大家好我是市井杂谈，每天给大家带来最新动态 ，内容随缘更，每篇都掏干货；如果你觉得这些信息对生活有用，就点个关注～

最近一段时间，不少科技和数学圈子里的人都在转发一条消息：著名数学家陶哲轩在公开场合谈到，现在的人工智能，正在改变数学家已经沿用了上百年的做事方式。网上传得比较夸张，有的直接说成“AI推翻了百年数学公理”“人类数学大厦要塌了”。

说实话，刚开始刷到这些短视频和短文章的时候，我也有点好奇。陶哲轩本身不是那种喜欢跟风炒作新技术的学者，他对AI的态度一直比较客观谨慎，能让他专门拿出来公开讨论，说明这件事确实值得重视。但很多自媒体为了流量，把原话放大、扭曲，搞得好像数学的基本定律都被AI打破了一样。


今天我就抛开那些耸人听闻的二次加工，尽量基于陶哲轩本人在博客、学术会议发言、公开访谈里的原始表述，还有最近一两年数学AI领域真实的进展，用大白话把整件事讲透。什么是那个“百年规则”，AI到底做了什么、没做到什么；现在AI在数学上能干什么、还有哪些明显短板；这件事对学生、老师、普通喜欢数学的人，甚至对以后整个科研行业，到底意味着什么。全文接近5000字，尽量把来龙去脉、争议和机会都说清楚，不制造焦虑，也不刻意淡化变化。



一、先把事实捋顺：到底发生了什么，网上哪些说法是过度演绎？

先澄清最关键的一点：陶哲轩从来没有说过AI推翻或者证明错了某条已经被公认一百年以上的数学定理、公理。“把百年规则撕了个稀碎”，不是指数学本身的逻辑被打破，而是过去一百多年里，人类数学家搞研究、发现问题、写出证明、互相验证这套“行业规矩和工作流程”，正在被AI大幅度改写。这个区别非常重要，搞混了就很容易掉进标题党的陷阱。

简单介绍一下陶哲轩，免得有人还不太熟悉：他是菲尔兹奖得主，公认当今最顶尖的在世数学家之一，研究方向横跨调和分析、偏微分方程、组合数学、数论这些硬核领域；同时他长期在个人博客上写科普，经常跟进人工智能辅助数学研究的前沿动态，还亲自和团队一起，拿最新的大模型、专门的数学AI工具做过不少真实实验。他的发言，不是外行看热闹，是一线科研人员的现场观察。

最近引起大范围传播的，主要来自两处公开内容：一处是他在2025到2026年间，多次在自己的个人博客和线上学术分享里提到，“人工智能已经不再只是帮数学家算算数、画几张图，它开始深度参与猜想、构思证明思路，甚至能提出一些人类过去没怎么想到过的结构；传统上‘只有人类能做创造性数学’这个长期共识，现在必须重新审视”；另一处是他在一次面向科研群体的公开直播对话中，明确讲到：从希尔伯特时代延续下来、默认“数学发现主要依靠人类直觉”的老范式，已经不再是唯一选项。

这里提到的“希尔伯特时代”，差不多就是一百多年前。1900年，数学家希尔伯特在国际数学家大会上，提出了著名的23个数学难题，从那以后的一百多年，现代纯数学的研究范式基本定型。可以说，很多不成文但人人默认的“百年潜规则”，就是从那个时代慢慢形成的。

很多自媒体直接把这段话简化成：“陶哲轩宣布AI撕碎百年数学规则”，这个概括有一定抓眼球的效果，但很容易误导人。准确的描述应该是：AI正在冲击、挑战、部分替代沿用百年的数学研究工作模式，而不是颠覆数学逻辑本身。数学里经过严格证明的定理，还是成立的；1+1还是等于2，勾股定理也没有失效，这些完全不受影响。

搞清楚这个大前提，我们再往下深入，就不容易被各种小道消息带偏。



二、沿用百年的“数学老规矩”，到底是哪几条？

不少人听到“百年规则”，第一反应就是去找哪一本写着“数学必须这么做”的官方手册。实际上，没有这样一本手册。这些规则，大多是一百多年来，一代代数学家在实践里形成、传承下来的默认工作习惯、行业共识和方法论，不是写在教科书里的公理，但实实在在塑造了整个现代数学。我把它们归纳成四条最核心的共识，一条一条说清楚。

