WEBVTT
Kind: captions
Language: zh

00:00:00.200 --> 00:00:03.133
AI终于能攻克数学界真正的难题

00:00:03.500 --> 00:00:06.066
数学家却在这个时候站出来抗议

00:00:06.500 --> 00:00:09.666
25位菲尔兹奖得主联合发出警告

00:00:09.800 --> 00:00:12.533
超过4,000名研究人员跟进联署

00:00:12.733 --> 00:00:14.366
他们没有庆祝机器

00:00:14.366 --> 00:00:16.100
跨过新的智力门槛

00:00:16.400 --> 00:00:19.766
反而说AI公司的目标正在伤害数学

00:00:20.100 --> 00:00:22.400
这里留下了一个没有闭合的问题

00:00:22.600 --> 00:00:24.533
一个能给出正确证明

00:00:24.566 --> 00:00:27.566
还能帮助人类解决百年难题的系统

00:00:27.966 --> 00:00:29.333
为什么会被最顶尖的

00:00:29.333 --> 00:00:31.133
一批数学家视为威胁

00:00:31.333 --> 00:00:32.966
这场冲突来得很快

00:00:33.100 --> 00:00:35.166
2026年9月11日

00:00:35.266 --> 00:00:37.166
陶哲轩在个人博客公开了

00:00:37.166 --> 00:00:39.533
一份名为人工智能在数学

00:00:39.533 --> 00:00:41.333
中的严重错位的声明

00:00:41.466 --> 00:00:44.500
首批签署人全部是菲尔兹奖得主

00:00:44.800 --> 00:00:45.466
其中包括

00:00:45.466 --> 00:00:48.733
彼得苏尔茨玛丽娜维亚佐夫斯卡

00:00:48.866 --> 00:00:51.700
吴宝珠考切尔比尔卡尔和

00:00:51.700 --> 00:00:53.500
阿图尔阿维拉等人

00:00:53.700 --> 00:00:55.766
真名网站随后开放连锁

00:00:56.266 --> 00:00:57.733
截至9月13日

00:00:57.766 --> 00:01:01.133
页面显示已有4,152名支持者

00:01:01.166 --> 00:01:02.566
如果只看标题

00:01:02.666 --> 00:01:04.133
很容易把它理解成

00:01:04.133 --> 00:01:06.300
传统学术界抵制新工具

00:01:06.600 --> 00:01:09.400
声明的内容却没有要求禁止AI

00:01:09.766 --> 00:01:12.066
也没有否认AI的研究价值

00:01:12.266 --> 00:01:14.900
签署者承认大语言模型的数学

00:01:14.900 --> 00:01:18.166
能力在最近几个月出现了剧烈提升

00:01:18.366 --> 00:01:19.700
已经能解决多个

00:01:19.700 --> 00:01:21.500
领域的重要未决问题

00:01:21.866 --> 00:01:24.733
他们真正反对的是AI公司把

00:01:24.733 --> 00:01:27.066
数学难题当做产品基准

00:01:27.200 --> 00:01:29.933
发布会成绩和商业竞赛的燃料

00:01:30.066 --> 00:01:32.500
这两种目标看起来只差一点

00:01:33.000 --> 00:01:34.400
最后可能把数学带

00:01:34.400 --> 00:01:35.900
向完全不同的地方

00:01:36.166 --> 00:01:39.100
AI公司需要一个容易传播的数字

00:01:39.400 --> 00:01:41.000
模型做对了几道题

00:01:41.200 --> 00:01:43.100
解决了多少开放问题

00:01:43.600 --> 00:01:45.466
性能超过了多少专家

00:01:45.700 --> 00:01:48.166
数学共同体需要的东西慢得多

00:01:48.166 --> 00:01:49.866
一套证明为什么成立

00:01:50.133 --> 00:01:51.866
他创造了什么新方法

00:01:52.066 --> 00:01:53.900
能不能被其他人理解

00:01:54.100 --> 00:01:56.333
能不能继续推到别的问题上

