陶哲轩带头掀桌！25位菲尔兹奖得主联合发声怒批AI刷榜

陶哲轩联合全球25位菲尔兹奖得主，刚刚对外发布了一份联合声明。

这份声明题为《数学领域中人工智能的严重失衡》。

参与签名的阵容极具分量，包括德利涅、舒尔茨、海尔、维拉尼、维亚佐夫斯卡等25位菲尔兹奖得主，相关声明已经上线专门网站，经济学人也同步进行了报道。

中国数学家，2026年菲尔兹奖获得者邓煜也在其中，邓煜开玩笑说：“如果人工智能能解决所有数学难题，我就去写言情小说”

我们来看看陶哲轩们说了什么

为什么大模型能解题，数学家却慌了

过去几个月里，大语言模型的数学能力大幅提升，甚至能解决多个数学领域的重大悬案。

但各大AI公司把攻克数学难题当成跑分指标来推进，这件事正在对数学这门科学、对整个数学界产生破坏。

AI公司的目标，和数学界的核心追求，已经产生了严重的分歧。

数学研究的本质，是理解形状、数字和自然现象的基本结构。一代代数学家花费数百年建立起庞大的方法、概念和工具体系，才构成了现代科技与科学的基石。

历史上的著名数学难题，原本只是用来丈量人类认知深度的灯塔。

攻克一个难题，代表着人类找到了全新的认知视角和研究方法。

随后，整个数学共同体需要经历极其漫长而艰苦的报告、讨论和简化过程。

最终，这些成果会被写进教材，让研究生甚至本科生都能学懂。其中一些核心思想，会在几十年或几个世纪之后，变成全人类都能理解并使用的通用工具。

AI正在打碎这根传承链条

数学界就像一个缩微版的人类社会。

这个群体最宝贵的财富，是年轻学生和思想雏形。

数学家给学生布置题目，核心目的是训练学生的研究能力，让他们在未来能独立探索未知。他们通过学术报告、面对面讨论和严谨的论文来传播思想，把新想法与前人的积累连接起来。

这些过程必须耗费大量时间，必须建立在人与人的直接交流之上。

然而在AI时代，事情全变了。

AI在短时间内批量制造出对与错的结论。这种疯狂的做题速度，并没有给新思想带来养分，反而是在破坏孕育新思想的土壤。

解题原本只是获取概念理解的一种工具，现在工具却反客为主。

很多由AI主导的解题成果发布得极其仓促。

团队往往来不及写出严谨的论证过程，来不及提炼出其中的新方法，更来不及规范引用前人的工作。

这直接带来了严重的成果归属问题，甚至引发了抄袭争议。

更关键的是，如果没有人类数学家去深入消化这些成果、把它们整理进数学知识体系，AI产生的想法就永远无法真正活过来。

数学家之间关键的代际传承，会彻底断裂。

这不只是数学界一家的危机

声明指出，全人类的智力劳动现在都面临着同样的威胁。

在很多专业领域，多年严格训练的目的，不仅是为了交付最终的产品或答案，更是为了培养人类的理解力，以及提出全新问题和想法的能力。

AI依靠人类积累的庞大知识库，跳过了中间过程，直接吐出最终结果。

工具的应用结果，彻底背离了这项工作的初衷。

AI确实有潜力去加速真正的数学探索。数学作为一门职业，也必须做出改变去适应这项技术。

但这门技术最终会造福人类还是带来毁灭，取决于掌控它的人做出怎样的抉择。

数学界、开发这些技术的AI公司，以及即将面对类似冲击的整个人类社会，都必须立刻正视这个危机。

全文：数学领域中人工智能的严重失衡

在过去的几个月里，大语言模型（LLM）的数学能力得到了显著提升，甚至已经能够解决许多数学领域中的重大未决问题。然而，人工智能公司将解决数学问题作为基准测试（Benchmark）来推进的做法，对数学这门科学以及数学界都是不利的。人工智能公司的目标与数学界的目标之间存在严重的脱节与失衡。我们认为，这属于更广泛的人工智能对齐问题的一部分，不仅冲击着其他科学和创造性职业，也影响着整个社会。

数学研究的核心在于理解形状、数字和自然现象的基本结构。历经数代人的努力，数学界构建了一个由深奥思想、方法、抽象概念及其他工具组成的庞大体系，用以理解数学的宏观图景。相应地，现代技术与科学也建立在数学工具的基础之上。

