力。
Anthropic的研究成果也印证了这一变革趋势，其模型成功找出雅可比猜想的反例，刷新了传统猜想的研究逻辑。传统数学家通常围绕一个猜想寻找证明，AI却可以通过大量方程构造和计算检验，反过来寻找能够推翻猜想的特殊情形。Claude构造了多个三变量方程，使局部条件成立，但不同初始点经过映射后出现相同终点，由此指向雅可比猜想在三维及更高维度下并不成立。
这正是AI与传统数学研究最核心的差异。人类数学家的研究逻辑是“先直觉、后猜想、再证明”，依托长期学术积累形成科研灵感，再逐步推导验证；而AI的研究路径完全相反，先在超大搜索空间中捕捉常规研究难以发现的异常规律，再反向拆解、构建能够解释异常现象的数学结构，重构研究逻辑。对长期悬而未决的复杂猜想而言，一个精准有效的反例，往往能直接扭转数十年的研究方向。
除此之外，AI还能持续推进经典数学难题的精度突破。Claude的实验版本，将黎曼函数在临界线上的已知零点比例下界从41.6%提升到了67.25%，刷新了人类学界的最 优成果。
这类突破充分证明，AI具备两大独特优势：既能在海量搜索空间中快速试错、探索多元解题路径，又能跨界重组不同学科的研究工具，挖掘人类研究者惯性思维下容易忽略的创新方案。
数学之所以成为AI公司的重要竞技场，是因为它既足够复杂，又具备相对清晰的判定规则。一个模型能否完成长链条推理，可以通过复杂数学问题进行测试；一个形式化证明能否通过Lean系统，也可以被机器快速检查。
但“能够被机器判定”并不等于“已经成为数学知识”。AI可以在大规模搜索空间中寻找方案，却不一定知道为什么要研究这个问题；可以构造反例，却不一定理解反例改变了什么；可以生成形式化证明，却不一定能够把证明背后的概念讲清楚。
这意味着，AI正在进入数学无人区，但它首先进入的是数学答案的生产环节。它是否真正进入了数学思想的创造、解释和传承环节，还要由人类数学共同体来判断。
从数学AI的“证明消化不良”
到矛盾尖锐
在科学与人工智能研究基金会（SAIR）的一次公开分享中，菲尔兹奖得主陶哲轩曾用“证明消化不良”形容数学界正在面对的变化。
长久以来，数学研究始终面临“证明稀缺”的难题，研究者的核心瓶颈是难以攻克难题、推导有效证明；而AI普及后，行业彻底进入“证明过剩”时代，AI生成、机器核验证明的效率，远远超过人类阅读、理解、消化、教学的速度，数学研究的核心瓶颈彻底逆转，从“能否找到证明”转变为“如何定义、解读、落地证明的学术价值”。
陶哲轩博客
作为推动数学界普及Lean形式化“代码证明”的核心领军人物，陶哲轩长期深耕AI与数学融合领域，常年担任OpenAI、微软研究院等前沿机构的AI项目顾问，今年OpenAI攻克的多项数学难题，均由他担任核心评议人与首席裁判。面对行业巨变，陶哲轩直言，数学领域已然迎来“百年未有之新危机”，跟进AI技术发展，已然成为当代职业数学家最紧迫的任务。
在拥抱技术变革的同时，陶哲轩也始终保持理性警醒。今年7月，他在国际数学家大会的《AI时代的数学》主题演讲中提出，有必要对AI的应用场景进行约束，禁止自动求解器介入部分核心数学问题，以此保护数学生态的完整性，守护数学学科培养新生代研究者的核心价值。
行业矛盾在2026年9月集中爆发。陶哲轩、邓煜等25位菲尔兹奖得主联合发布公开信，明确指出当前AI公司与数学共同体的目标严重错位，可能损害数学研究生态，尤其影响学生和早期职业数学家。
