整理丨狮子侠

编辑丨小龙、子钺

2026年10月6日，OpenAI发布《Sharing AI progress in mathematics》，一口气将内部前沿模型生成的722份数学研究稿件、共计372组相关成果挂上了官方博客和GitHub。

这些数字足以令人震动，而它所展现出的效率更是惊人。按OpenAI的算力折算口径，每项成果平均消耗的计算资源，约相当于ChatGPT Pro思考三小时。随稿件公开的，还有许多证明的Lean形式化版本（一种用于机器验证数学证明的交互式定理证明器），以及10份模型推理摘要。不过，产生这些成果的模型，当时并未同步开放。

OpenAI一次性释放722份数学成果论文，图源：OpenAI社交媒体账号

这对数学界无疑是一颗重磅炸弹。就连原本支持使用AI辅助数学研究的菲尔兹奖得主陶哲轩都转载了一段人类数学协会（Association for Human Mathematics）的宣言（该组织内所有成员均宣言自己不会发表完全由AI生成的论文，不过陶哲轩不在其中）。

宣言称“一次性发布700多个文件，不是学术的展示，而是力量的展示”，甚至呼吁数学家停止与OpenAI合作。

两天后，在加州理工学院的“Math 2.0”演讲中，陶哲轩对此次事件进行解释。他说，自己关心的不只是AI自动解决开放问题的能力，而是这些工具最终把数学带向哪里：是支撑数学共同体、让理解继续服务现实世界，还是把解题数量当成唯一目标。

对于数学研究的目标到底是什么这个问题，陶哲轩给出的比喻很形象：开放问题像灯塔。它们指引人们探索周边的数学世界，而抵达灯塔，并不等于完成了探索。

不过，并非所有人都被这种末日情绪所裹挟。2026年菲尔兹奖得主、芝加哥大学教授邓煜态度出奇地轻松。他甚至半开玩笑地放话，要是以后AI真能把所有数学题都解完了，自己大不了就“回家写小说去”。

在邓煜看来，AI固然能做短篇幅、局部的逻辑推导，甚至能在人类给定的清晰路线图下充当高效的“代工机器”，但数学真正的核心永远是“理解”。当算力堆叠出成百上千个未经真正消化的证明时，数学界面临的真正考验，是如何在狂热的“刷榜”浪潮中守住那条关乎底层逻辑与人类理性的边界。

10月20日，陶哲轩和邓煜坐到一起，围绕AI对数学研究的深刻影响，以及开源数学模型的未来展开了一场深入对谈。

以下是创业邦对本场对话的翻译精编。

AI时代的慢科研，在追求速度之外守住数学的本质

主持人：最近，一家头部商业AI公司一口气发布了700多份数学证明，直接把互联网炸开了锅。很多人的反应是：“好吧，看来AI现在连数学家都要取代了。”但如果真去和数学界的人聊聊，你会发现，大家真正关心的并不是机器抢饭碗，而是学术诚信、成果究竟该归功于谁，还有数学这门学科最核心的东西。

今天，我们请到了邓煜和陶哲轩，先请两位向听众介绍一下自己。

邓煜：大家好，我是邓煜，现在是芝加哥大学的数学教授，主要研究偏微分方程、概率论这些领域。

陶哲轩：我是陶哲轩，在加州大学洛杉矶分校担任数学教授，主要研究分析、数论和组合数学，最近也在参与一些和AI有关的工作，关注整个数学领域未来会怎么发展。

主持人：谢谢两位。在聊其他问题之前，我想先问问你们对AI的态度。外界似乎觉得，很多数学家是反对AI的。但我希望听到两位更具体、更细致的看法：你们觉得AI可以怎样用于数学研究？现在又已经有哪些用法？

邓煜：我觉得使用AI是好事，也是未来的方向。它能大大拓展数学和研究的边界，关键是要用对方法。我今天上午做报告时也提到了这一点。这主要是学术规范和伦理层面的问题。

如果单从技术上看，最近这些证明本身确实很精彩，里面有一些非常漂亮的新想法。先不谈公司的做法，只看证明，我觉得我们现在其实处在一个很好的阶段：AI向人学习，吸收人的思路，再产生自己的新想法；而这些新想法，我们也能理解，还可以在它们的基础上继续发展出新的思路。人和AI一起进步，这正是我希望看到的。

