Math 2.0

2026 年 10 月，著名数学家陶哲轩（Terence Tao）在一份名为《Math 2.0》的演讲资料中，提出了一个值得深思的问题：当人工智能能够越来越轻松地解决复杂的数学难题时，数学研究的意义是否也需要重新定义？

在过去近一个世纪里，数学研究一直建立在一个基本前提之上：证明是稀缺的。 解决一个数学难题往往需要数学家投入数年甚至数十年的努力。因此，谁能解决一个重要问题，谁就可能获得学术界的认可。数学界的研究机制、评价体系乃至学术文化，也都围绕着这一逻辑建立。

然而，AI 正在打破这个前提。

数学是一个特别适合人工智能发挥作用的领域。与许多依赖现实实验的学科不同，数学问题高度数字化，而且具有一个独特优势：证明的正确性可以被客观验证，甚至能够通过 Lean 这样的形式化工具进行机器检查。再加上大量已经数字化的数学文献，AI 获得了非常理想的学习与验证环境。

随着 AI 能力的快速进步，一些过去被认为相当困难的数学问题，如今可以在较短时间内得到解决，有时甚至不需要提问者具备专业的数学知识。陶哲轩认为，我们正在从过去的「证明稀缺时代」，走向一个新的「证明丰富时代」。

既然 AI 能够更快地解决问题，数学研究不就应该发展得更快吗？但陶哲轩认为，事情没有这么简单——解决问题从来不是数学研究的全部意义。

他用了一个很形象的比喻：数学中的开放问题，就像一座座灯塔。灯塔的意义不仅在于抵达那里，更在于它为探索未知领域指引了方向。

过去，一位数学家为了证明某个定理，可能需要尝试无数种方法。在漫长的探索过程中，即使最终没有找到答案，也可能发现新的数学结构、提出新的理论，或者获得对某个领域更深刻的理解。有时，这些意外的发现甚至比原本想要解决的问题更加重要。

但如果 AI 直接给出了最终答案，我们或许成功抵达了灯塔，却可能错过沿途的风景。

更值得警惕的是，一个正确的答案，并不必然意味着我们真正理解了这个问题。

陶哲轩提出了一个思想实验：假设未来某个 AI 研发出一种癌症治疗方案，不仅能够提供数学上的正确性证明，甚至还通过了三期临床试验，但没有任何人类科学家真正理解它为什么有效。那么，当你需要接受这种治疗时，是否仍然希望至少有一位专家能够解释其作用机制？

这个例子并不是要否定 AI 的能力，而是提醒我们：现实世界远比数学模型复杂。一个形式上正确的结果，仍然可能因为模型假设、验证过程或目标设定中的问题而产生风险。人类的理解与判断，是连接数学正确性和现实可靠性的重要桥梁。

因此， Math 2.0 是希望人们重新思考 AI 应该如何参与知识的创造。

例如，我们可以让 AI 不再只是寻找尚未解决的问题的答案，而是重新审视那些已经得到证明、却依然晦涩难懂的定理，尝试寻找更直观的解释。也可以让 AI 将散落在无数论文中的数学成果连接起来，建立不断更新的知识网络，或者通过大规模实验，探索过去人类难以系统研究的数学规律。

这些工作未必能够像解决一道著名难题那样吸引公众关注，却可能让人类对数学的理解更加深入，也让未来的研究建立在更坚实的基础之上。

陶哲轩并不否认 AI 正在展现惊人的数学能力，但他也提醒我们，社交媒体上那些令人兴奋的成功案例，并不能代表 AI 的全部能力。大量失败的尝试往往没有被报道，而数学最前沿的绝大多数难题仍然没有得到解决。

在他看来，未来真正值得期待的，不只是 AI 能够证明多少个定理，而是人类与 AI 的协作能够开辟多少新的研究方向。

这也让 Math 2.0 的意义超越了数学本身。

在软件开发、科学研究和其他知识工作中，我们同样习惯于用完成任务的数量、速度和结果来衡量生产力。当 AI 让这些结果变得越来越容易获得时，我们也需要重新审视：哪些工作只是为了得到答案，哪些工作的真正价值却存在于探索、理解与创造的过程之中？

过去，我们受限于能力和时间，不得不将大量精力用于解决具体问题。如今，AI 正在逐渐解除这些限制。但如果我们只是用它来更快地完成过去的工作，或许还没有真正理解这场技术变革的潜力。

陶哲轩最后留下了一句话：“实现 Math 2.0 的主要瓶颈不是技术，甚至不是制度文化，而是想象力。”

当答案变得廉价，人类是否能够提出更有价值的问题，并想象那些过去不可能实现的探索方式？