第一条：数学“创造性的部分”，只能来自人的直觉

一百多年来，科学界主流看法是：计算可以交给机器，但是“发现值得研究的问题、猜出一个可能成立的猜想、找到一条别人想不到的证明路径”，这是人类独有的直觉和创造力，是机器永远学不来的。

大家可以回想一下课本和科普书里常见的叙事：某个天才数学家，苦思冥想好几年，某天洗澡、散步的时候，脑子里灵光一闪，想到了一个绝妙的点子，之后再花大量时间，把直觉变成严谨的证明。从庞加莱到哥德尔，再到怀尔斯搞定费马大定理，几乎所有传奇故事，都在强化同一个印象：最值钱的是那个“灵光一闪”，后面的推导只是体力活。

过去也有数学软件，比如大家听过的Mathematica、Maple。但它们的定位非常清晰：高级计算器。你把公式、条件输进去，它帮你求积分、算矩阵、化简表达式；它不会自己提出一个猜想，不会主动告诉你“这个方向可能藏着一个重要定理”。很长一段时间，学术界普遍认为：这种“提出方向”的能力，是AI无论怎么训练都复制不了的。

这就是第一条“百年潜规则”：计算归机器，创造归人类。

第二条：完整的数学证明，必须由人类构思、人类能读懂、人类能复核

在数学界，一个结论能不能被承认，有一个硬标准：必须有一份人类数学家可以逐行阅读、理解、检查逻辑链条的证明文本。

历史上也出现过少数用计算机辅助完成的证明，最有名的就是四色定理。上世纪70年代，两位学者用计算机穷举验证了上千种地图构型。当时在学界引发巨大争议，争论的焦点就是：“这么长的穷举过程，人没办法一行一行全部看完，我们怎么能百分之百确定没有bug？”这个争议持续了很多年，直到后来多组团队用不同程序重复验证，大家才慢慢接受这个结果。

即便如此，过去几十年的主流态度依然没变：理想的、真正有价值的证明，一定要是人类能理解的。纯粹靠机器暴力穷举出来的答案，就算结果对了，也常常被看作“不够完美”，最好还是能找到一个精巧、直观、人能讲明白的思路。

简单说第二条规则：证明不仅要“对”，还要“人能懂”；证明的构思权，属于人类。

第三条：重大数学突破，只能靠少数长期深耕的顶尖专家

纯数学有一个很现实的特点：越往高处走，门槛越高。一个人想要在前沿的纯数学方向做出像样成果，通常需要读完博士，再经过很多年的博士后和独立研究，常年泡在非常细分、外人几乎看不懂的文献海洋里。

社会和学术圈也默认这个逻辑：重大的猜想、关键的突破，只会来自这个很小的圈子；门外汉哪怕再热爱，最多只能做一些科普，很难真正参与前沿创造。不是数学家傲慢，而是客观上，过去没有什么工具，能把一个普通人快速拉到前沿研究的层次；海量、晦涩的专业文献，只能靠人一篇一篇啃。

一百年来，这个生态非常稳定：顶尖难题，由顶尖的小圈子去攻坚；外面的人，主要负责学习、传播和应用已经得到证明的成果。

第四条：数学研究，是一个“慢艺术”，急不得

我们经常听说，一个有名的难题，有人花了十年、二十年甚至一辈子去攻克。怀尔斯躲在阁楼里，差不多花了七年时间独自攻坚费马大定理；张益唐关于孪生素数的关键工作，也是长期默默无闻积累之后，才一下子拿出成果。

长期以来大家都接受一个现实：前沿数学没有“快速通关”的办法。灵感不能计划，思路不能催促；积累、试错、卡住、再重来，是研究的常态。外界可以期待，但不能要求数学“批量出成果”。整个学术评价体系，也适应了这种节奏：允许学者长期做高风险、暂时看不到产出的课题，不用每个月、每季度都交出看得见的“进度条”。

