菲尔兹奖得主陶哲轩近年来系统性地探讨了人工智能对数学及科学研究的深远影响。与大众热衷于争论“人工智能能否取代数学家”不同，陶哲轩将讨论的焦点转向了一个更根本的问题：当人工智能确实能够高效完成研究级数学任务时，人类数学研究的目标与价值究竟是什么？他指出，数学界正在迎来一场关于研究范式与价值体系的重大重塑，其震荡程度堪比二十世纪初的“数学基础危机”。
在实际应用中，人工智能展现出了惊人的效率。通过对未经公开的研究级数学难题进行测试，前沿AI系统能够以极低的成本给出基本无瑕的解答，甚至在某些长期悬而未决的猜想上取得了突破。然而，陶哲轩提醒，外界看到的“爆款突破”往往存在幸存者偏差。在面对开放性难题时，AI的单次成功率其实相当有限，它更多是依靠海量并发的“广撒网”策略来提高命中率。此外，AI更像是一个能够跳得极高的“弹跳机器人”，擅长在海量文献中重新组合已有工具、攻克低矮的障碍，但它缺乏从局部失败中积累经验、跨越深谷的能力。AI的强项在于“广度”与大规模实验，而深度上的概念突破与战略判断依然高度依赖人类。
为了更清晰地诊断这一变化，陶哲轩将数学问题的解决解构为五个阶段：证明生成、逻辑验证、清晰阐述、同行接受与发表、以及最终融入标准理论体系的“经典化”。过去几百年间，数学一直处于“证明稀缺”的时代，所有的期刊、评审机制和学术荣誉都围绕着“谁先生成证明”来建立。然而，随着AI与形式化验证工具的结合，证明生成与验证的速度呈指数级增长，数学正在不可逆转地迈入“证明过剩”时代。这就导致了“证明消化不良”——后端的人类阅读、理解、审稿和消化能力跟不上前端的生产速度，大量的正确证明堆积在库中，却未能转化为人类知识体系的真正增长。
这种不匹配还引发了关于学术评价的深刻危机，即古德哈特定律所揭示的现象：当一个度量指标成为追求的目标时，它就不再是一个好的度量。过去，“解决多少问题”可以大致代表一项科研贡献，因为证明的生成必然伴随着人类对问题的深刻洞察、对前人工作的理解以及对新方法的提炼。然而，生成式AI天生优化的是“看起来正确”而非“深刻理解”，过度追求答案数量会导致研究的显性目标（得到答案）与隐性目标（理解本质、启发后人）发生剥离。AI生成的证明往往过于“光滑”，缺少了人类数学家在写作时留下的思考痕迹和对关键难点的剖析，这些被抹平的“自然摩擦”恰恰是后人学习和汲取灵感的核心路标。
面对这一挑战，陶哲轩提出了务实的反思与应对原则。他强调，科研人员应当主动拥抱AI工具进行文献搜索、代码生成和辅助验证，但必须坚持“人类理解至上”的底线。他明确提出，如果论文作者无法令人信服地以专家水平清晰讲解自己的成果，即使该成果已经通过了形式化系统的逻辑验证，也不应当予以发表。在人机协同的新范式中，人类数学家的角色正从单纯的“推演苦工”转变为“科研架构师”与“知识阐释者”，负责提出关键问题、设定战略方向、赋予研究以审美价值，并对结果进行深度的消化与整理。
从长远来看，人工智能并不会消灭数学研究，而是逼迫数学从“单打独斗的手艺”向“大规模人机协作的工业化与实验化”演进。在相关伦理共识的指引下，学术共同体需要重新设计评价体系，提升证明阐释、同行审稿和知识整合的地位，降低对“谁第一个给出证明”的过度执着。正如历史上的哥白尼革命将地球移出宇宙中心一样，AI也正将人类从“知识生产的唯一垄断者”位置上移开。然而，证明的终极目的是“理解”而非单纯生产定理。理解世界、赋予知识以意义，这一人类独有的核心能力，将在人工智能时代变得比以往任何时候都更加珍贵。
