OpenAICEOAltman称同情数学家，但AI数学攻势将持续，已公开722篇手稿

OpenAI首席执行官Sam Altman近日在Cheeky Pint播客中首次正面回应AI对数学研究界的冲击。他表示：“我确实对数学家的方法抱有同理心”，但同时明确指出，OpenAI在数学领域的投入与产出不会因此放缓——公司已为此投入数亿美元，并“仍有大量发现蓄势待发”。

这一表态发生在OpenAI于近期在GitHub上一次性公开722篇由内部AI模型生成的数学手稿之后。这些手稿覆盖数论、代数几何与理论计算机科学等多个前沿方向，部分成果宣称解决了长期悬而未决的问题。此举迅速引发数学界震动：陶哲轩、邓煜等25位菲尔兹奖得主联名发表公开信，指出AI与数学正出现“严重错位”；人类数学协会（Human Mathematics Association）更呼吁全球数学家暂停与OpenAI的合作。

Altman在访谈中将争议核心归结为“方法”与“知识”的张力。他承认，当前AI成果的发布方式“混乱且沟通不足”，导致研究人员难以跟进验证；但他坚持认为，“人类有权知晓宇宙如何运作”，公共利益应优先于学术流程的稳定性。“我对此毫无保留：人类值得拥有基础科学发现，我们不应扣留重大突破。”

这一立场折射出AI介入基础科学所引发的根本性分歧：当生成成本趋近于零，而验证成本居高不下时，科学发现的重心正在从“提出假说”转向“判断与验证”。学者称之为“验证剪刀差”——在材料、药物等领域，生成式模型可一次输出百万级候选结构，实验验证却几乎原地踏步；数学领域同样面临类似困境：AI能快速给出结论甚至判定其真伪，却难以解释“为何如此”。

今年5月，谷歌DeepMind的AI智能体已率先展示这种能力：它解决了9个未解的厄多斯问题，并攻克44个开放数学猜想。OpenAI紧随其后，以批量发布的方式将AI数学推向高潮。但问题随之而来：一份通过形式验证却无人能复现推理路径的证明，在数学意义上是否成立？

中国科学院院士、浙江大学数学高等研究院院长励建书对此持辩证态度。他认为，个体数学家面对十年苦功被AI瞬间破解，产生失落感“很正常”，但从学科整体看，这预示着“激动人心的新时代”。他以微积分的发明类比：17世纪前，计算曲线长度或曲面体积足以成为论文成果；微积分诞生后，这些工作降格为本科生习题，但数学并未衰落，反而催生了微分几何、解析数论等新方向。“工具重塑学科”是科学史反复上演的剧本。

励建书进一步指出，当前多数AI成果仍处于“宣称证明”阶段。传统数学中，“宣称”本身不具效力，必须经同行严格验证方可承认。他坦言曾收到无数关于哥德巴赫猜想的“证明”，但无一成立；不过他也相信，“至少有一部分难题，AI可能确实完成了部分证明”，关键在于人类能否理解并检验其过程。

中国工程院院士、之江实验室主任王坚则从问题生成角度提出新视角：数学家的核心价值不仅在于解答，更在于“提原创问题”。AI提供答案后，人类反而可能获得更高阶的提问能力。“问题永远不会枯竭”，解决旧难题的过程，往往揭示出更深层、更本质的新问题。

值得注意的是，OpenAI的策略并非孤立现象。其背后是AI向科研纵深推进的系统性趋势：从辅助计算、定理验证，到主动参与猜想探索与证明构建，AI正逐步进入“科研级数学”阶段。区别于早期工具型应用，如今的AI模型具备自主推理链生成能力，能在无明确指令下探索数学结构间的关联，甚至提出新定义与新框架。

然而，这种能力的释放方式引发伦理与方法论双重质疑。数学界担忧的不仅是“成果归属”，更是整个研究范式的断裂：数学长久以来依赖的“可追溯性”“可复现性”与“理解性”正在被削弱。一位匿名数学家在《数学评论》论坛中写道：“我们不怕AI解题，怕的是它解完题后，连自己都不知道自己怎么解的。”

Altman承认沟通需改进，但未承诺放缓节奏。他暗示OpenAI“库存中还有更多发现”，并重申其立场：基础科学知识属于全人类，不应因流程不适而延迟共享。这种“效率优先、普惠至上”的逻辑，与数学界强调的“严谨性”“共同体共识”形成鲜明对照。

目前，学界尚未形成统一应对方案。部分机构开始建立AI成果审查小组，尝试开发“可解释性增强”的数学推理模型;另一些则推动制定《AI数学研究伦理指南》，要求公开原始推理日志与中间步骤。国际数学联盟（IMU）计划于2027年初召开专项会议，讨论AI成果纳入正式数学文献的标准。

这场冲突的本质，或许不在技术能力高低，而在知识生产的哲学前提差异：当“知道答案”变得廉价，而“理解为何”仍需人力深耕时，数学作为一门追求深刻理解的学科，该如何重新锚定自身价值？

AI不会取代数学家，但会迫使数学重新定义“什么是好的数学”。历史经验表明，每一次工具革命——从算盘到计算机——最终都拓展了数学的疆域，而非将其压缩。关键在于，人类能否在速度与深度、规模与理解之间，找到新的平衡点。