AI在数学领域取得突破性进展，连续破解多项世纪难题并引发学界对研究范式变革的深刻危机感

AI数学突破：从竞赛到前沿难题的范式转移

过去多年，开发者们一直被迫忍受关于AI将取代人类、窃取饭碗的焦虑言论。尽管偶尔伴随身份认同危机，但大多数开发者实际上过得还不错。然而，数学家朋友们的处境可能截然不同。在过去三周内，AI破解的开放数学问题数量超过了人类过去十年的总和。这一转变标志着竞争数学与前沿研究之间的界限正在迅速消融。起初，当某些模型在国际数学奥林匹克竞赛（IMO）的六道题中解决了五道时，人们认为这并不可怕，因为竞赛数学被视为“泄露代码”式的已知问题。但随后，AI开始触及真正未知的领域。2026年5月，一个OpenAI模型推翻了一个拥有80年历史的埃尔德什单位距离猜想（Erdős unit distance conjecture），这让许多人感到不安。这种从“解题”到“发现反例或新构造”的转变，标志着AI在数学研究中角色的根本性升级。数学家们开始意识到，机器不再仅仅是计算器或辅助工具，而是潜在的独立发现者。

学界反应与莱顿宣言的失效

面对AI的快速渗透，数学界试图建立规范但收效甚微。2026年6月，来自15所大学的16名研究人员发表了《莱顿宣言》（Leiden Declaration）。该文件礼貌地呼吁全球为AI在数学研究中的应用建立护栏和监管框架。然而，这一警告被世界礼貌地忽视了。这种忽视反映了学术界对技术进步的复杂心态：既恐惧其颠覆性，又难以抗拒其带来的效率提升。与此同时，顶尖数学家也开始公开表达担忧。特伦斯·陶（Terence Tao）——这位10岁就获得国际数学奥林匹克奖的神童，在2026年8月于国际数学家大会（ICM）上发言。他警告称，数学价值观和实践的基础正面临危机。陶的言论代表了传统数学界对“机器生成证明”合法性和可靠性的深层焦虑。如果证明可以由AI快速生成，那么数学的严谨性、人类理解的过程以及同行评议的传统流程都将受到挑战。这种危机感并非来自对技术的无知，而是源于对自身专业核心价值的动摇。

雅可比猜想：世界杯决赛期间的颠覆

20数学家Levent Alpöge在世界杯决赛期间，利用AI助手Fable推翻了一个著名的代数几何猜想——雅可比猜想（Jacobian Conjecture）。这是一个自1939年以来被认为“显然为真”但从未被证明或证伪的问题。雅可比猜想的核心思想是：如果一个多项式函数在每一点的导数都“检查通过”（即局部可逆），那么整个函数应该是全局可逆的。由于这一性质在直观上如此强烈，它被列入了斯米尔诺夫（Smale）21世纪最困难问题列表。Levent Alpöge与Fable的合作，仅用极少的交互就找到了反例。

"I couldn't believe it. I had trouble sleeping for the first couple of nights I was out." - 一位数学家对AI推翻80年猜想的反应

这一事件具有象征意义：它发生在全球关注的体育盛事期间，暗示数学界的重大突破已变得日常化甚至被大众忽视。雅可比猜想的失败表明，即使是基于深刻直觉的长期信念，也可能在AI面前不堪一击。Levent Alpöge的成功并非孤立事件，而是人机协作新模式下的必然产物。AI提供了人类难以想象的高维空间搜索能力，而数学家则负责提出假设和验证逻辑。这种分工打破了传统数学研究中“孤独天才”的叙事，转向了分布式、迭代式的智能协作。对于公众而言，这可能只是新闻中的一行字；但对于数学界来说，这是认识论层面的地震。它迫使人们重新思考：什么是数学真理？如果机器能证伪，那么人类的直觉还剩下多少价值？这一事件标志着“猜想-证明”传统模式的终结，开启了“假设-AI验证-人类修正”的新纪元。

稠密图猜想：7个节点的致命反例

就在雅可比猜想被推翻两天后，另一个拥有30年历史的图论猜想——稠密图猜想（Dense Graphs Conjecture，字幕中提及为dense garments conjecture，结合语境应为图论相关）也被AI推翻。该猜想可以类比为快递路由问题：如果允许货物拆分到多条路线运输，是否总能将它们打包成单一未拆分的路线而不增加总成本？ 三十年来，数学家们假设答案是肯定的，但无法证明。研究者Dimmitri Ryben向GPT-5.6提出了这一挑战，模型迅速生成了一个仅包含7个节点和9条边的微小网络反例。

在这个微小的网络中，强制将所有货物合并为单一路线的成本始终高于允许拆分。这一结果以极简的结构推翻了复杂的长期假设。GPT-5.6并未进行庞大的计算，而是通过模式识别找到了一个边界案例。这展示了AI在组合优化和图论中的独特优势：它不依赖直觉，而是通过遍历可能性空间寻找反例。Dimmitri Ryben的成功并非特例。同一周，一名哥伦比亚博士生在5天内解决了6个开放问题，一名23岁的业余爱好者也解决了一个。这些案例表明，AI正在 democratize（民主化）数学研究，使得非顶尖机构或非全职研究者也能参与前沿突破。传统上由精英数学家垄断的“难题破解”权力，正在向更广泛的人群扩散。这种去中心化趋势可能加速数学知识的积累，但也可能导致证明质量的参差不齐和验证标准的混乱。当任何人都能借助AI提出反例时，数学界的共识机制将面临严峻考验。稠密图猜想的失败不仅是技术上的胜利，更是社会结构上的变革信号。

