陶哲轩x邓煜重磅采访：若全宇宙只有AI懂证明，数学便毫无意义
原标题：“科学从诞生起就是开源的！”陶哲轩x邓煜重磅采访：若全宇宙只有AI懂证明，数学便毫无意义
整理 | 王启隆
2026 年 10 月 6 日深夜，OpenAI 用一篇名为《Sharing AI progress in mathematics》的博客，毫无预警地向全球学术公海倾倒了一枚核弹：一次性公开 700 多篇前沿数学证明，声称攻克了纳维-斯托克斯方程（Navier-Stokes）的有限时间爆破，更在 50 年来首次将准黎曼猜想的无阻半平面推进至 。
一时间，科技圈陷入了狂欢，社交网络上充斥着“人类数学家已死”、“科学圣殿被大模型单向碾压”的窒息叙事；怀尔斯独居阁楼七年攻克费马大定理式的古典浪漫，似乎在一夜之间被冰冷的 GPU 集群扫进了历史垃圾堆。
然而，仅仅四天后，菲尔兹奖得主陶哲轩（Terence Tao）在 Numberphile 面对全网镜头，撕碎了这层光鲜的外衣。
他直言不讳地将这些机器产物比作“毫无营养的合成食品”，痛斥商业巨头毫无行业教养的“炸鱼式做题（dynamite fishing）”摧毁了青年学者的研究生态，更罕见地使用了严厉措辞：商业公司为了单方面的公关冲刺，在社交礼仪上表现得极其粗暴、缺乏教养。
更具黑色幽默的戏剧性转折在随后数天接踵而至：OpenAI 官方不得不紧急从公开库中撤回了 3 篇重磅预印本。
原因荒谬得令人发指——这台吞噬了人类数千年智慧的超级机器，在关键推导中犯下了最基础的正负号错误（sign errors），其所谓的自然语言推导与附带的 Lean 形式化代码甚至存在严重的逻辑脱节。
25 位菲尔兹奖得主随即发起联名抗议，学术界终于忍无可忍：商业巨头未经引文标明直接抓取人类数千年的智力资产以炫耀算力，反手将一堆未经验证的“工业半成品”抛向公海，公然将全球顶尖数学家降级为他们免费的“找虫民工（free debuggers）”。
在狂热与荒诞交织的震荡期，由陶哲轩担任董事会主席的 SAIR（科学与人工智能研究基金会）峰会在旧金山如期启幕。
这一次，陶哲轩身边坐着的，是三个月前在 2026 国际数学家大会（ICM）上刚凭攻克狭义希尔伯特第六问题百年难关、一举实现中国大陆数学家菲尔兹奖“零的突破”的芝加哥大学教授邓煜。
面对商业巨头的算法霸权与未消化的技术残渣，两位处于人类智力金字塔尖的学者，不再停留在情绪化的口诛笔伐，而是正式打响了学术界的制度性反击。他们宣布启动完全开源、对齐科学价值观的独立数学模型生态，并首次由邓煜系统性提出了震撼学界的“数学双重边界理论”。
💡 要点速览：
AI 终结了古典数学的英雄浪漫主义。机器倾倒的代码与证明如同“人造合成食物”——逻辑校验及格（edible），但人类并未因此获得深刻的数学理解（understanding），反而陷入了解释力贫瘠的虚假繁荣。
OpenAI 紧急撤回 3 篇预印本彻底暴露了大模型在纯符号推导上的硬伤。商业公司为拉抬估值抢发公关稿，把未经验证的“毒废料”倾倒进学术界，本质是在把全世界顶尖数学家绑架为其闭源算法的免费 QA 团队。
传统时代，“有证明的问题”与“人类能理解的问题”高度重叠；而在 AI 时代，大模型强行撕裂出了第二道断裂带——机器拿到了结果，人类却彻底断联。但数学的终极意义是“人类理解世界”，绝不能为了速度牺牲人类理解力。
现存前沿大模型以一种黑盒化、抹除引文溯源的方式吸收了人类数千年的智力沉淀，却在输出端将其包装为无源之水。这种割裂破坏了科学共同体赖以代际传承的因果链条。
