「数学正在进入工业时代」，出自菲尔兹奖得主陶哲轩最近三个月的三次公开表态：7月24日费城国际数学家大会的主报告《人工智能时代的数学》、10月上旬加州理工学院的《Math 2.0》讲座，以及10月15日的Numberphile访谈。先纠正一点：「工业时代」这四个字是媒体总结的标签，陶哲轩在演讲中并没有直接使用「工业化」来形容数学的未来，但他描绘的图景确实带着鲜明的工业特征——数学知识从稀缺走向充裕，研究流程被拆成生成、验证、解释、评审、知识整合等环节，人类与AI重新分工。 他本人给的判断更直接：数学的浪漫时代、英雄时代结束了——以前一个证明来之不易，理解也跟着来；现在机器找到了捷径，证明多到淹没人，理解没跟上。换句话说，工业化的不是「会解题」这件事，而是「解题」本身的稀缺性。学习者真正该关心的结论是：用时间堆解题数量，正在变成一项贬值投资，因为被工业化的恰恰是题海战术练出来的那种能力。DeepTech深科技
从费城到加州理工：「证明过剩」怎么来的
风暴有一串清晰的日程。7月20日，Anthropic 的数学家公布了一个由大模型参与发现的雅可比猜想三维反例，形式化验证很快完成；第二天，陶哲轩在博客发长文解释这个反例「为什么成立」——机器交付结果，人类负责理解。同场大会上，中国数学家王虹、邓煜拿下菲尔兹奖；不到24小时，同一个会场，2006年的菲奖得主陶哲轩却当众泼下一盆冷水，称数学正在进入一场关于价值观与实践方式的基础危机。 9月11日，陶哲轩、邓煜等25位菲尔兹奖得主联合署名发表公开信《人工智能在数学中的严重错位》，抗议AI公司把解题当军备竞赛基准。 到10月6日，OpenAI一次性在GitHub公开722篇AI完成的数学手稿（归为372组结果，撤回3篇后剩719篇），而陶哲轩在10月15日的访谈里坦承，这三百来项结果，他本人只看了大约10篇。 随后发布的《Math 2.0》讲稿把这一切收进一个判断：建立在「证明稀缺」假设上的传统数学（他称之为Math 1.0）正在翻页，只要算力足够，过去认为困难的问题如今能很快拿到解答。这就是「工业时代」的实际所指。量子位机器之心知乎专栏
为什么最先贬值的是「解题」
讲稿给出一条因果链：数学证明可以被客观验证，用Lean这类证明助手写出来就能让计算机机械检查；它不需要物理载体，也不需要真实世界的数据和实验；而解题要用到的文献，其中极大量的文献，如今已能以数字形式获得。 三个特性全部正对机器学习的口味，前沿实验室因此优先把资源砸向数学解题，巨额投入的结果就是「证明过剩」。陶哲轩借古德哈特定律点破要害：指标一旦被当作优化目标，就不再是好指标——「解题」在稀缺时代可以近似代表学术价值，在充裕时代，继续对它的盲目优化已对数学的长期健康造成实质伤害。题海战术的账本恰好记在这项指标上。他的依据也不是空谈：由他参与发起的First Proof评测在5月底测试四套AI系统，10道从未公开、全部出自真实研究过程的新题按学术期刊审稿标准评估，共解出7道，单题计算成本约10至1000美元。 题海苦练的速度和数量，正是AI按这个价位批量生产的东西。知乎专栏DeepTech深科技
三个站在他判断这边的学习法
讲座不是写给学生的，陶哲轩没有开列学习法清单；但把他对研究端的判断搬到学习场景，有三条与题海战术针锋相对。
方法一：把题目当「灯塔」，不当「终点」。 讲稿里有一句直接反对做题文化：未解问题不是要抵达的终点，而是探索周边数学地貌的引导；尝试中获得的经验，无论成败，往往比最终答案更有价值。 机器秒速冲到灯塔，打断的正是「未被选择之路」的探索——题海式学习最怕的损失就在这里：答案唾手可得时，过程价值要自己补。落地做法是每道题多做5分钟回看：卡在哪一步、标准解法的起点和我的差在哪、当时为什么想不到。陶哲轩今年9月就警告过，AI解题太快、过程又太黑盒，反而可能掩盖学习过程中那些宝贵的「失败」。 他本人就示范过这种用法：7月演讲次日，他让AI汇集整理自己过去发布的100多篇帖子、采访和视频，汇总他对AI的观点。 让AI整理、追问、出题，而不是让AI代答。知乎专栏量子位DeepTech深科技
方法二：以「讲得清」校准「会了」。 陶哲轩把「问题何时算真正解决」拆成五层：未经核验的证明，到验证、阐释、共同体接受、知识整合——AI能大幅提高这条链前端的效率，却无法自动扩建后端。 按这个标准，做对一道题不等于会：通过了机器验证却没人读懂的证明，问题不算解决；做对了却讲不清为什么的练习，同样不算掌握。他以自己年轻时读布尔甘1991年论文满页批注为例——理解产生于停顿、补全和重组；而过度光滑的AI文本把常规步骤和关键突破写得一样轻松，恰恰替你把该停下的地方抹平了。落地做法是每道题用三句话自检：为什么对、哪里最容易错、条件改一下会怎样；说不出来就不进下一题。生成已经不是瓶颈，人的阅读、理解和签字才是。DeepTech深科技知乎专栏
方法三：把「再刷一道」换成「改这一道」。 《Math 2.0》的研究清单里列着一种叫「消融研究」的做法：取一个已证明的定理，去掉某些关键理论或输入，看它是否仍可证明。 移植到学习里，就是一题多变的高级版：与其刷五道新题，不如拿一道典型题改条件、去假设、反转结论，看原解法哪一步断了、哪一步没断——把「多解一题」变成「掌握一片地形」。数学2.0的目标本身就是扩展前沿加去中心化解题，组织知识取代生产证明，成为工业时代的稀缺能力。对学习者，这意味着AI的正确用法是让它变式出题、追问你、给你的讲解打分；也可以让学生式地做「阐释」：为晦涩结果重新找到易懂的解释，加州理工学生办的Mathathon做的就是用开源AI为现有证明找更好的证明——练的正是阐释与重构。知乎专栏
边界与接下来看什么
边界要说清。陶哲轩说的是数学的评价与组织方式在变，不是数学不用学；他的论证面向研究共同体，以上三条是从其公开言论做的合理延伸，不构成教育端的实证结论；AI证明里好东西和垃圾各占多少，连他本人也说尚未测量。他给出的观察窗口是制度动作：未来更值得关注的，是期刊是否会调整审稿与AI使用披露规则，大学如何重新设计数学教育。 当「阐释、验证、整理」被系统重新定价，告别题海才算真正写进课堂。DeepTech深科技
