一场地毯式轰炸之后
周二晚上，一位菲尔兹奖得主哭了，还把女儿吵醒了。
Hugo Duminil-Copin，2022年数学界最高荣誉菲尔兹奖得主、法国概率论学家，在自己的X账号上写下了一段话：「The shock is immense. I am paralysed.」他在2026年8月发表的一篇文章中曾将AI生成的证明比作核爆——它们「nuke the mathematical landscape, making it increasingly difficult to inhabit after each blast」。他可能没预料到，真正的地毯式轰炸来得这么快。
10月6日晚间，OpenAI在GitHub上公开了一个名为openai/math的仓库。722篇由AI生成的数学手稿，分属372个结果家族，涵盖377项新证明，由一款尚未发布内部名称的前沿模型生产。模型尝试解答了约4000道数学问题，最终筛选出这些成果，平均每项消耗的算力约等于ChatGPT Pro连续推理三个小时。
其中16个问题的解，正好砸在Duminil-Copin过去二十年最核心的研究方向上。他在10月8日的一场内部研讨会上放了一张幻灯片，上面画着几辆卡车。他说大约350个重大未解问题消失了——包括他在讲座、论文和资助申请中引用过的所有方向，过去的，还有未来的。引用他的论文大约有3500页。他整个学术生涯产出大约3700页。六篇论文加上600多页的证明落到组里的一个活项目上。还有一千多页砸向了他另一个研究领域。
「他们彻底摧毁了我的研究领域。」
这不是修辞。
一次权力的展示
数学界对OpenAI的发布方式反应迅速而激烈。但最值得注意的，是第一批站出来的人说了什么——他们几乎没有讨论这些证明本身的质量。
哈佛大学数学教授Lauren Williams的批评一针见血：「这些论文的符号和语言不自然，推理过程也不清晰，一个有自尊的数学家是不会将这种手稿发布于世的。」
OpenAI自己也知道问题。发布后不到24小时，仓库就撤回了三篇论文——一个符号错误导致了一项论证及其两篇依赖论文全部崩塌。随后又有14篇被修正。尽管OpenAI发言人表示「我们预计错误会相当罕见」，但在超过一半没有经过Lean形式化验证的手稿面前，这句话的保证力有限。
所谓Lean验证，是指将定理和证明翻译成一种可以被计算机逐步检查的编程语言。约42%的主要结论完成了这一过程。但Lean只能保证形式化命题内部的逻辑成立，无法保证它准确对应自然语言手稿中的原始论证——而提出了一个结果却没有解释它，对数学界来说和一个不存在的结果几乎没区别。
10月7日，陶哲轩转发了人类数学协会（AHM）的一份声明，当中写道：「释放超过700份文件不是学术成就的展示，而是权力的展示。」声明指出，数学家们并没有要求AI做这些工作。OpenAI声称其合法性的数学AI顾问组，在最初的声明中就明确表示，前沿AI公司不应用内部模型测试高等数学问题。OpenAI无视了这一核心原则。
牛津大学教授Martin Bridson的回应同样清醒：「我们应该拥抱机器提供的力量，但不应被束缚着追随它们的脚步。」
当探索的过程被跳过
数学研究的价值从来不限于最终答案。
Duminil-Copin曾在采访中回忆，自己在攻克某个概率论猜想时经历了多次失败。这些失败产生了大量新想法，后来被用于其他研究方向，带来了此前完全没预料到的发现。他认为，正是这种「在黑暗中摸索」的过程，推动着数学知识的真正生长。
这不是一个怀旧者的自白。这是数学作为一种人类认知活动的基本特征。
20世纪数学家威廉·瑟斯顿（William Thurston）很早就意识到了这一点。他在一篇题为《论证明与数学的进展》的文章中写道：「数学知识的传播不仅仅取决于它被写下，更取决于它将多少人的注意力转向了数学的某些部分以及它们的意义。」瑟斯顿观察到，当他快速证明了一批三维流形的定理之后，相关领域的研究者大量离去——不是因为他们被击败了，而是因为他们觉得方向已经被「清理干净」，没有继续探索的空间了。
瑟斯顿说，人们告诉他——不是在抱怨，而是作为赞美——「你正在杀死这个领域」。研究生不再研究这个方向，不久后他自己也转向了其他兴趣。
今天的情况，比瑟斯顿面临的任何局面都更极端。当年是一个天才清空一个子领域。现在是一个模型同时清空几十个领域。区别不在于方法的优劣，而在于余量的消失——过去一位天才至少需要几年才能完成这项工作，期间其他人有足够的时间调整方向、找到新问题。而722篇手稿是在一夜之间上线GitHub的。
年轻数学家：第一波被碾过的群体
受影响最深的，不是已经有稳定职位的大教授，而是博士、博士后和早期职业研究者。
传统上，导师会为研究生选择一道预计几个月能够解决的小问题。学生在反复试错中训练直觉，学会如何提出正确的问题。这是数学学术训练的基石。
如今，这批「训练问题」被模型几周之内全部解开。一个博士生潜心研究了两年半的课题，很可能在某天早晨发现自己已经「被发表」了。方向需要重新选，资历需要从零积累——而AI翻过这些问题的速度，远快于任何人的职业生涯规划。
Lauren Williams在邮件中写道：「OpenAI产出的手稿声称解决的问题抢走了许多年轻人的研究，包括研究生和博士后。」终身教职的教授被抢了问题还能保住体面，但职业生涯前五年的年轻学者，几乎没有缓冲空间。