00:01:56.400 --> 00:01:58.500
又能不能进入课堂和教材

00:01:58.900 --> 00:02:00.300
前者需要结果

00:02:00.400 --> 00:02:02.166
后者需要形成知识

00:02:02.366 --> 00:02:03.366
过去一年

00:02:03.566 --> 00:02:05.933
冲突所需的技术条件已经出现

00:02:06.500 --> 00:02:07.966
2026年2月

00:02:08.133 --> 00:02:10.266
Openai让内部模型挑战

00:02:10.266 --> 00:02:12.166
10道研究级数学问题

00:02:12.366 --> 00:02:13.966
公司最初判断至少

00:02:13.966 --> 00:02:16.066
5份证明很可能正确

00:02:16.366 --> 00:02:17.966
同时承认第二题的

00:02:17.966 --> 00:02:19.733
答案后来被发现有误

00:02:19.933 --> 00:02:21.566
这个细节非常关键

00:02:21.800 --> 00:02:24.500
研究级数学没有现成答案可以对照

00:02:25.133 --> 00:02:27.166
一份写的像证明的文字与

00:02:27.166 --> 00:02:29.000
一份真正经得住同行检查

00:02:29.000 --> 00:02:31.500
的证明外观可能非常接近

00:02:31.600 --> 00:02:32.600
到了5月

00:02:32.733 --> 00:02:35.533
Openai宣布内部模型推翻了一个与

00:02:35.533 --> 00:02:38.266
平面单位距离有关的长崎猜想

00:02:38.566 --> 00:02:39.866
多位数学家认为

00:02:39.866 --> 00:02:42.000
这项成果包含真正新颖

00:02:42.000 --> 00:02:44.066
的构造和跨领域方法

00:02:44.333 --> 00:02:45.966
如果一名人类研究者

00:02:45.966 --> 00:02:47.566
独立完成同样工作

00:02:47.566 --> 00:02:49.566
成果足以进入顶级期刊

00:02:49.800 --> 00:02:53.100
AI做数学由此跨过了一道重要界限

00:02:53.366 --> 00:02:54.666
他不再只会整理

00:02:54.666 --> 00:02:56.733
已知定理或解竞赛题

00:02:56.866 --> 00:02:59.800
开始在专业研究的前沿制造新结果

00:02:59.900 --> 00:03:03.400
8月Openai又集中公布10项数学

00:03:03.400 --> 00:03:05.866
与理论计算机科学进展

00:03:06.366 --> 00:03:08.333
9月Anthropic表示

00:03:08.533 --> 00:03:10.733
Claude用11天写出了费马大

00:03:10.733 --> 00:03:13.400
定理的完整lean形式化版本

00:03:13.600 --> 00:03:15.666
代码量达到1,300万行

00:03:15.933 --> 00:03:18.400
包含29,500个中间定理

00:03:18.866 --> 00:03:22.066
紧接着Openai宣布内部系统给出了

00:03:22.066 --> 00:03:25.066
纳维斯托克斯千禧年难题的一套

00:03:25.066 --> 00:03:27.933
解答并附上lean形式化证明

00:03:28.066 --> 00:03:31.100
后一个成果仍需数学界独立审查

00:03:32.000 --> 00:03:33.133
也没有自动获得

00:03:33.133 --> 00:03:34.933
克雷数学研究所承认

00:03:35.566 --> 00:03:38.333
可能力变化本身已经无法忽视

00:03:38.566 --> 00:03:39.966
数学家面对的是成

00:03:39.966 --> 00:03:41.666
规模的专业研究能力

00:03:42.200 --> 00:03:44.533
机器可以并行生成大量思路

00:03:44.733 --> 00:03:46.466
反复尝试证明路线

00:03:46.566 --> 00:03:49.066
再调用形式化工具检查逻辑

00:03:49.300 --> 00:03:51.666