以上这四条，合在一起，就是陶哲轩所说、被AI冲击的那套沿用百年的“研究范式”。注意：不是数学定律，是“人怎么搞数学”的规矩。



三、AI到底做了什么，开始动摇这套老范式？

最近两三年，变化不是发生在一夜之间，而是一点点积累起来的。除了大家熟悉的通用大模型，还有一批专门面向数学的AI系统，比如Lean、Isabelle这类形式化证明助手，还有像AlphaGeometry、DeepSeek-Math、OpenAI专门做数学推理的模型，加上通用大模型不断升级，它们的能力边界正在往外推。陶哲轩本人，就在自己的研究中试着把这些工具组合起来。

我分四块讲，每一块都尽量讲清楚：AI能做到什么，做到了什么程度；什么是已经被证实的，什么还处在实验阶段，不要把潜力当成已经落地的事实。

第一，AI不再只做计算，已经可以主动“猜猜想、找线索”

以前，如果你让Mathematica去“找点有意思的规律”，它完全不知道从哪里下手；它只能执行你明确给出的指令。

现在的数学专用AI，可以在给定一小段已知结论、一堆案例、一些函数或者数列之后，自动去试各种组合，筛选出一批看起来有规律、值得进一步验证的命题，也就是提出候选猜想。当然，大部分猜想是错的、 trivial（没什么价值）的，但其中一小部分，确实是人类之前没有注意到、值得认真琢磨的方向。

陶哲轩在博客里举过自己团队的一个小例子：在组合不等式的研究里，他们把一部分已知条件喂给AI，AI生成了几十个候选不等式。其中有几条，人类研究员第一眼觉得“这不太可能成立”，但经过后续严格推导，发现其中两条居然是对的，而且还能和现有理论接上。

这里一定要划重点：AI给出的只是“候选猜想”，不等于已经证明；最后的严格论证，还是要人来主导，或者人和AI一起完成。但关键点在于：过去“只有人能先想到这个点子”的壁垒，出现了缺口。机器可以成为“想法的提供者之一”，不再只是一个干活的工具。这就直接冲击了第一条老共识。

第二，形式化AI证明工具，开始解决“人类看得懂”之外的新问题

很多人分不清两件事：通用大模型“写一段看起来像证明的文字”，和专门的形式化证明系统“把每一步逻辑翻译成机器可以校验的严格代码”。

通用大模型经常“一本正经地胡说八道”，证明里藏着逻辑漏洞，自己发现不了；但Lean这类工具不一样：它要求每一步都给出明确的逻辑依据，整个证明链条可以被计算机逐条检查，只要通过了系统校验，逻辑链条本身就不存在“笔误或者隐性漏洞”。

前些年，科学家已经用Lean把很多经典的大定理，从四色定理到素数定理，全部“形式化”一遍。而近两年的进展是：AI可以辅助人类，从零开始，一步步搭建形式化证明。不是说AI自己独立搞定了一个顶级公开难题，而是当人类只有一个模糊思路的时候，AI可以帮忙把中间很多繁琐、绕人的步骤补齐，提示这里需要什么引理，那里可以引用什么结果。

这就带来一个很有意思的讨论：过去大家觉得“证明必须是人能理解的，才算好证明”；但现在，可能出现一种情况：一个结论有两种证明，一种是人类精心构造、逻辑直观；另一种是人和AI合作完成，逻辑完全正确，但中间有几大块步骤，结构非常复杂，人类很难凭脑子完整串起来。

那这个证明算不算“有效的数学贡献”？数学界现在还在争论，没有统一答案。但第二条百年共识——“证明构思权完全属于人类”，已经不再是没有争议的定论。

第三，前沿文献的“阅读门槛”，正在被AI局部降低

纯数学前沿的论文，往往几十页长，满是特殊符号、专业术语，还默认读者已经读过几十上百篇前置文献。一个刚入门的博士生，光是读懂几篇关键文章，就可能要花几个月。

现在，AI可以做的事：在获得合法授权、不侵犯版权的前提下，把复杂的论文拆解，解释每一部分在干什么，提示里面哪些是关键引理、哪些只是技术性铺垫；甚至可以帮研究者快速“扫描”一大堆论文，找出不同文献之间隐藏的关联。

当然AI经常会误读，把文献意思搞错，所以绝对不能直接照抄；但它可以充当一个“超级检索+初步导读助手”。

这意味着，理论上，只要方法得当，一个非顶尖机构、甚至一个非常年轻的研究者，也有可能更快摸到某些前沿问题的边。过去那种“前沿只属于很小圈子”的生态，长期看存在松动的可能性。当然，这只是潜力，不是已经发生的事实；真正独立做出成果，依然需要极强的个人功底，AI不能直接“送你到前沿”。