Jacob Tsimerman，多伦多大学教授，2026年7月刚拿到菲尔兹奖。获奖不到十天，他在一次采访中说自己「在哀悼」。他哀悼的是那种可以为一个题目想上好几年的工作方式——他本人的获奖工作，有一个方向做了12到13年。他的决定很直接：不再招收研究重心不在AI的博士生。换句话说，他不再认为传统纯数学的研究训练模式在当前环境下还走得通。
Matt Zaremsky，另一位数学家，在OpenAI发布当天收到了多位年轻同事的求助信息。他说处理这些求助优先于审查手稿本身。
信任正在破裂
数学界历来以开放著称。研究者习惯在会议和讨论中分享尚未成熟的想法，相信学术共同体对知识产权的基本尊重。
但这套信任体系正在被打破。
Duminil-Copin的处境就是一个警示。他公开讨论过的所有未解问题，全部被AI证明了。如果AI公司可以收集学术讨论中的线索，再让模型集中攻关并抢先发布，那研究者还有动力公开分享自己的「半成品」吗？
海德堡大学的Petra Schwer说，她和许多同事在讨论研究时变得更加谨慎了。「不信任正在蔓延，这不是好事。」Mitchell Taylor则表示，许多人正在经历「严重的焦虑、抑郁和迷失感」。
这种信任危机发生在最不应该发生的地方。数学是唯一一个研究者不需要实验室和昂贵设备、只需要思考就可以推进的学科。它依赖的恰恰是思想自由流通的空气。一旦这层空气被污染，数学研究的根基就会松动。
加州理工学院学生原本计划办一场AI数学竞赛，700多位数学研究者联名要求暂停；OpenAI退出了赞助。后来学生改了规则：不再抢着解新题，改成替已得到的结果找另一种证明方式；比赛结束后再留两个月专门把证明写清楚。陶哲轩是这场新比赛的指导老师之一。
与此同时，普林斯顿高等研究院在9月21日成立了一个独立的数学顾问小组，帮助OpenAI评估这些成果的分量并商讨公布方式。然而10月6日OpenAI又放出了722篇——顾问小组的存在似乎没有改变任何事。
理解正在与答案分离
25位菲尔兹奖得主联名签署了一份声明。他们没有说AI算错了，也没有要求谁停下来。声明将危机命名为「人工智能在数学中的严重错位」。
关键词不是「抵制」，而是「错位」。AI公司的目标与数学共同体的目标正在系统性分离。对OpenAI来说，攻克数学难题是模型性能的跑分基准——和刷榜SWE-bench没有本质区别。但对数学家来说，每一个问题的攻克都意味着学科知识的真实拓展。
这种错位带来一个追问：当AI产出的答案无人能看懂，这道题算不算「被解决了」？
陶哲轩在回应中表达了矛盾的心情。AI产出的证明「引入了一些巧妙的、一旦被消化就会非常有用的新想法」。但他同时也「深感沮丧」——因为没有人能讨论这些工作，没有人能去做演讲，没有人能教给学生。「这条路没有被走。」他呼吁共同体团结。
波恩大学的Peter Scholze，另一位数次被预测将获菲尔兹奖的顶尖数学家，回应更为冷静：「我们应该记住，我们都在一起；数学是一场马拉松，不是短跑；而目标始终是、也永远是人对数学的理解，这必然需要时间。」
但问题恰恰在于，AI公司不打算跑马拉松。10月6日之后，722篇手稿已经在那里了。数学界可以用未来几年时间去消化它们——但这几年里，OpenAI的下一代模型会做出什么？
Ian Agol提供了一个耐人寻味的类比。2002年，俄罗斯数学家格里戈里·佩雷尔曼将庞加莱猜想的证明放到网上，随后几乎不与人交流。多个研究团队花了数年时间，才把佩雷尔曼跳过的步骤全部重建出来。没有人质疑佩雷尔曼的天才，但所有人都承认那几年的「补课」是必要的。
现在，同样的事情以700倍的规模发生了。区别在于，佩雷尔曼是一个人，而OpenAI是一个算力无限的公司。
Duminil-Copin在社交媒体上写道，他预料到有一天人类会在这条赛道上被超越，而且会被系统地超越。「但并不是所有的问题同时被解决。不是在一夜之间。不是以这样的轻描淡写。」
「明天，我们会找到前进的路。但现在，我只是没有力气了。」
这句话之所以触动那么多人，不是因为它展示了数学家的脆弱，而是因为它触及了一个更普遍的不安：当答案越来越便宜之后，人类还能继续从事那种漫长、痛苦、充满不确定性的智力探索吗？
2022年，当AlphaFold解决了蛋白质折叠问题时，生物学界普遍拥抱了这一成果。因为蛋白质结构预测是一个实用问题——你需要的是结构本身，不是结构被发现的过程。但数学不是这样。数学的核心从来不只是答案。它是论证的逻辑链条，是概念之间的隐秘联系，是推动学科向前走的人的理解。
如果AI产出的成果超出了人类的理解能力，数学作为一门需要「人」来理解、传播和发展的学科，其存在根基就在被动摇。
瑟斯顿在三十年前就已经把这个结论写下了。他说数学知识不仅仅存在于论文的白纸黑字中，更存在于一群真正理解它的人的大脑里。没有人的理解，就没有数学——只有一堆未经消化的符号排列。
也许这就是Duminil-Copin流泪的真正原因。不是恐惧被替代。而是恐惧理解本身正在与答案分离。当机器的产出速度超过人类的消化速度，那种需要几年时间沉浸一个问题、在黑暗里摸到一条线索、然后逐渐看清全貌的工作方式，正在变成一个奢侈品。
今天已经是科学最不「外星」的时刻了。那些722篇手稿中，最终会有多少成为数学的一部分，取决于人类验证的速度；但数学会不会被「干废」，取决于人能不能看懂AI的方法、再顺着它问出新的问题。这一半的答案现在还是悬着的——而写下它的，仍然是人类。
快报