AI 的极致效能完全依赖于人类先期建立的大局构想（Global Planning）；提出本质问题、构筑宏观路线依然是人类不可让渡的领地。
以下是采访全文：
1 / 汽车会淘汰双腿，但没人会为了代步放弃散步
主持人： 近期，一家商业 AI 巨头一次性公开发布了 700 多篇数学证明，在整个互联网上掀起了滔天巨浪。
外界很多人惊呼：“AI 彻底取代数学家的时代到了。”但如果你真正走进数学界内部，会发现从业者眼下关注的核心问题根本不是饭碗是否会被机器抢走，而是学术诚信的边界、荣誉该归于谁，以及数学这门学科的灵魂本身。
今天我们非常荣幸地邀请到了两位顶尖学者：芝加哥大学数学系教授、新科菲尔兹奖得主邓煜，以及加州大学洛杉矶分校（UCLA）教授、菲尔兹奖得主、SAIR 基金会主席陶哲轩。两位请先向大家做个简短的自我介绍。
邓煜： 大家好，我是邓煜。我目前在芝加哥大学数学系任教，主要研究领域是偏微分方程（PDE）、概率分析以及相关方向。
陶哲轩： 大家好，我是陶哲轩。我目前在 UCLA 担任数学教授，以往的工作主要集中在调和分析、数论和组合数学领域；不过最近这一两年，我把相当大的精力放在了 AI 工具链的构建以及数学学科整体未来的推演上。
主持人： 非常感谢两位。在进入具体争议之前，我想先厘清两位的基本技术立场。外界往往习惯于把人脸谱化为“挺 AI 派”或“反 AI 派”，而数学界给人的印象似乎更加保守抗拒。两位能否先谈谈自己对 AI 介入数学研究的真实态度？在你们日常的工作中，究竟是如何看待甚至使用它的？
邓煜： 我始终认为，拥抱 AI 是一件好事，它是大势所趋。合理使用 AI，能够极大地拓宽数学这门学科的边界，延伸我们原本人力不可及的科研半径。
核心前提在于：我们必须以正确、合乎规范的方式去驾驭它。这不仅涉及学术道德和研究伦理，在纯技术层面上同样如此。
抛开商业公司近期的过度炒作不谈，单看这批证明本身，里面确实蕴含着非常惊艳的闪光点与全新的好构想。从客观的技术视角来看，我们正处于一个前所未有的良性节点上：AI 正在以前所未有的深度向人类学习思想，并在学习的基础上演化排列出它自己的新点子。
更重要的是，这些新点子人类是能够尝试去读懂并消化的，我们可以以机器提出的新想法为跳板，回过头来进一步孕育人类自己的全新思想。这种人与机器的双向协同进化，正是我非常乐于看到的愿景。
陶哲轩： 现在的舆论环境极其扁平，似乎每个人都急于逼人二选一：你站这队还是站那队？你挺这个还是反这个？
但任何真正的技术革命远比非黑即白的站队复杂得多。你很难简单回答“你到底是支持汽车还是反对汽车”、“你支持互联网还是反对互联网”。 任何颠覆性工具都同时背负着收益与代价，试图只放大某一面而遮掩另一面，是对现实的逃避，对于 AI 更是如此。
AI 赋予了我们过去无法想象的超强行动能力，海量原本繁复晦涩的机械计算与推演现在能被自动化完成；但与此同时，它正在以一种粗暴的方式，挤压、替代那些虽然缓慢、却极具学术滋养价值的古典研究方式。
理想的局面是兼收并蓄。正如汽车在奔跑速度上无疑碾压了人类的双腿，但这并不意味着我们要在生活的每一个角落都把步行给抹杀掉。很多时候，你依然需要走出车门，为了健康、为了审美体验、为了在大自然中漫步而亲自用脚丈量土地。
我们在科学与数学中面临的挑战完全同理：我们必须找到一种极其微妙的动态平衡——既要全力守住古典时代那些“慢工出细活”的研究特质——扎实的代际传承、对概念深度的深潜理解、科学共同体内部的学术互信，同时又要审慎地利用这些高阶算力工具来提速。