著名的数学难题往往扮演着路标和灯塔的角色，人们可以借此衡量对这一宏观图景的认知是否有所提升。解决其中一个问题，必定标志着人类获得了新的见解和有趣的方法；随后，整个数学界会通过报告、研讨和简化等漫长而艰苦的过程，对这些成果进行深入研究。在这一过程的终点，理想情况下会形成适合任何研究生甚至本科生学习的教材化呈现。其中一些数学思想还会继续发展，在几十年或几个世纪之后，演变为全人类都能理解并使用的通用工具。

在许多方面，数学共同体的运作方式就像是人类社会的一个缩影。它由运用各种不同方法的个体组成，因共同的核心价值而凝聚在一起。在我们这项职业中，最宝贵的资源是学生和思想，我们倾注心血予以悉心培育。我们有责任让他们充分发挥潜力，直至能够在数学世界中独立立足。对于学生，我们提出问题的主要目的，是培养他们的专业技能，使他们具备在学术研究及其他领域取得进展的能力。对于思想，我们通过学术报告、私下探讨和严谨的论文撰写来传播，并将其与前人的思想脉络相连接。这些过程必然需要耗费时间，并且建立在人与人之间的互动基础之上。

近几个月来，人工智能在解决重大数学难题上的成功甚至成为了数学圈外的头条新闻。然而，解决具体问题仅仅是一种工具和手段，其终极目标是实现深层的概念理解与学术洞见。在人工智能的世界里遗忘这一点，可能会让工具反噬最终的目标。事实上，以越来越快的节奏大规模制造“真/假”命题，可能会摧毁滋生新思想的肥沃土壤，而不是为其注入生命力。

通常，这些解决方案都是仓促发布的，根本没有留出足够的时间进行规范的论文撰写、提炼新方法与新思想，以及规范引用他人的相关前置工作。正如在所有创造性职业中一样，这引发了严峻的学术成果归属与剽窃问题。此外，如果没有意愿投入的数学家来负责推进这些成果并将其整合进数学知识体系中，人工智能构想出的思想就永远无法真正焕发生机，数学家之间至关重要的代际传承链条也将随之断裂。

我们正在目睹一场针对智力劳动的普遍威胁，即使用人工智能所产生的结果与其最初的意图之间出现了脱节。在许多领域和活动中，多年的系统训练不仅是为了产出一个最终答案或产品，更是为了培养人类的理解力，以及构思新问题和新思想的能力。然而，建立在人类庞大前人工作之上的AI系统，正变得越来越有能力直接生成此类工作的最终结果，使得这些目标不再保持一致。数学界当前面临的问题，与其他科学和创造性行业正在面临的问题类似，也预示着全人类都可能面临的危机：随着人工智能改变工作方式，我们如何确保自己不会迷失这项工作最初旨在实现的根本目标。

人工智能确实蕴含着增强和加速真正的数学研究与理解的潜力。数学作为一门职业，将需要从多方面适应这些变化。然而，这些变化最终是造福该领域还是带来破坏性影响，很大程度上将取决于掌控这项新技术的决策者。

这些问题必须尽快得到解决——在数学界内部、在开发这些技术的公司内部，以及在更广泛的、即将在许多其他智力劳动形式中遭遇类似问题的社会之中。

签署人（25位菲尔兹奖得主）：

• • Artur Avila（2014年菲尔兹奖）

• • Manjul Bhargava（2014年菲尔兹奖）

• • Caucher Birkar（2018年菲尔兹奖）

• • Pierre Deligne（1978年菲尔兹奖）

• • Yu Deng（2026年菲尔兹奖）

• • Simon Donaldson（1986年菲尔兹奖）

• • Hugo Duminil-Copin（2022年菲尔兹奖）

• • Alessio Figalli（2018年菲尔兹奖）

• • Martin Hairer（2014年菲尔兹奖）

• • June Huh（2022年菲尔兹奖）

• • Maxim Kontsevich（1998年菲尔兹奖）

• • Elon Lindenstrauss（2010年菲尔兹奖）

• • Pierre-Louis Lions（1994年菲尔兹奖）

• • James Maynard（2022年菲尔兹奖）

• • Curt McMullen（1998年菲尔兹奖）

• • Shigefumi Mori（1990年菲尔兹奖）

• • Ngô Bảo Châu（2010年菲尔兹奖）

• • Andrei Okounkov（2006年菲尔兹奖）

• • Peter Scholze（2018年菲尔兹奖）

• • Stanislav Smirnov（2010年菲尔兹奖）

• • Terence Tao（2006年菲尔兹奖）

• • Maryna Viazovska（2022年菲尔兹奖）

• • Cédric Villani（2010年菲尔兹奖）

• • Wendelin Werner（2006年菲尔兹奖）

• • Efim Zelmanov（1994年菲尔兹奖）

--end--