当 AI 解决开放的数学问题时，天才还剩下什么？

数学长期以来被视为纯粹的智力衡量标准。与大多数科学不同，它不依赖于实验室设备、实验噪音或测量工具。一个证明要么是正确的，要么是错误的。这种清晰度就是为什么伟大的未解问题——抵制所有已知技术的猜想——成为一种知识上的珠穆朗玛峰的原因。

历史往往讲述同样的故事：一个问题悬在空中数十年或数百年，直到一个罕见的思想出现——有人拥有耐心、创造力和技术能力的罕见组合，能够看到别人没有看到的路径。我们庆祝“孤独的天才”，因为在数学中，这个叙事往往适用。

但一个新的模式开始出现。在 2025 年末和 2026 年初，关于几个埃尔德什问题（著名的开放问题集，由 Paul Erdős 收集）的在线讨论表明，AI 辅助证明可能已经以异常快的速度解决了多个问题。其中一些证明草图据报道已由领先的数学家审查，包括 Terence Tao，他公开谈论了 AI 作为数学协作者的日益重要的作用。然而，重要的警告仍然存在：数学不依赖于头条新闻。广泛接受通常需要时间——独立验证、仔细撰写和有时在证明检查系统中正式化。

即使有这种谨慎，广泛的观点仍然成立：世界正在第一次看到 AI 不仅仅是计算、总结或模式匹配，而是参与推理的过程。如果 AI 可以可靠地帮助解决人类几个世代以来一直纠结的问题，它迫使我们深入思考：
当机器可以先到达顶峰时，人类的天才会做什么?

“硅基推理”的机制

为了理解为什么这一刻感觉不同，它有助于区分两种版本的 AI，人们经常混淆它们。

早期的语言模型通常被描述为（公平地）能够预测下一个可能的词的系统。它们可能看起来令人印象深刻，但它们也容易出现“自信的无稽之谈”，因为它们缺乏减速、测试想法或自我纠正的能力。

新系统越来越多地依赖于不同的方法：测试时推理（有时被称为“测试时计算”）。与其立即产生答案，不如说模型可以花更多时间在单个问题上——生成候选方法、检查步骤是否在逻辑上符合、当遇到矛盾时后退并探索替代路线。在人类的术语中，它类似于数学家在白板上所做的事情：尝试、打破、修复和重复。

这在数学中很重要，因为进步很少是一条直线。最有前途的想法往往会失败。能够后退——没有自我、疲劳或沮丧——可以将不可能的搜索变成可行的搜索。

现代 AI 系统已经超越了简单的计算，提供了四种实用的能力，使它们感觉更像合作者，而不仅仅是计算器。它们擅长大规模综合，连接来自大量文献和小众子领域的想法，在这些子领域中，关键引理很少被引用。它们还实现了快速迭代，快速测试许多证明“路线”并丢弃死胡同，同时保留有前途的子结构。此外，这些机器有时会提出不寻常的启发式方法——中间构造，它们在逻辑上是合理的，但与人类的直觉不符。最后，它们产生了验证友好的输出，可以转换为正式的证明助手，如 Lean 或 Coq，为社区提供了一条提高信心的途径。

重要的是，这并不意味着 AI“理解”数学的方式与人类相同。这意味着更具体的东西：在正确的约束下，它可以生成能够经受住审查的推理链。在数学中，这就是重要的货币。

为什么埃尔德什风格的问题作为早期目标是有意义的

并非所有数学前沿都同样容易受到 AI 加速的影响。有些问题需要完全新的理论、新的定义或深刻的概念飞跃，这些飞跃在现有文献中没有很多立足点。但其他问题——尤其是在组合数学、数论和离散数学中——往往具有不同的形状：

• 陈述足够简单，可以向非专家解释。
• 已知的工具丰富，分散在论文中，容易被忽略。
• 进展往往来自以巧妙的方式组合现有结果。

埃尔德什问题通常符合这个特征。它们以容易表述但难以解决而闻名，生活在一个领域中，证明可能涉及技术的拼缝：概率方法、极端组合数学、遍历理论、谐波分析等。

这使得它们成为对 AI 的“压力测试”的有用工具。如果一个系统可以为一个问题提出可信的证明策略，而这个问题已经抵制了广泛的人类努力，那是有意义的——即使它最终证明（有时会发生）关键思想已经隐含在较旧的工作中，或者证明需要在成为经典之前进行抛光。

换句话说：这个故事不是“AI 取代数学家”。这个故事是 AI 可能会缩短“结果存在某处”和“社区实际可以看到它”之间的距离。

当 AI 重新发现人类遗忘的东西时

现代科学中最有趣的模式之一不是人类缺乏知识，而是我们难以 检索 知识。

数学是巨大的。结果分散在几十年的期刊、研讨会笔记和具有自己语言和惯例的小领域中。即使是优秀的数学家也可能忽略一个在小领域内“显而易见”的定理。随着时间的推移，整个推理链可以变得埋没——不是因为它们是错误的，而是因为注意力转移到了其他地方。