学界对商业AI介入学术研究的抵制情绪，在加州理工学院的赛事争议中达到顶峰。此前，OpenAI与Anthropic计划赞助该校“数学马拉松”赛事，投入总额200万美元的算力资源与系统访问权限，鼓励参赛团队依托AI算法攻坚各类未解数学难题。赛事规则简化了科研流程，参赛者仅需输入核心提示词，即可依托AI全天候搜索逻辑链条、推导解题过程，某种程度上大幅降低了前沿研究门槛。
但这场看似赋能学术的赛事，遭到了加州理工学院数十位在职、前任数学学者的实名抵制。学者们在公开信中尖锐指出，商业资本正在把高深严肃的理论数学当作贩卖算力、炫耀模型能力的广告展台。他们将这种未经沉淀、由算法暴力堆砌而成的论文草稿斥为泔水数学。学者们尖锐地质问：年轻学子在巨头搭建的平台上靠算力撞出一些零零落落的证明，那么荣誉到底属于年轻人，还是属于借此推高估值的科技巨头？
面对学术界前所未有的愤怒，OpenAI的研究主管丹·罗伯茨在9月10日公开发文承认，技术的迅猛推进确实打破了原有的秩序，公司决定正式撤回对该项赛事的商业赞助。
与此同时，学界也在开展行业“自救”行动，2026年9月12日，由不同发展阶段的研究者共同发起的“人类数学协会”正式成立。该协会不设任何繁琐的门槛，却要求所有加入者在公共平台做出2项坚定的道德承诺：绝不为商业性质的人工智能巨头效力，绝不发表任何由生成式算法撰写的论文手稿。协会同时鼓励成员自愿做出第3项承诺，在日常的核心数学创造活动中完全摒弃算法工具，重拾纯粹的人脑推演。
AI与数学的矛盾背后不只是技术
AI与数学科研的矛盾，绝非单纯的技术适配争议，而是个体诉求、行业生态、商业利益多重因素叠加的结构性矛盾，其背后的成因较为复杂。
从科研个体层面来看，AI工具能够直接赋能学术产出，带来直观的短期利益。依托AI高效完成文献整理、公式推导、成果撰写等工作，研究者能够更快地积累学术资历。近期，一项研究调研了4130万篇学术论文，发现使用 AI的作者，论文发表率与引用率更高；这类作者也能更早成为项目负责人。
但个体层面的利好，却酿成了整个科研行业的集体困境。调研同步显示，随着AI的普及应用，全球科研选题范围收缩4.63%，科研圈层的跨群体学术交流频次下降22%。虽暂无直接证据证明AI是这一变化的唯 一诱因，但趋势已然清晰：单一学者追求高效产出、依赖AI工具的最 优选择，大规模普及后，会直接导致整个科研领域研究视野收窄、学术交流弱化、创新活力衰减。
个体逐利引发的量变积累，也催生了行业层面的深度反思。AI批量产出的海量数学证明，打破了传统科研的节奏与标准，陶哲轩提出的“证明消化不良”，正是学界对这一乱象直观的复盘。
而矛盾激化的核心根源，在于学术界与商业界的核心目标错位、利益分配失衡。科技企业的核心诉求是模型性能快速迭代、商业价值快速变现，攻克经典数学难题，对其而言只是证明技术实力、提升品牌竞争力的跑分工具；但对数学研究者而言，难题的价值从不止于“被解决”，更在于解题过程中诞生的新方法、新理论、新研究范式，在于其对学科体系的长远推动作用。
这种目标错位潜藏着巨大的科研隐患。当学术资源持续向适配AI评测、可符号化量化的浅层问题倾斜，那些需要长期沉淀、深度思辨、难以快速量化价值的原创性思想研究，将逐步被边缘化。新生代研究者的身份也将悄然转变，从主动发现问题、构建体系的创新者，沦为为AI调试参数、优化算法的辅助者。