速度绝不是科学唯一需要追逐的终极指标。
邓煜： 哲轩打的这个比方非常贴切。我脑海中其实有一个非常理想的落地场景：
假设你手中正在攻关一个难题，你已经有了极其明确的攻坚路线图，甚至前后的关键步骤与逻辑支点你心里全都一清二楚；唯一的障碍在于，中间的推导与验证过于浩繁复杂，光靠人工演算可能要耗费你数月甚至数年的宝贵精力。
这时如果你已经胸有成竹、知道全局该如何打通，把它交给 AI 去完成局部的暴力推进和代数清理，就是极高性价比的做法。 它能帮你省下海量的无谓消耗，让人类的精力能够彻底抽离出来，专注于那些更为本质、更具拓荒性的核心问题。
2 / 当科技巨头把未消化的“毒废料”倾倒进学术公海
主持人： 这点出了核心的分歧点：AI 作为脚手架，与 AI 沦为商业公关秀，完全是两码事。近期这起引发全网地震的事件，被很多一线学者斥责为商业巨头一次惨烈的公关翻车。
OpenAI 几乎是在未经同行审议的情况下突击倾倒了这批成果，但随后不得不紧急撤回了其中的三篇预印本，原因竟然是推导中出现了极其基础的正负号错误，并且其声称的自然语言推导与附带的 Lean 形式化代码存在严重的逻辑脱节。
当一家万亿市值的商业巨头以这种狂飙突进的节奏，将大量缺乏消化的半成品证明直接倾倒进学术公海时，这实际上构成了对学术文献生态的严重污染。数学界该如何阻遏这种为了公关估值而肆意排污的行为？我们总不能无限期地给商业公司当免费的“Debug 民工”吧？
陶哲轩： 解决这个顽疾的根源，在于彻底重塑学术界既有的评价尺度与激励系统。
商业科技巨头之所以如此痴迷于召开盛大的发布会宣称自己“攻克了某某世纪难题”，本质上是因为我们数学界长期以来也把极高的声誉无条件押注在“解决问题”这一孤立指标上。
在传统语境中，当一位人类学者解开了一道世纪悬案，这通常意味着他已经把背后的机理吃得极其透彻，他能深入浅出地向同行阐释核心思想，能基于该成果推导出全新的研究范式，并以此为养分培养出整整一代青年学生。在过去，这一切是高度共生、融为一体的。
我们给解决问题者颁发大奖，名义上是奖励“答案”，本质上是在奖励围绕这个答案所凝结的一整套繁荣的学术生态。 解决问题不过是这套复杂体系中最显性、最容易量化的度量衡而已。
但今天，这种默契被商业逻辑彻底扭曲了。对于 OpenAI 这样的企业而言，所谓攻克纯数学难题，甚至不是他们的主营业务；这不过是他们用来向资本市场证明其通用模型泛化能力、用来刷榜和打标签的基准测试（benchmark）工具。
数学证明在这里异化为一种衍生品——如果说大模型的高速训练是一座化工厂，这些未经消化、甚至漏洞百出的证明，就是伴随商业公关排出来的“有毒副产物”。 随后，他们把处理工业废料的包袱，一股脑甩给了学术界。
数学界必须旗帜鲜明地确立一条底线：我们不需要为了做题而做题的孤立答案。 我们真正渴求的，是深度的洞察、是对未知的照亮。
最理想的状态，是产出这些证明的机构能坐下来与学者合作，在启动攻关前就把数学家引入团队共同推演，而不是在事后留下一堆烂摊子让同行去擦屁股。
但退一步讲，即便现实中科技公司继续一意孤行，学术界也必须建立防御机制：如果一项所谓的“重大突破”仅仅给出了一个冷冰冰的结果，却无法交付任何方法论上的启迪与可解释性，它就不配被收录进人类的核心文献库。
这批被倾倒出来的成果中，我自己密切追踪的课题大概有十几个，有朝一日我或许会去翻阅它们；但绝不是现在，它在我的优先级列表里排得很后。因为它们目前的呈现形态毫无美感，根本无法激发数学家的审美与探索欲。
