AI巨头圈地数学，25位菲尔兹奖得主联名警告知识归属危机

在人工智能技术迅猛发展的今天，数学这一古老而基础的学科正经历前所未有的变革。9月初，纽约大学数学家Tristan Buckmaster和Anthropic研究员Levent Alpöge在流体方程整体适定性问题上取得重要进展的消息，迅速引发OpenAI调动巨大算力攻关该问题。仅88小时后，OpenAI就宣布得到克雷问题原始表述中C、D两个子问题的候选解答，并公布了论文和Lean形式化证明。

这一事件成为数学界关于AI介入的争论焦点。Buckmaster质疑对方路线的来源，并指明两人输入Codex的未公开材料可能泄露；OpenAI虽否认读取具体数据，却承认无法完全排除匿名数据参与模型改进。候选证明尚待检验，争吵却已越出学术界。9月11日，25位菲尔兹奖得主共同发表声明《人工智能在数学领域存在严重错位》，警告AI公司把解决难题当作基准测试的做法，正在伤害数学本身。

杰曼诺夫在接受《每日经济新闻》专访时，对OpenAI用AI解决数学难题的做法提出尖锐批评。他是菲尔兹奖得主、中国科学院外籍院士。他明确表示："人类必须掌握数学的主导权，完全依赖AI是一条通向灾难的不归路"。杰曼诺夫认为，AI目前所做的一切都建立在人类数学家的工作之上，却没有给予适当归属。这一判断把讨论从"AI能否解数学题"拉回到学术伦理和知识生产秩序。

数学研究依赖长期积累，定理、证明、猜想和方法体系构成后续工作的基础。AI若使用这些人类成果并在此基础上产生新结果，署名、贡献认定和收益分配就不能被技术叙事掩盖。杰曼诺夫与24位菲尔兹奖得主发表紧急声明，将AI公司的行为称为"学术掠夺"。这不是对某一项技术能力的简单否定，而是对知识来源与学术归属的追问：当AI公司推进相关研究时，人类数学家的原创贡献是否得到了应有承认？

文献计量学揭示了数学界更深的结构性困境。Porter与Rafols（2009）基于2005年数据发现，数学是主流科学中最"单学科化"的，其论文的可识别引用中约69.1%指向数学类别内部，平均每篇论文仅涉及3.21个学科类别（生物医学领域通常涉及12-13个）。Hazra等人（2023）基于1990-2017年arXiv数据的研究发现，在可匹配的引用中，数学论文指向数学领域内部的比例约89.5%；虽然和计算机科学等联系有所增长，但内部取向仍然较强。这种"对外封闭、对内碎片"的特征，导致前AI手工业时代的理论生产、应用转译与工程使用之间的联系较为脆弱。

这种职业关系再生产的失灵，可能导致数学研究不再共享单一的评价尺度，而是分化出"为人脑提供认知洞察"与"为现实提供可靠工具"两种截然不同的价值导向。这可能使未来数学成果发生不可逆的分化：纯粹认识论领域（精细手工业）。正如陶哲轩所建议的，若一项成果无法用人类专家可接受的认知逻辑被阐释、消化并"典籍化"，它就不能算作知识网络的一部分。这使得传统的纯粹数学研究愈发向一种精致的、高度依赖人类直觉与哲理阐释的"精细手工业"收缩。它的价值不再体现在交付答案，而体现在为人脑提供洞察。

工程与交叉学科领域（工业化产品）。在真实的工程与交叉学科现场，严格证明过去常因人力推导成本过高而妥协。AI的介入极大降低了验证成本：通过调动智能体集群与Lean等工具，AI能以较低成本完成海量的逻辑推导与边界校验。这些新型成果可能高度具象化、工具化：它们可能直接服务于工程实践，而不必拘泥于传统意义上的"完美证明"。

杰曼诺夫同时担忧，AI会颠覆年轻数学家的培养体系。数学家的成长通常需要阅读、模仿、试错和独立发现，而AI工具可能改变这一过程。他强调，数学家最独有的价值是创造力。这一判断触及数学教育和科研训练的深层问题。如果年轻研究者过早依赖AI给出答案，提出问题、建立猜想、寻找证明路径的能力如何训练，将成为数学共同体无法回避的问题。创造力不是可被简单替代的计算能力，而是数学研究得以持续拓展的根源。

回到杰曼诺夫的警示，数学必须掌握在人类手中。AI目前的一切都建立在人类数学家工作之上，却没有给予适当归属；"AI减速论"不过是宣传话术；年轻数学家的培养体系可能被颠覆；数学家最独有的价值是创造力。这些判断共同指向一个更广泛的议题：当AI能力持续增强，人类如何保持对基础知识和知识生产的主导权。

对通信与科技产业而言，AI与数学的关系并不遥远。算法、编码、网络优化等底层能力都离不开数学基础，知识归属与人才培养也会影响长期创新。这场争论虽发生在数学界，但其指向的AI治理、学术伦理与人才培养问题，已经进入科技产业和公共政策视野。