OpenAI与Anthropic的军备竞赛：从球体堆积到黎曼猜想

随着独立研究者的突破，大型科技公司迅速介入。两周前，OpenAI宣布其下一代内部模型解决了10个数学和理论计算机科学领域的开放问题。这些证明均附带Lean证书，即可由编译器机械检查的形式化证明。这是数学验证史上的重大飞跃：从人类阅读转向机器可执行验证。

OpenAI的举动引发了竞争。Anthropic随即反击，宣布其未发布模型在黎曼猜想（Riemann Hypothesis）上取得进展。黎曼猜想起源于167年前，涉及素数分布规律，是七个千禧年大奖难题之一，悬赏100万美元。令人惊讶的是，发现者并非Anthropic的数学家，而是BunJS创始人Jared Sumsar。他在慢跑时向Claude提问，要求模型认真尝试证明该猜想。Claude首先生成了650个错误思路。

"Jared then told it to try again, and this time the model spent a day and a half coordinating 60 sub agents inside claude code, running 2400 shell commands..."

Jared要求模型重试。这次，Claude在一天半内协调了60个子代理（sub-agents），运行2400条Shell命令，编写数百个Python脚本，消耗了3100万个输出令牌。虽然未完全证明黎曼猜想，但模型将“可证明满足该假设的解的比例”从41%提升到了67%。这一进步被Anthropic的两位数学家验证，并由两位外部数论专家检查，最终形式化为Lean代码。这一过程展示了大规模并行计算与人类监督结合的力量。3100万令牌的消耗和60个子代理的协作，标志着AI数学研究已进入“工业级”规模。这不再是简单的问答，而是复杂的工程化探索。Anthropic的成果虽然未获百万大奖，但其方法论的突破可能比单一答案更具价值。

数学未来的危机与机遇：Lean证明的机械验证

上述所有案例共同指向一个核心趋势：数学证明正在经历从“人类可读”到“机器可验证”的范式转移。OpenAI和Anthropic的成果都强调了Lean证书的重要性。Lean是一种形式化证明助手，能够将数学逻辑转化为计算机可执行的代码。这意味着证明的正确性不再依赖于人类的信任或同行评议的共识，而是由编译器保证。这种转变解决了数学中长期存在的“隐性错误”问题。然而，它也带来了新的危机：如果证明可以由AI生成并机械验证，那么数学家的工作是什么？是提出假设？是设计算法？还是仅仅作为AI输出的审核员？

"Terrence Tao... warned of a crisis in the foundations of mathematical values and practices."

特伦斯·陶的警告并非危言耸听。数学的传统价值观建立在人类理解、直觉和逻辑推导之上。当AI能够生成比人类更复杂、更难以理解的证明时，数学的“可解释性”将受到挑战。此外，AI生成的反例可能基于人类无法理解的逻辑路径，这使得数学家难以从中获得新的洞察或灵感。这种“黑箱”性质可能阻碍数学理论的发展，因为数学家不仅需要知道答案是否正确，还需要理解为什么正确。

另一方面，AI也带来了前所未有的机遇。它使得解决长期停滞的问题成为可能（如球体堆积边界），并让业余爱好者和非精英机构也能参与前沿研究。数学研究的民主化和加速化是不可逆转的趋势。未来的数学家可能需要具备编程能力、AI协作技巧以及形式化验证知识。传统的“孤独思考”模式将被人机协同的迭代探索所取代。数学不再仅仅是关于真理的发现，更是关于如何有效地利用智能工具来逼近真理的艺术。

结语：疯狂时代的数学新纪元

2026年的夏天，数学确实“跌倒”在了机器面前。但这并非终结，而是新生的开始。从雅可比猜想的推翻到黎曼猜想的比例提升，AI展示了其在数学研究中的巨大潜力。大型科技公司的竞争、独立研究者的突破以及形式化验证的普及，共同构成了这一变革的背景。数学家们面临的不是失业危机，而是角色转型的挑战。

"We live in crazy times, but stuff like this wouldn't be possible without amazing cloud providers..."

正如视频赞助商Railway所暗示的，基础设施（如云计算）是这一变革的基础。没有强大的算力支持，AI无法运行数百万次的命令和生成复杂的证明。数学的未来将深深嵌入在计算科学之中。对于读者而言，理解这一趋势至关重要：无论你是否是数学家，AI在逻辑和抽象推理领域的进步都将影响整个科技生态。数学作为科学的语言，其变革将波及物理、工程乃至人工智能本身。接受并适应这一变化，将是未来十年所有知识工作者的重要课题。数学没有死，它只是换了一种方式在机器中重生。