陶哲轩：现在大家好像总想把人分成两派：支持这个，反对那个。但技术从来没有这么简单。你能直接问一个人：“你支持汽车，还是反对汽车？”“你支持互联网，还是反对互联网？”事情显然不能这么一分为二。每种技术都有好处，也有坏处。你可以只盯着好处，或者只盯着坏处，但实际情况总要复杂得多，AI当然也一样。

AI让我们能做更多事，很多过去很难完成的任务，现在都能自动化了。但与此同时，它也在挤掉一些速度更慢、却同样很有价值的做事方式。理想情况下，我们当然希望两边的好处都能保留下来。就像开车比走路快，但你不会希望所有原本可以走路的场合，都改成开车。有时你就是想散散步，也可能是出于安全、环保，或者其他考虑。

所以我们得找到一个合适的平衡：既用上这些强大的工具，把事情做得更快，也保留慢慢做科学、做数学的好处，比如逐步加深理解、建立学术共同体，让人类自己始终掌握对一门学科的理解。毕竟，速度并不是我们唯一想追求的东西。

邓煜：对。我觉得有一种情况就特别适合用AI。比如，你面对一个问题，已经有了解题路线，具体分几步也想清楚了，只是实际推导太复杂，真要把细节全部做出来，会花很多时间。也就是说，你知道大致该怎么做，也知道这条路为什么能走通。这时把具体工作交给AI，就是很好的用法。它帮你省下时间和精力，你就能把注意力放在更根本的问题上。

两条边界的断裂：当证明被写出来，却没有人真正理解

主持人：很有道理，尤其是你们说的，我们应该根据具体情况不断调整，而不是简单地全盘支持或全盘反对，这一点很重要。说到这里，也就回到了最近这件事。很多人觉得，这是那家商业巨头搞的一场宣传秀。可发布之后，他们又因为基本的符号错误，不得不撤回了3份预印本。大家还发现，文字表述和Lean代码之间存在很大的脱节。

一家大型科技公司以这么快的速度，把这些还没打磨好的证明一股脑扔出来，确实会造成学术文献污染。那我们该怎么避免其他人跟着这么做？又该怎么避免研究人员浪费自己的时间，免费替他们找错、修错？

陶哲轩：我觉得，我们需要调整激励机制和价值评价体系。这些科技公司之所以会大张旗鼓地宣布自己解决了哪些问题，部分原因在于，我们数学界自己也一直很看重“解决问题”这件事。因为过去，一个人解决了某个问题，通常也就意味着他对这个问题理解得很深，能把它讲清楚，能在这项工作的基础上提出新问题，也能培养学生。

这些事情原本是连在一起的。我们给解决问题的人颁奖，真正奖励的其实是背后这一整套学术工作，只不过“解决了什么问题”最容易拿来当衡量标准。但现在，OpenAI和其他一些公司几乎是在训练模型的过程中，顺带把这些问题解决了。

对它们来说，这些问题只是训练和评估更通用模型的一套好用的测试题。于是，这些证明就成了某种副产品，打个比方，像是“有毒废料”。然后它们得想办法处理，或者最后变成我们来处理。

所以，我们必须更明确地表达：我们不是为了把问题解决掉而解决问题，我们要的是更全面的理解，以及从中获得的新认识。

理想情况下，产出这些证明的公司应该和我们合作，一起把证明讲清楚。甚至在项目开始之前，就应该请数学家参与，而不是事后才来收拾残局。这方面可以建立一些值得大家遵循的做法。

但现实一点说，我觉得这种事还是会不断发生。到某个时候，我们就得明确说：如果你只是解决了问题，却没有带来其他这些有价值的东西，那它还不能成为我们认可的数学文献的一部分。我们会慢慢去研究这些证明。

比如，OpenAI这次发布的内容里，有十来个问题是我关心的，我以后也会去读。但现在，这确实不是我的优先事项。它们目前的讲解方式，还没有让我产生特别想深入研究的兴趣。最终我们会去看，只不过，如果他们一开始就和我们合作，这个过程本来可以快得多.