第四，研究的“试错速度”，被大幅拉高

做数学研究，很大一部分时间不是花在灵光一闪上，而是不断试错：假设这条路可行，顺着推几十步，最后发现走不通，全部推倒重来。这些枯燥、反复的推导，非常消耗时间和精力。

有了靠谱的数学AI助手之后，人类可以把很多“试探性推导、快速排除错误路径”的工作交给它。人负责定大方向，AI在短时间内沿着几个分支往前跑一段，快速告诉研究者：这条路大概率走不通，那条路还值得深挖。

注意，不是AI保证找到正确答案，而是“无效试错的时间成本”有可能下降。这就挑战了“数学只能是非常缓慢的艺术”这个老印象。当然，真正重大的难题，依然不会因为有AI就一夜破解；但整个研究工作的节奏，确实有机会和过去不一样。

讲到这里，我们可以对标题里那句“AI把百年规则撕了个稀碎”，给出一个相对完整、客观的注解：

“撕”，不是摧毁数学真理，而是撕开了过去那层“只有人类能垄断数学创造、研究方式固定不变”的共识外壳；很多旧的默认假设，现在必须拿出来重新讨论。旧范式没有彻底死亡，但已经不再是唯一选择。



四、必须冷静：AI身上有四个绕不开的硬伤，现在还远没到“接管数学”的时候

网上的热闹言论，大多只讲AI有多厉害，很少客观谈它明显的短板。陶哲轩本人在多篇文章里，反复提醒同行不要过度乐观，我把他提到和行业公认的几个局限整理出来。

第一个硬伤：AI不懂“意义”，只懂“模式和关联”。

现在所有主流大模型，本质上是学习海量文本里的统计模式。它可以把“数学语言”模仿得非常逼真，但它没有真正“明白”一个数学概念到底意味着什么。打个比方：它可以熟练说出各种关于“无穷”的命题，但它并不像人类数学家那样，在脑子里形成对无穷这个概念的深度理解和直觉。

所以AI经常出现一种“局部完美、整体跑偏”的现象：每一句话看起来都合乎规范，但整个逻辑链条悄悄在某个看不见的地方断裂；在处理那些没有足够多现成范例、真正高度原创、跳出已有文献框架的问题时，它的失败率会急剧上升。

第二个硬伤：它偏爱“短平快”，很难自主坚持长期、高风险的长线课题。

AI擅长从已知素材里，往外延伸一小步；但要主动去开辟一个完全全新的理论分支，花好几年时间一点点搭建体系，这件事目前还没有任何AI做到。因为AI没有内在的好奇心，没有内在的动机，所有探索都来自人类给出的目标和提示。它可以陪人长途跋涉，但不会自己选择一条没人走过的漫漫长路。

第三个硬伤：“形式化证明”的成本依然很高，不是点一下鼠标就完事。

Lean这类工具很强大，但要把一个复杂的数学想法完整翻译成机器能看懂的形式语言，工作量常常比写一篇普通论文还要大。很多知名定理，花了不少团队、好几年才完成形式化。AI可以辅助，但不能把这个负担全部消除。离“随手把任何前沿猜想丢给AI，就能得到机器验证的完整证明”，还有非常遥远的距离。

第四个硬伤：AI没有办法独立判断“什么数学是重要的”。

数学不光分“对和错”，还分“有趣没意思、有没有长远价值”。一个命题逻辑上成立，不代表它值得投入资源去研究。判断一个方向有没有潜力，往往需要结合对整个学科历史、现实应用、未来可能性的综合把握。到今天，这个价值判断，依然主要靠人。AI可以批量生成候选猜想，但筛选、辨别哪些值得认真对待，还是数学家的核心工作。

简单总结：AI是一个前所未有的强大“协作者”，而不是可以取代数学家的“替代者”。把它说成数学新上帝，完全不符合事实。



五、这件事和普通人有什么关系？实用层面的几个启示

不少人看完这类新闻，感觉“离自己很远”，觉得前沿数学变革只是数学家圈子里的热闹。其实不是，它会一层层往下传导，影响到教育、学习，甚至我们看待“创造力”这件事的方式。这里我讲几点实实在在的看法，供大家参考。