它的工作速度开始超过

00:03:51.666 --> 00:03:54.100
人类共同体吸收结果的速度

00:03:54.200 --> 00:03:56.133
过去一项重大成果

00:03:56.133 --> 00:03:58.133
可能让同行讨论几年

00:03:58.766 --> 00:04:00.966
现在同一家公司可以在

00:04:00.966 --> 00:04:03.533
一个月里连续抛出多项突破

00:04:03.933 --> 00:04:06.666
这正是申敏最担心的第一件事

00:04:07.366 --> 00:04:09.533
数学问题会被过快的消耗

00:04:09.866 --> 00:04:11.966
普通人往往把未解难题

00:04:11.966 --> 00:04:13.800
理解成一扇锁着的门

00:04:13.933 --> 00:04:16.466
谁找到钥匙谁就完成任务

00:04:16.800 --> 00:04:19.566
研究数学里的难题更接近一座路标

00:04:19.800 --> 00:04:21.100
它告诉研究者

00:04:21.200 --> 00:04:23.533
现有工具在哪个位置失效

00:04:23.666 --> 00:04:25.933
几代人向它靠近的过程中

00:04:25.966 --> 00:04:27.900
会发明新的语言新

00:04:27.900 --> 00:04:29.700
的概念和新的连接

00:04:30.500 --> 00:04:31.333
很多时候

00:04:31.533 --> 00:04:33.266
沿路出现的工具比最后

00:04:33.266 --> 00:04:35.166
那一步更能改变学科

00:04:35.400 --> 00:04:37.400
费马大定理就是典型例子

00:04:37.666 --> 00:04:39.333
怀尔斯的证明解决了一个

00:04:39.333 --> 00:04:41.966
写在书页边缘300多年的猜想

00:04:42.333 --> 00:04:44.166
围绕它发展起来的椭圆

00:04:44.166 --> 00:04:46.866
曲线模形式和数论方法

00:04:46.933 --> 00:04:48.733
还把原本相隔很远的

00:04:48.733 --> 00:04:50.700
数学区域连接到了一起

00:04:50.800 --> 00:04:52.400
学生学习这段历史

00:04:52.566 --> 00:04:54.933
除了知道方程没有正整数解

00:04:55.566 --> 00:04:57.900
还会接受一整套如何提出问题

00:04:58.066 --> 00:05:00.466
承受失败和重建工具的训练

00:05:00.600 --> 00:05:03.266
AI公司却天然偏爱终点

00:05:03.766 --> 00:05:05.333
终点可以做成新闻

00:05:05.500 --> 00:05:06.966
可以写进系统卡

00:05:07.100 --> 00:05:08.900
也可以变成估值叙事

00:05:09.600 --> 00:05:12.400
漫长的理解过程很难放进排行榜

00:05:12.566 --> 00:05:14.166
模型解决一道谜题

00:05:14.333 --> 00:05:16.933
企业获得一枚清楚的能力徽章

00:05:17.333 --> 00:05:19.300
模型帮助10名博士生

00:05:19.300 --> 00:05:20.966
慢慢建立新的直觉

00:05:21.133 --> 00:05:23.066
几乎无法被市场计价

00:05:23.200 --> 00:05:25.933
申铭因此用了一个很重的判断

00:05:26.600 --> 00:05:28.900
大规模生产真与假的结论

00:05:28.900 --> 00:05:31.366
可能毁掉孕育新思想的土壤

00:05:31.733 --> 00:05:33.500
这里说的毁掉并不

00:05:33.500 --> 00:05:35.166
代表旧定理会消失

00:05:35.533 --> 00:05:37.166
真正可能消失的是研究

00:05:37.166 --> 00:05:39.500
问题承担的训练功能

00:05:39.566 --> 00:05:41.300
一个年轻数学家原本

00:05:41.300 --> 00:05:43.066
可以沿着难题走几年

00:05:43.066 --> 00:05:45.133
在失败里形成判断力

