数学家恨AI，却戒不掉它

编者按：数学长期被视为AI最难攻克的堡垒——它要求严密的逻辑链条、抽象的直觉，以及长年累月才能养成的判断力。但过去两年，这座堡垒的门似乎是从内部被打开的。越来越多数学家在公开场合警告大模型正在侵蚀学科根基，转头却在深夜的推导里默默打开对话框。WIRED记者Isabella Ward记录下这种普遍而尴尬的矛盾：对数学而言，AI既是生存威胁，也是戒不掉的拐杖。

一、从“不可能”到“每天都在用”

就在几年前，主流数学界对大语言模型的态度还接近于不屑。模型的算术错误、虚构引理、含糊其辞的“证明”，让不少学者认为这不过是另一种高级自动补全。转折发生在2024年前后：形式化数学工具Lean及其庞大的数学库Mathlib逐渐成熟，AI系统开始能在国际数学奥林匹克级别的题目上拿到接近金牌的成绩，神经网络与符号搜索的结合让“机器参与真正的研究”第一次显得触手可及。

此后，变化以肉眼可见的速度扩散。数学家在构思阶段用AI检索相关文献、生成候选反例、把自然语言证明草稿转写成Lean代码；在写作阶段用它润色、检查边界条件、猜测引理的推广形式。一位数论研究者形容，这就像给每位学者配了一名永不疲倦、偶尔胡说八道、但确实能省下大量时间的研究助理。

二、AI是怎么闯进数学的

与写作、编程等领域不同，AI进入数学的路径相当特殊。数学有一个天然优势：结果可以被严格验证。一条证明在Lean中被机器接受，就几乎没有争议的余地。这既是AI的福音，也是数学家的困境——当机器能批量产出可验证的定理，什么才算“有价值的数学”？

更微妙的是研究流程的重心转移。过去，一个博士生的成长路径是啃经典文献、反复失败、逐步形成问题品味；如今，部分年轻人更习惯先问模型“这个问题有什么已知结果”，再顺着生成的提纲推进。效率提高了，但对问题“为什么重要”的直觉，正在被外包。

三、真正的风险：不是被取代，而是被掏空

数学界最担心的并非失业，而是学科文化的瓦解。若大量论文由AI辅助甚至主导生成，可验证的结果会迅速膨胀，审稿人却仍是有限的真人。评审体系将被迫在“数量爆炸”和“质量把关”之间失衡，荣誉分配也会变得模糊：一条关键想法到底来自谁？

另一重忧虑指向理解本身。数学的价值不只在于结论正确，更在于证明结构所揭示的深层联系。一个被机器验证但无人真正读懂的证明，像一座无人居住却结构合规的大楼。学界内部流传着这样一句半玩笑式的总结：

“我们可能不会失业，但我们会失去知道自己为什么对的能力。”

这种焦虑背后还有现实的资源争夺：当资助方看到AI能在短时间内产出大量形式化结果，基础研究的评价标准、经费流向乃至人才培养节奏，都可能被重新改写。

四、为什么戒不掉

答案简单得让人难堪：因为好用。数学研究中最消耗心力的往往不是灵光一现，而是繁琐的验证、文献检索和符号演算。AI在这些环节的边际收益极高。当竞争对手、合作者甚至审稿人都默认你会使用这些工具时，单方面“戒断”几乎等于自我降速。

于是出现了奇特的集体行动困境：几乎每个人都认为依赖加深不是好事，却没有人愿意第一个停下。有学者半自嘲地说，抵制AI最坚定的宣言，往往是在用AI润色之后发出的。

五、一场还没打完的仗

学界正在尝试折中方案：要求AI辅助必须披露，强调形式化验证与人类理解并重，把教学重心从计算技巧转向问题品位与批判性判断。也有人主张主动拥抱，把AI当作扩展人类数学疆域的望远镜，而非替代思想的引擎。

但可以确定的是，争论不会因为某一方胜利而结束。数学与AI的关系，更像一场长期共存：既无法回头，也不可能真正和解。对数学家而言，最难证明的命题或许不再是猜想本身，而是——在没有AI的情况下，他们是否还愿意、还能力继续工作。这场关于工具与思想的边界之战，才刚刚开始。

本文编译自WIRED