邓煜：我一直很认同“加深理解”这个想法。我们为什么做数学？不同的人可能有不同的答案。对我来说，就是为了理解这个世界。这里的世界，既包括现实世界，也包括抽象的数学世界。

那什么叫理解呢？其实可以想象有两条边界。第一条，是在所有数学问题里面，把已经有证明的问题划出来。第二条，是在这些已经有证明的问题里面，再把我们真正理解了证明的问题划出来。

以前，第二条边界基本不需要单独考虑，因为既然有人做出了证明，就意味着至少有人能理解它。但现在，如果只有AI给出了证明，人还没有理解，那么第二条边界就真正显现出来了。所以，我觉得我们一直以来追求的价值，其实是一致的，只是情况变了。表面上看，好像我们需要改变评价标准，但在我看来，我们做数学时坚持的，始终是同样的东西。

AI暴力解题，切断科学数千年的思想传承链

主持人：这也涉及成果归属和公平的问题。看了菲尔兹奖得主们的那封公开信，我想问：一家商业公司用这种方式炫耀算力的时候，它究竟把谁的功劳算到了自己头上？某种意义上，这不就是在提取和利用别人的研究成果吗？它们的数据来自其他人的研究，来自其他人的论文。那我们到底该怎么追溯这些贡献？

陶哲轩：几百年来，学术界一直遵循开放科学的原则，把科学文献看作大家共享的资源。我们发表论文，当然，有些期刊是要付费才能看的，这方面确实存在值得讨论的问题。不过先把这个放在一边，科学文献本来就应该向所有人开放，大家也本来就应该利用前人的研究。当然，要做好引用，让人能追溯一个想法是从哪里来的。科学就是这样向前发展的。

现在，我们有了一种技术，能吸收科学家和数学家上千年来积累的文献，再通过一个不太透明的过程，把它们转化成答案。有时候，AI会告诉你：“我用了这篇论文里的某个结果。”但有时候，它没法一路追溯回去，或者干脆没有展示这些想法的来源。这样一来，思想传承的链条就开始断了，真的是字面意义上的“思维链”断了。

这很可惜，因为理解这些来龙去脉，本来就是我们解决问题时要学到的一部分：这项工作受到了哪些研究的启发？哪些关键想法其实已经在已有文献里初露端倪？也许这只是暂时的问题，未来的AI可能会更擅长追溯来源。但现在的技术在这方面确实很差。

而且，我觉得科技公司有动力淡化这一点，因为它们希望大家相信，这些AI仿佛凭空就解决了问题，没有借助任何前人的成果。但实际上，它们和人类科学家一样，都是建立在人类几千年的努力之上的。只不过，它们有时会承认前人的贡献，有时不会。这一点必须改进。

邓煜：对，这是整体上的情况。还有更具体的例子：有人直接把别人之前提出的思路输入ChatGPT，然后就生成了一份证明。所以，我觉得最终的目标，是要有办法真正追溯这些想法的来源。

就目前来说，如果能看到AI的思考过程，至少还能大致知道，它是怎么走到这一步的，参考了哪些东西。但如果连这些都不公开，那就太离谱了。如果我们想做出不依赖这些大公司的工具，追溯想法的来源就应该是我们努力实现的目标之一。

为什么要构建“开放数学模型”？

主持人：从这件事的发展来看，产业界和科学界之间似乎确实有些脱节，尤其是双方看待和处理这些问题的方式不一样。对公司来说，这好像已经成了一次秀实力的营销活动。只不过，在一些人看来，这场秀可能翻车得相当惨。但这也提醒我们，需要就接下来能做什么达成一些共识。

Terence（陶哲轩），你是SAIR基金会的主席，你们最近推出了开放数学模型项目。你最初牵头做这件事，是出于什么样的想法？为什么你觉得，开源模型能给数学家带来一些闭源模型做不到的帮助？

陶哲轩：当初成立SAIR时，我的一个想法就是，为数学界提供由数学界自己开发的工具，让这些工具符合我们的价值观，也服务于我们自己的目标。大型科技公司确实给了我们一些有用的工具。我自己经常使用它们的专有模型，很多同事也是。有些功能确实非常符合我们的需求。比如文献检索，现在已经做得很强，也很实用。我们查文献的能力变强，并不会因此削弱我们对研究内容的理解。

但正如刚才说的，有些时候，它们生成了证明，却没有带来相应的理解，引用有时也不完整，这就打断了文献之间的传承关系。所以，我们一直希望能独立于大型科技公司，开发自己的工具，而且让数学界充分参与。

我们讨论过很多方案，后来觉得，做一个数学开源模型，再配上一套方便使用的框架，应该会很有帮助。这样，大家就不用自己部署，也不用自己买GPU。我们原本有一个长期推进的计划，但过去几个月发生了这些事之后，很多数学家突然都很希望找到别的方式来使用AI，而不只是依赖那些开发前沿模型的科技公司。