00:05:45.466 --> 00:05:47.600
模型提前给出路线以后

00:05:47.666 --> 00:05:49.333
他也许能读懂结果

00:05:49.333 --> 00:05:51.733
却没有经历寻找路线的过程

00:05:52.100 --> 00:05:53.533
这和学生直接看到

00:05:53.533 --> 00:05:55.366
考试答案有一点相似

00:05:55.366 --> 00:05:56.566
却更加复杂

00:05:56.766 --> 00:05:58.966
考试题的目标本来就是训练

00:05:59.500 --> 00:06:02.266
研究问题的答案还会推动知识前进

00:06:02.766 --> 00:06:04.766
AI解决它当然有价值

00:06:04.800 --> 00:06:06.066
但它同时拿走了

00:06:06.066 --> 00:06:08.266
一部分供人类成长的阻力

00:06:08.466 --> 00:06:09.966
数学界需要判断

00:06:10.066 --> 00:06:12.000
哪些阻力只是低效率

00:06:12.133 --> 00:06:14.866
哪些阻力恰好构成了研究能力

00:06:15.066 --> 00:06:16.533
抗疫发生前一天

00:06:16.966 --> 00:06:19.966
另一场争议已经把矛盾推到台前

00:06:19.966 --> 00:06:21.733
一个名为Mathathon的活动

00:06:21.733 --> 00:06:24.300
计划组织100支数学团队

00:06:24.366 --> 00:06:26.533
在40小时内使用前沿

00:06:26.533 --> 00:06:28.300
模型攻击开放问题

00:06:28.366 --> 00:06:31.900
并获得大约200万美元的AI算力额度

00:06:32.000 --> 00:06:34.733
活动宣传曾提出一个刺激性问题

00:06:35.166 --> 00:06:38.166
当AI解决猜想比人更快时

00:06:38.366 --> 00:06:40.366
数学家还扮演什么角色

00:06:40.566 --> 00:06:42.166
一批现任和前任

00:06:42.166 --> 00:06:44.566
加州理工学院数学研究者发出

00:06:44.566 --> 00:06:47.066
公开信要求暂停活动

00:06:47.300 --> 00:06:50.066
他们担心40小时冲刺会

00:06:50.066 --> 00:06:51.900
鼓励参与者抢结果

00:06:52.300 --> 00:06:55.066
把审查负担留给整个学术共同体

00:06:55.133 --> 00:06:57.266
还会让学生在不了解证明的

00:06:57.266 --> 00:06:59.800
情况下发布看起来重大的结论

00:07:00.066 --> 00:07:02.166
Openai随后撤回赞助

00:07:02.600 --> 00:07:04.133
组织方也删除了那句

00:07:04.133 --> 00:07:06.333
关于数学家角色的宣传语

00:07:06.533 --> 00:07:08.866
并承认活动设计需要更充分

00:07:08.866 --> 00:07:12.666
的回应验证署名和教育问题

00:07:12.800 --> 00:07:14.800
Methathon把抽象争论变成了

00:07:14.800 --> 00:07:16.866
一套看得见的激励机制

00:07:17.166 --> 00:07:19.700
每支团队拿到高额计算资源

00:07:19.866 --> 00:07:21.533
时间只有40小时

00:07:22.066 --> 00:07:23.700
成功标准是解决并

00:07:23.700 --> 00:07:25.266
展示一个开放问题

00:07:25.400 --> 00:07:27.966
这样的赛制会奖励速度和结果

00:07:27.966 --> 00:07:30.900
不会自然奖励两个月后的复合质量

00:07:31.166 --> 00:07:32.966
组织者可以要求严谨

00:07:33.100 --> 00:07:36.100
但奖项注意力和公司宣传都

00:07:36.100 --> 00:07:38.600
在推动参与者尽快宣布突破

00:07:38.733 --> 00:07:41.200
AI数学的第二个矛盾就藏在这里

00:07:41.466 --> 00:07:43.800