AI 通过愿意搜索人类很少看的枯燥角落来改变这种动态。它还可以桥接方言，在人类传统上分开的思想之间建立联系。

这是很多人看到最深的承诺的地方。即使 AI 不是从零开始创造新的数学，它也可以像一个超强大的“知识挖掘机”一样，重新发现被遗忘的结构，并以新的方式重新组合它们。

“大数学”转变：从证明作者到指挥家

如果 AI 继续改进，最大的变化可能不是机器解决更多定理。它可能是人类数学家的角色发生了变化。

几个世纪以来，做数学意味着在证明本身上投入巨大的努力——找到一条路线，验证每一步，并以其他专家可以检查的方式写下来。这项工作是手艺的一部分。但它也是一个瓶颈。许多有前途的想法仅仅因为需要人类时间来完全执行和正式化它们而被放弃。

在一个 AI 加速的世界中，证明变得不再稀缺。这并不使数学变得琐碎。这改变了困难之处在哪里。

数学家作为制图师，而不是计算器

如果证明不再是主要的瓶颈，“天才”转向更高层次的任务。选择最有价值的问题来解决成为人类的核心责任，设计新的抽象概念，如不变量和领域桥接定义也是如此。此外，伟大的思想将专注于通过绘制猜想景观和协调发现来构建研究计划，同时还将抽象结果转化为其他领域的功能工具。

可以把它想象成国际象棋中计算机出现后的转变。人类的国际象棋并没有在计算机超过我们之后结束。相反，精英玩家进化了。人类学会了向机器提出更好的问题，解释其建议，并开发将直觉与计算相结合的策略。

数学可能会经历类似的转变——除了赌注更大。新的数学工具可以重塑密码学、优化、机器学习、物理学和经济学。如果 AI 减少了发现的成本，下游的影响可能会很大。

这是“自由思考”，还是只是非常快速的搜索?

一个合理的怀疑者可能会说：这不是智慧，这只是蛮力。给机器足够的计算能力，它就会偶然发现一些有效的东西。

这里有一个真正的观点。AI 确实带来了规模。它可以尝试很多路线。但最有趣的案例并不是随机的碰撞——它们涉及结构化的综合：连接概念，在陌生环境中重用引理，并组装一个连贯的推理链，可以让专家验证。

在实践中，“搜索”和“思考”之间的界线变得模糊。人类数学家也在搜索——通过想法、通过类比、通过部分结果。重要的是这个过程是否可以可靠地生成新的、可验证的真理。

如果 AI 能够一致地做到这一点，那么标签就不那么重要了。无论如何，边界都会转变。

哪些边界可能会下一个倒下?

如果 AI 继续改进，我们应该期待一个模式：首先倒下的问题往往是那些已经存在但分散的知识、可以重新组合现有技术以及可以快速提高信心的正式验证的问题。

可能的近期目标包括：

• 极端组合数学和图论： 丰富的工具包、众多已知引理和许多以干净的离散术语定义的问题。
• 加法数论： 跨技术证明和“桥梁”论证的沃土，它们连接了领域。
• 优化和复杂性邻近问题： 不是最深层的“P vs NP”级别，而是许多小的结构结果，围绕算法和界限。
• 可形式化的子领域： 已经部分编码到证明助手中的领域，AI 可以加速从想法到经过验证的定理的转换。

大问题——像千禧年大奖问题——可能仍然需要深刻的概念发明。但即使在那里，AI 也可以蚕食周围的环境：证明引理、探索特殊情况并构建脚手架，使最终的人类（或混合）飞跃更有可能。

哲学转变：问题提问者的回归

当我们自动化证明的机制时，我们被迫面对一个一直存在于学科开始的现实：数学始终是哲学的一个子集。历史上，我们物种中最珍贵的智力是那些能够与生活中最有意义的问题搏斗的人。古希腊人没有将数字的研究与存在的研究分开；对于他们来说，一个数字的“无理性”是一种灵魂危机和逻辑危机。

在现代时代，我们将人类“天才”的价值转向了主计算器——能够执行三百页证明的密集的手动劳动的人的思维。我们将智慧等同于作为生物处理器的能力。但是，当 AI 开始先于我们到达这些证明的顶峰时，这个技术瓶颈就会消失。这并不降低人类的智慧；它迫使人类的智慧“向上移动”。

未来的杰出人才将不再是那些能够以极高的效率执行已知过程的人，而是能够定义什么值得发现的哲学家。 当“如何”成为硅提供的商品时，“为什么”成为唯一剩下的稀缺资源。我们正在回到博学家的时代，在那里提出一个改变人生的问题的能力——构想一个新的意义前沿——是至高无上的技能。就像从铲子到挖掘机的转变一样，我们不再因为能够用手挖掘而受到重视，而是因为我们在决定哪里打破地面方面的远见。

结论：一个天才向上移动的未来

如果 AI 能够帮助解决曾经需要一个世纪天才的问题，它并不意味着我们没有数学可做。它意味着我们改变了做数学的方式。

在一个证明变得廉价的世界中，稀缺的资源变成了其他东西：好的问题、有用的抽象和解释数学的含义的能力。

未来的“独特智慧”可能看起来不像一个孤独的人花几十年时间推敲一个证明，而更像是一个思想的制图师——一个人，可以看到哪些山脉值得攀登，以及如何协调人类和机器一起攀登的新型远征。