所以，我们加快了Open Math OS的发布。这里也澄清一下：我们现在还没有自己的新模型，初期用的是现有的开源模型。但至少围绕模型的操作系统已经搭起来了。我们希望，它现在就能派上用场，把模型和各种工具整合起来，让大家可以协作。

我们也在组织不同团队，邀请很多合作伙伴参与，有的提供想法，有的提供数据，有的负责训练，还有的提供算力。希望再过几个月，我们就能在现有开源模型的基础上，推出自己的模型。我很期待看到这个社区会怎么发展，以及接下来几个月我们能拿出什么成果。

主持人：那邓煜呢？是什么让你决定和Terence一起参与这个项目？它的哪些地方特别打动你，让你觉得有启发，或者直觉上就觉得这件事值得做？

邓煜：原因其实很简单。刚才也说了，科学一直是开放的，那么用于科学研究的AI也应该是开放的，不应该建立在闭源AI工具之上。我最早是在国际数学家大会期间，和SAIR的人取得联系的。当时我们聊了一些事情，也讨论过一些具体项目。

后来，9月份发生了那件和研究笔记有关的事，建立开放数学模型就变得更紧迫了。与此同时，我也在和南加州大学的朋友联系，发现他们做的事情和我们完全一样，连计划都很相似。

现在，世界各地有不少团队都开始往这个方向做。我觉得这已经是一种趋势：整个学术界，至少数学界，会尽力让数学和科学继续保持开放。当然，具体落实还有很多工作要做，但这就是我们的基本想法。

AI越强，人越要会问对问题

主持人：我觉得，有数学家参与和支持也特别重要。这不能只是AI领域单方面的努力，也不能只靠数学家，双方的经验和想法都要结合起来。

那换个角度，有了这些模型之后，你们觉得人的创造力里，哪些部分会变得最重要？AI应该怎样和人合作，才能真正帮到人，而不是取代人？

陶哲轩：关键是让人的能力变强。我们要想办法，把工具交到科学家、数学家或者其他人手里，让他们在使用工具的过程中，自己也变得更聪明，对问题的理解更深，而不是为了从AI那里得到一个答案，反过来牺牲自己的能力。

这和其他技术一样，还是拿汽车打比方：如果你去哪儿都开车，最后可能连怎么走路都快忘了，或者至少身体会越来越缺乏锻炼。但这不意味着你就应该彻底放弃汽车，而是要有意识地想清楚了再用。

我觉得我们可以相信大家，尤其是年轻一代。现在，数学领域很多过去熟悉的规则都在变，大家可能会焦虑，甚至感到绝望。但只要他们弄清楚现在能做什么，尤其是当这些工具真正掌握在他们手里时，他们就会迎接挑战，做出一些非常有创意的新东西，让我们忍不住说：“哇，这我怎么就没想到？太棒了！”我对年轻人很有信心。只要给他们合适的工具，他们一定能做出令人惊叹的事情。

邓煜：首先，AI就是一种工具，它本身并没有天然的好坏之分。真正重要的是围绕它建立的整套机制。比如开放性，我觉得这就是一个关键条件：AI工具要对学术界的健康发展有帮助，长期给大家带来好处，就需要保持开放。

然后才是在AI时代，人的哪些能力最重要。就像刚才说的，将来肯定还会出现很多新的用法、新的想法。我先举几个例子。一个是提问的能力，尤其是提出恰当问题的能力。AI解决了一个问题之后，通常又会直接引出几个更多、也很有意思的新问题，你就可以接着去探索。

我在报告最后的幻灯片里画过一张图，想表达的就是：你可以先沿着AI走过的路线前进，然后自己转向新的方向，展开新的探索。这就要求你能问对问题，也要有整体规划。我们已经看到一些例子：如果人对一个问题有很好的理解，最好连证明的路线都已经想清楚了，知道“只要这样做，再那样做，这个问题就能解决”，那么AI也许就能把它完成。

我的合作者比约恩·布林格曼昨天刚给我看了一个例子，是一个具体的随机偏微分方程问题。大家已经大致知道该怎么做，他就用GPT Astra试了一下，结果一两天就解决了。但这还是要求你先对问题有足够深入的理解，脑子里有一个证明计划。当然，还有提出全新想法的能力。总的来说，就是那些让你能引导AI，也能不依赖AI，独立开展研究的能力。

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。