如果他们当初选择与学术共同体深度协作，我们消化它的速度会比现在快得多。
传统数学范式 (代际共生):
人类深潜思考 ---> 孕育全新理论工具 ---> 彻底理解核心机理 ---> 捎带解决世纪难题 (水到渠成)
商业大模型模式 (工业排污):
暴力计算堆叠 ---> 寻找黑盒证明捷径 ---> 产出缺乏解释的代码 ---> 倾倒至学术公海 (留给学者擦屁股)
邓煜： 我始终极其推崇并捍卫“增进人类自身理解”这一最高信条。
不同的人从事数学研究可能有不同的动机。对我而言，终极目的只有一个：为了理解这个世界。 这个“世界”，既指我们身处的物理现实，也指那个深邃优美的抽象数学宇宙。
那么，究竟何为“理解”？
如果从集合论的视角来剖析，数学宇宙中其实存在着两个同心圆、两条截然不同的边界：
第一道边界，是在所有潜在的数学问题全集中，“存在数学证明”的子集边界；
第二道边界，则更为严苛——是在所有已经获得证明的问题中，“人类能够真正理解其背后机理”的子集边界。
在过去几百年里，这两道边界是完全重合的。因为人类不仅是证明的发现者，更是证明的阅读者和消化者；一个问题只要被宣告证明，就必然意味着至少有部分顶尖学者已经彻底洞悉了其中的逻辑机理。第二道边界在古典时代是“平凡（trivial）”的。
然而，AI 的野蛮介入彻底撕裂了这一默契。如果今天全世界只有一台冰冷的机器知晓推导逻辑，而人类对此一头雾水，它就在“已被证明”与“已被理解”之间凭空撕开了一条巨大的鸿沟，制造出了第二道充满未知的断裂带。
数学的价值坐标系从未改变，变的是我们面对的技术地貌。我们绝不能因为机器狂飙突进，就放弃了对“人类理解”的终极执念。
3 / 邓煜的“双重边界”：如果全宇宙只有机器知道答案，数学就失去了存在的意义
所有数学问题的全集 (All Questions)
主持人： 这直接引出了“功劳分配与学术公平”的深层矛盾。25 位菲尔兹奖得主在日前的公开信中愤怒声讨：商业公司打着算力展示的幌子，究竟在掠夺谁的荣誉？
如果往深处看，大模型是在吞噬了整个人类文明数千年来沉淀的开放文献后，才具备了这种抽象输出的能力。但现在的科技巨头完全把数据来源藏在黑盒深处，学者根本无法溯源思想的真正出处。
陶哲轩： 现代科学之所以能发展数百年，基石就是“开放科学”（Open Science）的共识。我们始终把科学文献库视为人类全体的公共财富。
我们发表论文，同行在严格的学术规范下引用论文，每一条引注都在清晰地标明：某一个开创性的点子最初来自谁、又在后续哪位学者的手中得到了演进。正是这种严密的引文链条，才构成了人类思想生生不息的“因果脉络”。
而我们今天面对的技术，是在没有任何引文标注的情况下，把人类千百年来无数数学家的智力结晶暴力搅拌在一起，然后以一种高度不透明的方式吐出一个答案。
有时候大模型会偶尔弹出一句“我参考了某篇论文”，但更多时候它根本无法溯源其底层概念究竟脱胎于何处。字面意义上，我们正在亲手斩断人类思想的“思维链”（chain of thought）。
这是极大的倒退。因为当我们攻克一道难题时，最重要的往往不是那个孤立的解，而是摸清：究竟是哪些前驱思想激发了灵感？哪些历史文献里已经半隐半现地埋下了火种？
我承认现在的模型在文献溯源上非常糟糕，但科技巨头在主观上有极强的动力去刻意淡化这一点。他们极度渴望向外界营造一种神话：这些 AI 是凭空降世的天才，是不借助人类任何既有成果、无中生有地解开了世纪难题。