除此之外，AI的普及正在破坏数学赖以发展的学术交流生态。数学学科的持续进步，依托于学者间的自由研讨、会议交流、预印本分享，诸多重大学术思想，都是在不完整的初步探讨中反复打磨、迭代成型。但如今，研究者担忧公开的学术交流内容会被AI模型抓取、解析，被商业巨头抢先转化为量产成果、发布专利成果，因此主动减少开放式交流，最终导致整个学术生态愈发封闭固化。
AI与科研与教育的未来
数学领域率先爆发的AI验证瓶颈，并非个例，而是整个科学界变革的前兆。当前，AI已全面渗透物理、化学、生物、医学、工程等所有硬核学科的日常科研场景，各领域都将逐步面临类似的学术困境。
如今，大语言模型深度融入学术出版全流程，从论文撰写、选题打磨，到投稿优化、同行评审辅助，AI已然替代了大量传统人工工作。但核心的学术流程体系、评价标准、监管机制仍停留在传统阶段，技术革新与制度规范的脱节，滋生了诸多隐性风险。
相较于显性的成果错误，AI带来的隐性科研隐患更难察觉。2025年一项针对在职科研人员的访谈调查显示，AI生成的代码会潜移默化地篡改研究统计参数，即便算法本身无明显逻辑漏洞，最终输出的结论也可能偏离真实科研结果。更值得警惕的是，这类偏差成果具备极强的迷惑性，不仅能够满足常规合理性检验，还具备可重复性，极易被学界认定为有效科研成果，误导后续研究方向。
随着AI递归式自我改进技术（RSI）持续迭代升级，机器的算力与推理能力飞速突破，人类的智力边界似乎正在被快速超越。在此背景下，科研行业与教育体系的未来发展方向，成为全社会亟待解答的核心问题。
《全球人工智能与教育发展报告》明确指出，AI的应用已从单点工具赋能，全面渗透至课程教学、人才培养、学术评价、科研治理等教育科研全链条。其既能整合优质资源，为学习者与研究者提供即时性的解读、练习、反馈服务，也会无形替代人类必备的思辨过程，催生数据监控、平台垄断、群体认知偏差等一系列问题。当下教育领域的核心命题，已不再是“是否使用AI”，而是如何将AI转化为可核验、可管控、可持续的公共科研教育能力。
针对AI时代的人才培养核心，浙江大学人文高等研究院院长、芝加哥大学社会学系荣休教授赵鼎新在学术访谈中提出，新时代最核心的两大能力，是提示能力与判断力。其中，提示能力并非全新技能，本质是对“清晰梳理逻辑、精准拆解问题、有序表达诉求”这一传统核心素养的重新定义。
他进一步指出，真正适配AI时代的核心竞争力，依托五大基础素养构建而成：主动提问的探索能力、逻辑分层的结构化表达能力、多元视角的转换能力、贴合现实的常识感知能力，以及敢于核验对错、预判风险、承担结果的独立判断力。这些底层素养帮助个体拥有应对AI风险的能力。
当下数学与AI的冲突，表面是机器解题速度超越人类推演速度的技术矛盾，本质是算法效率逻辑与人类科学精神逻辑的深层错位。
算法擅长穷尽可能性，却无法诞生真正的学术直觉与底层洞见；商业AI追求模型迭代与数据跑分，却无法承载基础科学漫长、冷门、无功利的探索价值。
从“证明稀缺”到“证明过剩”的行业反转，从学界抵制资本裹挟算力竞赛，再到行业重构人才培养标准，这场发生在数学领域的学术震荡，或许只是AI重构人类知识体系的一次预演。
未来的科学研究，不会因为AI的强大而淘汰学者，却会无情淘汰只会机械推演、依赖工具、丧失独立判断的研究者。人与AI的科研博弈，从来不只是速度与算力的比拼，而是人类能否守住知识创造的主体性、科学传承的纯粹性、学术生态的多元性。在算法愈发万 能的时代，人类独有的思辨、质疑、取舍与创新，终将成为基础科学最核心、不可替代的壁垒。