一句话看懂：数学家陶哲轩在 2026 年国际数学家大会论文中警告，AI 正在迫使数学界回答“研究到底为了什么”，其冲击或堪比哥德尔不完备定理引发的数学基础危机。核心矛盾不再是“AI 能否做数学”，而是当机器生成的证明泛滥，人类对“理解”和“贡献”的定义将被彻底改写。
事件核心：发生了什么
陶哲轩（Terence Tao）在一篇为 2026 年国际数学家大会撰写的论文中提出，AI 将很快能完成“相当比例”的研究级数学任务，并以“First-Proof Project”第二轮结果作为佐证：在受控条件下，四个 AI 系统面对十个从未发表的研究问题，其中七个至少获得一个系统的“通过”评级（即无需重大修改的成果），单题成本仅数十至数百美元。
他警告，数学界正从“证明稀缺”滑向“证明泛滥”。Erdős 问题数据库中已出现数十个无人愿意审核的 AI 生成证明。同时，AI 润色后的证明抹去了人类草稿中的“摩擦痕迹”——那些反复修改的段落、笨拙但有效的引理——使论文“易读难学”，人类读者反而失去重要的学习信号。陶哲轩本人承认在文献检索、图表制作、文本补全和幻灯片转论文等环节使用了 AI 工具。
为什么重要
这场讨论的层级远超“AI 会不会解数学题”的技术问题。陶哲轩引入古德哈特定律（Goodhart’s Law）指出：当某个指标成为目标，它就不再是好指标。AI 产业对“可引用的、可基准化的成果”的财务激励，恰好会放大数学界长期以论文数量、证明正确性作为深层目标的替代指标的行为，从而扭曲学科价值体系。
他建议行业以 2026 年 6 月发布的《莱顿人工智能与数学宣言》为行动框架，并给出实操准则：如果作者无法就成果做清晰、正确的专家级口头报告，论文就不应发表。这意味着“形式上被验证的证明”不再等于“完整的数学贡献”，人类解释能力被重新设为出版门槛。此举对整个知识生产范式——不只是数学，也包括使用大模型辅助科研的领域——都有示范效应。
对用户/开发者/创作者的影响
对于使用大模型辅助写作、编程或研究的开发者与创作者而言，陶哲轩的批评具有直接警示：AI 生成的“过度顺滑文本”会隐藏真正困难的部分，容易阅读但难以学习。在AI训练与推理成本持续下降的背景下，产出效率不再是核心竞争力，“能否清晰地向人类解释成果”将取代“能否快速生成输出”成为新的评价维度。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对数学及科研领域的工具开发者来说，这意味着下一阶段的 AI 应用应侧重可解释性、过程透明度和可审计性，而非单纯追求生成质量。对教育者，它强调训练环节需严格控制 AI 介入程度，否则会削弱学生建立“不可还原的人类思维”能力。陶哲轩特别指出，培养数学家的目标不是“产出正确的作业”。
值得关注的后续
目前公开信息显示，陶哲轩的论文已于 2026 年国际数学家大会发布，但学界对该提案的正式回应尚不明确。以下三点值得持续跟踪：
第一，《莱顿宣言》能否获得数学主流机构的实质采纳，例如改写期刊的审稿指引或机构的评估指标；第二，陶哲轩提出的“口头试讲”准则能否从数学界扩展到其他 AI 辅助科研领域，形成跨学科出版规范；第三，AI 行业对“过度顺滑输出”是否会出现产品级修正，例如在模型推理结果中主动保留不确定性标记或“草稿摩擦”层，以支撑人类的深度理解需求。