但事实完全不是这样。它们彻头彻尾是站在千百年来无数人类科学家的肩膀上。巨头们必须在学术溯源上展现出应有的敬畏与坦诚。
邓煜： 哲轩说的是宏观层面的系统性掠夺，而在微观层面上，甚至存在更恶劣的现象。
学术界已经有人遭遇过这种事：一些学者此前在私下探索时，将自己尚未发表的精妙构想或者前置证明草稿输入到商用大模型中寻求辅助；结果商业公司后台捕捉并利用了这些来自人类顶尖大脑的灵感碎片，转头以自身模型的名义将最终证明公之于众。
我们必须推动建立一套能够精确追踪“思想源头”的技术标准。
如果用户能清晰审视 AI 每一层推理的真实链条（Chain of Thought），学者至少还能顺藤摸瓜，看懂它究竟吸收了哪些人类概念。但现在各大闭源厂商连最基础的思维链推理过程都严防死守、彻底对外封锁，这在科学层面上是极其荒谬且反智的。
这也是为什么学术共同体必须下定决心建立完全不受制于商业巨头的独立基础设施。
4 / 为什么我们必须亲手打造开源数学底座
主持人： 这正是科学界与硅谷科技巨头之间最根本的断层所在：当做科研被异化为向投资人展示肌肉的营销噱头时，两者的冲突便不可调和。
这也直接催生了学术界的大动作。Terry，作为 SAIR 基金会主席，你们刚刚联合全球科研力量推出了全新的开源数学基建。你牵头推进这一项目的初衷是什么？为什么你坚信闭源商业模型救不了数学家，我们必须打造属于学者自己的开源模型？
陶哲轩： 创立 SAIR 基金会的第一天起，我的愿景就极其明确：我们要为全球科学共同体打造属于学者自己、且价值观与科学范式高度对齐的工具生态。
不可否认，顶级科技公司确实研发出了极其强大的闭源工具，我和我身边的许多同行日常都在高频使用它们。在某些非破坏性的垂直环节，它们的表现相当亮眼——比如基于语义的文献检索，现在的技术已经能做到极高的精准度，这种赋能并不会摧毁我们对学术脉络的理解。
但一旦进入到核心的数学命题论证，正如大家所见，闭源黑盒正在割裂科学传统：它在剥夺人类理解力的同时倾倒未消化的证明，甚至连最基础的引文链条都残缺不全。
我们曾设想过一个长期的开源技术演进路径。但在过去几个月里，商业巨头毫无底线的突击倾倒彻底拉响了警报，全球大量一线学者被卷入其中，对“前沿商业巨头之外的替代路径”展现出了前所未有的迫切渴望。
因此，我们全面加速了开源数学操作系统的发布节奏。
坦白讲，我们在起步阶段还没有直接训练出一个全新的顶尖大模型，我们首先接入了既有的开源模型底座；但我们搭建了一整套完备的开源操作系统框架（OS）。
这套开源框架彻底免去了学者必须自购昂贵 GPU 或本地复杂部署的痛点。它将推理模型与形式化验证工具、协同网络与引文追踪机制紧密咬合在一起，为全球数学家搭建起一个能够安全贡献数据、算力、思想并实现去中心化验证的协作网络。
在未来几个月内，随着全球学者数据的沉淀，我们将正式推出完全由学术界自主训练的下一代开源数学模型。我非常期待看到，当工具的控制权重新回到科学家手中时，这个共同体能迸发出怎样的生产力。
邓煜： 我选择深度参与这一开源工程，理由极其单纯：科学从诞生的第一天起就是开源的，因此服务于科学的 AI 底座，也必须毫无保留地保持开源。 绝不能让前沿科学的核心工具受制于任何追求商业垄断的黑盒体系。
早在今年 7 月瑞士举办的国际数学家大会（ICM）期间，我就与 SAIR 团队就这一方向展开过探讨。
随后在 9 月，发生了纳维-斯托克斯方程爆破事件的初期舆论发酵；到了 10 月初，又迎来了 700 篇证明的大规模突袭。这一连串事件让整个学术界彻底警醒：打造由学者主导的开源数学底座，已经不再是一个可有可无的选择，而是一场迫在眉睫的防守反击。