第一，对于学生：学数学的目标，正在悄悄扩展。过去大家习惯的思路是，学好计算、掌握题型、把答案算对。未来，“能够提出有价值的问题、辨别AI给出来的思路对不对、指挥AI一起解决复杂问题”，很可能会变成越来越重要的能力。当然，基础的计算、逻辑训练，永远不能丢；没有扎实底子，你连AI的答案有没有漏洞都看不出来。AI是放大镜和拐棍，不是可以扔掉基本功的理由。

第二，对于老师：未来的数学教育，不能再只盯着“解题速度和标准答案”。怎么引导学生学会质疑、学会构造思路、学会区分可靠和可疑的推理，会变成新的课题。当然，教育改革是循序渐进的，不会一夜变天；但前沿发生的变化，迟早会反馈到基础教育里。

第三，对于普通爱好者：不要觉得前沿数学永远和自己无关。在严格的版权和学术规范之内，AI降低了初步了解、参与讨论的门槛。这不等于普通人能随便攻克千禧年难题；但至少，我们获取线索、跟进动态的工具变多了。同时也要提醒：网上到处都是AI生成的“伪数学成果”，越是看起来惊世骇俗，越要多一份警惕，不要盲目转发。

第四，对于科研行业：整个科研的“工作流”都面临重新设计。数学家未来的工作，会从“大部分时间埋头手动推导”，慢慢转向“定义目标、和AI协作试错、做深度判断、完成最终论证和理论升华”。相应地，学术评价、论文发表、人才培养方式，未来很可能也要跟着调整，只不过这个过程，注定要经历大量讨论和磨合，不会很快落地。

还要纠正一个流传很广的焦虑：“以后学数学没有前途了，AI都能搞定。”现实恰恰相反：越是AI能做很多中间步骤，越需要能驾驭、甄别、整合这些结果的高水平人才。工具解放了一部分重复性脑力劳动，但也对人的高阶能力提出了更高要求。



六、理性看待变革：旧范式松动，不等于世界末日

把所有信息合到一起，我们可以给出一个比较完整的画面：

一百多年来，现代数学走出了一条非常成功的道路，靠人类的天赋、坚持和协作，搭建起庞大而严密的知识大厦。现在，一批全新的AI工具闯了进来，它们还不够完美，但已经证明自己有能力在“提出猜想、辅助推理、快速试错、形式校验”这些环节，成为人类的搭档。

这就导致，那个“计算归机器、创造归人类”的旧共识，已经不再牢不可破。陶哲轩作为身在一线的顶尖学者，把这个变化公开点出来，于是在数学和科技圈子里激起了巨大反响。所谓“数学界炸锅”，炸的不是定理本身，而是大家对“数学该怎么做”这件事的固有认知。

但我们完全不需要恐慌。科学发展的历史上，类似的事发生过很多次：望远镜改变了天文学，显微镜改变了生物学，计算机改变了工程科学。强大的新工具，从来不是来消灭一门学科，而是给这门学科打开新的空间。未来的数学，很可能不是“人类数学”或者“AI数学”二选一，而是“人+AI协同的数学”。

未来还有很多问题要解决：怎么规范AI产出在学术论文里的标注；怎么防范AI带来的逻辑错误悄悄混入文献；形式化证明如何和传统的、追求直观理解的数学文化共存；新的评价标准怎么建立。这些都没有现成答案，需要整个学术界慢慢摸索。



结尾互动

总的来说，AI正在深刻改变数学家的工作方式，挑战沿用百年的研究范式，但它距离独立做出划时代的原创成果，还有很长的路要走；已经经过严格证明的数学知识体系，依旧稳固。

话题讨论：你觉得未来AI真的能在纯数学领域做出重大突破吗？在学习数学的时候，你愿意把AI当成自己的助手吗？欢迎在评论区理性交流。如果喜欢这种把前沿科技讲明白的内容，可以点个关注市井杂谈。

免责声明：本文基于陶哲轩公开言论、公开学术资料整理，仅作科普分享；AI数学技术仍处于快速发展阶段，相关观点仅代表学界部分讨论，非定论。