AI数学突破引争议，OpenAI高管与陶哲轩观点交锋

随着人工智能技术的快速发展，其在数学领域的应用正在引发一场深刻的学术辩论。9月11日，著名数学家陶哲轩（Terence Tao）在个人博客发表《人工智能在数学中的严重错位》一文，联合25位菲尔兹奖得主共同署名，指出当前AI公司过于追求解决著名数学难题，而忽视了数学研究中更为重要的概念理解、方法提炼和知识传承。

陶哲轩等学者强调，数学研究的核心在于理解背后的结构，发展出能够应用于其他问题的新概念和方法。他们担心，如果AI公司继续以解决难题作为衡量模型能力的主要标准，可能会损害数学知识的积累与传承。例如，AI匆忙发布成果时可能忽视前人的贡献，缺少完整论证和恰当引用，这将带来成果归属与剽窃方面的问题。

然而，OpenAI前训练VP Liam Fedus对此持不同看法。他在社交媒体上回应称，虽然理解陶哲轩的观点很重要，但不应低估AI的潜力。Fedus认为，未来的AI不仅能解决问题，还能提出有价值的洞见，建立新的概念框架，让数学家在此基础上继续探索。他以AlphaGo为例，指出尽管AlphaGo没有解释自己的走法，但人类棋手通过研究它的落子和胜率，水平明显提高。类似地，数学领域也可能出现这种变化。

这一冷一热的观点，反映了AI技术发展对数学研究范式的深刻影响。2024年，AI在数学上的代表性突破还主要集中在IMO这样的竞赛数学，从银牌水平一路逼近金牌。到了2025年至2026年，模型开始快速进入真正的开放数学问题，陆续挑战Erdős系列问题、几何猜想、千禧年问题这样的长期未解难题。今年5月，OpenAI内部模型反驳了已有近80年历史的Erdős单位距离猜想，不仅构造出了无穷多反例，还在证明中引入了代数数论工具，被菲尔兹奖得主Tim Gowers等人称为"AI数学的里程碑"。

这一系列进展表明，AI在数学领域的应用已经跨过一个新的门槛。然而，如何平衡AI带来的效率提升与数学知识的传承，成为亟待解决的问题。数学界需要适应变化，AI公司也需要调整方向，让技术进步真正服务于理解与探索。

图1展示了神经网络的基本架构，包括输入层、隐藏层和输出层，以及各种激活函数如tanh、sigmoid和relu。这种架构是AI在数学问题求解中的核心技术基础。

图2进一步展示了不同神经网络架构的对比，包括基本的全连接网络和更复杂的循环神经网络（RNN），这些架构在处理数学问题时发挥着重要作用。

图3显示了Liam Fedus在社交媒体上的推文截图，他详细阐述了自己对AI在数学领域作用的看法，强调AI不仅能解题还能创造新概念框架。

图4列出了多位菲尔兹奖得主的名字及其获奖年份，这些顶尖数学家的观点和研究成果为AI在数学领域的应用提供了重要参考。