与我紧密合作的南加州大学（USC）的朋友们，几乎在同一时间做出了完全一致的战略研判。
眼下，全球各大顶尖高校和研究所的团队正在自发汇聚到这条开源战线上。这正在演变成一场全球学术界的集体自救：不惜一切代价，守住数学与前沿科学的开放底色。
5 / 人类数学家的最终领地：画出战争的全局蓝图
主持人： 两位描绘了一幅令人振奋的反击图景。但在技术狂飙的现实面前，依然有海量的年轻学者、博士生陷入了深深的焦虑与幻灭：既然 AI 能够不知疲倦地推演，人类独有的心智灵光究竟还体现在哪里？在人机协同的新纪元，人类数学家不可替代的特质到底是什么？
陶哲轩：核心命题在于“赋能（Empowerment）”，而不是“交权（Depowerment）”。
我们必须为人类学者、青年一代提供能够真正“武装”他们大脑的武器，使得当他们使用这项工具时，是人类变得更加聪慧、洞察力更加敏锐，而不是为了换取一个冷冰冰的答案，把自己原本的思考与认知能力当作祭品献祭给 AI。
这与驾驶汽车完全同理：如果你彻底放弃双腿、事事依赖代步车，你的肌肉必然会退化萎缩；但这绝不意味着我们该在现代文明中砸碎所有汽车。我们要做的是保持清醒和自律地去驾驭工具。
对于年轻一代学者而言，我深知他们当下面临着巨大的虚无感。百年来形成的古典学术晋升路径与评价体系正在被粗暴瓦解。
但我深信，一旦这批真正由学者掌握、尊重人类心智的开源工具交付到年轻人手中，他们必然会跨越焦虑，迸发出远超老一辈想象的创造力。 他们会用这些工具去开辟出我们这代人从未设想过的全新研究疆域，对此我抱有极大的信心。
邓煜： 我非常认同。AI 归根结底只是一件工具，它本身不具备善恶道德，决定其走向的是驾驭它的组织范式与利益机制。
面对 AI 时代，究竟哪些能力才是人类数学家无可撼动的核心护城河？
我认为第一项、也是最重要的能力，就是提出真正本质问题的能力（Ask the Right Questions）。
面对任何一个被机器解答的难题，真正的顶级学者总能在此基础上顺藤摸瓜，提出两三个层次更深、格局更大、直击数学宇宙核心的全新大问题。
我今天上午在峰会做学术报告的幻灯片最后一页，特意画了一张示意图：你可以沿着 AI 帮你开凿出的局部推导轨迹前行，但在某个关键岔路口，你必须凭借人类的品味与审美，跳出原有轨道，开拓出完全未知的全新维度。
这不仅需要你懂得如何精准提问，更需要你具备顶层的全局战略蓝图（Global Planning）。
在很多复杂的实战场景中，只要人类对问题的本质规律有了深刻的理解，并为整个宏大证明制定了严密的全局路线图，AI 在承接局部重活时就能展现出可怕的爆发力。
就在昨天，我的长期合作者、偏微分方程专家布约恩·布林曼（Bjoern Bringmann）向我展示了一个极具震撼力的真实案例：
我们针对某个极其棘手、计算量极其反人类的随机偏微分方程（SPDE）特定问题展开攻坚。人类团队此前已经完全吃透了物理与数学图景，并且在草稿纸上设计出了一整套环环相扣的攻坚方案。布约恩随后将这些全局规划模块化输入给 GPT Astra 展开测试——在短短一到两天之内，大模型在人类既定路线的指引下，彻底扫平了所有复杂的局部障碍，完整解决了这道题。
请注意：这个奇迹之所以能发生，前提是人类学者首先对问题的本质有了穿透性的认知，并亲手绘制出了证明的顶层蓝图。
提出全新数学概念、设计跨领域的宏观战略构想、构建直击本质的顶层规划——这些属于数学灵魂的领地，在今天依然、且永远是人类心智独占的疆域。