一场关于人工智能与基础科学未来的激烈争论正在升级。包括陶哲轩（Terence Tao）、彼得·舒尔茨（Peter Scholze）在内的 25 位菲尔兹奖得主（数学界最高荣誉）签署了一封公开信，严厉批评 AI 实验室在追求解决著名数学问题时，忽视了数学研究的本质目标，甚至威胁到了学术界的署名规范、开放文化及智力传承。
核心争议：从“合作”到“掠夺”？
这场争执源于近期的一系列事件，凸显了学术界与科技巨头之间的信任危机：
- OpenAI 的施压指控：纽约大学教授 Tristan Buckmaster 指控 OpenAI 向他施压，要求他在感谢一位为 Anthropic 工作的合作者时保持谨慎，并质疑 OpenAI 是否利用了他们在 Codex 中的工作成果，通过“马拉松式推理”生成了自己的突破性证明。
- 赞助撤回：在遭到加州理工学院研究人员批评后，OpenAI 撤回了对该校一场数学活动的赞助，进一步加剧了紧张关系。
- 偏执与保密：数学家们担心，如果前沿实验室可以利用算力优势“抢跑”并独占荣誉，将激励研究者转向保密，从而摧毁数学界长期赖以生存的开放协作文化。
公开信的核心观点：数学不仅是答案，更是过程
签署者强调，数学的价值不仅仅在于得出一个“真/假”结论，更在于理解、传播与传承。
- 仓促宣布的危害：AI 生成的解决方案往往缺乏适当的撰写、新方法分离以及对前人工作的引用。这种“黑盒”式的证明难以被人类理解，也无法融入数学经典。
- 署名与剽窃风险：AI 模型基于海量人类工作训练，当其直接产出结果时，引发了严重的归属权问题。如果没有数学家负责将其消化并融入知识体系，这些想法将永远无法“活跃”起来。
- 智力传承链的断裂：数学研究是一个通过演讲、讨论和仔细撰写来滋养学生、发现新问题的过程。AI 的介入可能跳过这一培养环节，导致关键的人类智慧传承中断。
- 目标错位：AI 公司的目标是基准测试和性能超越，而数学界的目标是概念理解和洞察力的深化。以越来越快的速度大规模生产“答案”可能会摧毁孕育新思想的肥沃土壤。
更广泛的警示：全人类的智力危机
这封信紧随数学家工作组发布的《莱顿宣言》，指出数学界面临的问题只是冰山一角：
“数学界现在面临的问题与其他科学和创意职业面临的问题相似，并表明全人类可能面临的问题：如何确保随着 AI 改变工作方式，我们不会忽视那项工作最初旨在实现的目标。”
签署者警告，如果社会允许 AI 系统直接产出工作结果而忽略过程中的理解与技能发展，那么不仅数学家，医生、律师、艺术家等所有依赖深度智力训练的职业都将面临类似的异化风险。
宣言全文
AI 在数学中的严重错位
在过去几个月中，LLM 的数学能力急剧提高，以至于它们可以解决许多数学领域的重大未解问题。然而，AI 公司以解决数学问题作为基准的推动对数学科学和数学界是有害的。AI 公司的目标和数学界的目标严重错位。我们将这些视为影响其他科学和创意职业以及整个社会的更广泛对齐问题的一部分。
研究数学涉及理解形状、数字和自然现象的基本结构。经过几代人的努力，它已经建立了一个庞大的复杂思想、方法、抽象和其他工具的语料库，以理解数学景观。反过来，现代技术和科学都建立在数学工具之上。
著名问题常常作为地标和灯塔，人们可以借此衡量对这片景观理解的进步。解决其中一个问题一直是新见解和有趣方法的确定标志，随后数学界将通过漫长而艰苦的演讲、讨论、简化过程来研究这些。在这一过程结束时，理想情况下会找到适合任何研究生甚至本科生学习的教科书式结果呈现。一些数学思想甚至走得更远，在数十年或数百年后成为全人类理解和使用工具。
数学界在许多方面作为人类的缩影运作。它由使用各种不同方法的个人组成，由核心价值观联合在一起。我们职业最宝贵的资源是学生和思想，我们非常小心地培育它们。我们感到有责任让它们充分发挥潜力，直到它们能在数学世界中拥有自己的生命。对于学生，我们经常建议问题，核心意图是发展技能，使他们为研究和其他方面的进步做好充分准备。我们的思想通过演讲、私人讨论和仔细撰写来传播，将它们与他人的先前思想联系起来。这些过程总是需要时间，并基于人际互动。
近几个月来，AI 在解决重大数学问题方面的成功甚至在数学圈外也成为头条新闻。但解决问题只是实现概念理解和洞察这一首要目标的工具和代理。在 AI 世界中忘记这一点可能会使工具背离首要目标。事实上，以越来越快的速度大规模生产“真/假”陈述可能会摧毁肥沃的土壤，而不是为新思想注入生命。
这些解决方案往往仓促宣布，没有时间进行适当的撰写、分离新方法和新思想，以及引用他人相关的先前工作。与所有创意职业一样，这引发了严重的署名和剽窃问题。此外，如果没有愿意的数学家负责其发展并融入数学经典，AI 构想的想法将永远不会完全活跃，数学家之间关键的人类传承链将丢失。
我们正在目睹对智力工作的普遍威胁，AI 使用的结果与其初始目的之间存在错位。在许多领域和活动中，多年的训练传统上不仅用于产生最终答案或产品，还用于发展理解和提出新问题和想法的能力。然而，在大量先前人类工作的基础上，AI 系统越来越能够直接产生此类工作的结果，这些目标不再一致。数学界现在面临的问题与其他科学和创意职业面临的问题相似，并表明全人类可能面临的问题：如何确保随着 AI 改变工作方式，我们不会忽视那项工作最初旨在实现的目标。
AI 提供了增强和加速真正数学研究和理解的潜力。数学作为一种职业将需要以多种方式适应这些变化。然而，这些变化最终是有益于该领域还是产生破坏性影响，很大程度上将取决于控制这项新技术的人类的决定。
这些问题必须紧急解决，在数学界中，由开发这些技术的公司，以及更广泛地说，由将在许多其他形式的智力工作中面临类似问题的社会来解决。
——签署者（均为菲尔兹奖得主）：
Artur Avila (2014)、Manjul Bhargava (2014)、Caucher Birkar (2018)、Pierre Deligne (1978)、Yu Deng (2026)、Simon Donaldson (1986)、Hugo Duminil-Copin (2022)、Alessio Figalli (2018)、Martin Hairer (2014)、June Huh (2022)、Maxim Kontsevich (1998)、Elon Lindenstrauss (2010)、Pierre-Louis Lions (1994)、James Maynard (2022)、Curtis McMullen (1998)、Shigefumi Mori (1990)、Ngô Bảo Châu (2010)、Andrei Okounkov (2006)、Peter Scholze (2018)、Stanislav Smirnov (2010)、Terence Tao (2006)、Maryna Viazovska (2022)、Cédric Villani (2010)、Wendelin Werner (2006)、Efim Zelmanov (1994)
© 版权声明
文章版权归作者所有，未经允许请勿转载。