生成证明的成本下降以后

00:07:44.000 --> 00:07:46.700
验证证明的成本未必同步下降

00:07:47.133 --> 00:07:49.700
传统论文的作者要对每一步负责

00:07:49.866 --> 00:07:51.166
同行发现漏洞

00:07:51.366 --> 00:07:53.666
作者需要回答修正

00:07:53.900 --> 00:07:55.866
严重时还要撤回结论

00:07:56.066 --> 00:07:57.600
模型可以在短时间内

00:07:57.600 --> 00:07:59.500
生成几十份候选证明

00:07:59.900 --> 00:08:00.866
其中大部分可能

00:08:00.866 --> 00:08:02.533
包含难以发现的错误

00:08:02.766 --> 00:08:04.666
研究者把它们交给同行

00:08:04.766 --> 00:08:06.733
生产成本由机器承担

00:08:06.900 --> 00:08:08.933
审查成本却转移给人类

00:08:09.100 --> 00:08:10.466
数量一旦扩大

00:08:10.600 --> 00:08:11.600
数学共同体

00:08:11.600 --> 00:08:14.133
会遭遇一种新的拒绝服务攻击

00:08:14.533 --> 00:08:15.733
系统仍然运行

00:08:15.800 --> 00:08:17.133
专家的注意力却被

00:08:17.133 --> 00:08:19.000
海量待验证材料占满

00:08:19.200 --> 00:08:21.966
形式化证明看起来能解决这个问题

00:08:22.366 --> 00:08:24.166
Ling这样的证明助手要求

00:08:24.166 --> 00:08:26.166
每一步都符合明确规则

00:08:26.366 --> 00:08:28.566
机器可以检查结论是否

00:08:28.566 --> 00:08:30.866
由公理和已有定理推出

00:08:31.000 --> 00:08:33.000
Anthropic的费马大定理

00:08:33.000 --> 00:08:34.900
项目就展示了这条路线

00:08:35.066 --> 00:08:37.200
1,300万行代码虽然庞大

00:08:37.300 --> 00:08:39.900
但至少提供了可机械核验的对象

00:08:40.333 --> 00:08:43.700
Openai公布纳维斯托克斯成果时

00:08:43.733 --> 00:08:46.766
也把Ling版本作为可信度的重要支柱

00:08:46.966 --> 00:08:49.666
机械验证解决的是逻辑有效性

00:08:49.900 --> 00:08:52.066
没能独自解决数学价值

00:08:52.166 --> 00:08:54.400
一个形式化证明可能正确

00:08:54.566 --> 00:08:56.700
却长到几乎没人能阅读

00:08:57.133 --> 00:08:59.333
他可能反复调用复杂引理

00:08:59.500 --> 00:09:02.533
却没有提炼出人类能复用的新观念

00:09:03.066 --> 00:09:06.100
他还可能依赖已有库中的大量工作

00:09:06.200 --> 00:09:08.800
而这些贡献在大众传播中被

00:09:08.800 --> 00:09:12.733
压缩成某个模型独立证明正确性

00:09:13.266 --> 00:09:16.133
理解和归属是三张不同的成绩单

00:09:16.200 --> 00:09:17.500
这也解释了申明

00:09:17.500 --> 00:09:19.200
为什么反复谈到写作

00:09:19.733 --> 00:09:21.966
数学成果要真正进入学科

00:09:22.500 --> 00:09:24.266
需要从最初的证明压缩

00:09:24.266 --> 00:09:26.000
成一套能交流的方法

00:09:26.266 --> 00:09:27.933
研究者会举办报告

00:09:28.100 --> 00:09:30.166
同行会寻找更短的路线

00:09:30.700 --> 00:09:32.266
教师会重写定义

00:09:32.533 --> 00:09:34.900
后来者会把结果放进教材

00:09:35.066 --> 00:09:37.133
这个过程有时持续10年

00:09:37.700 --> 00:09:39.400
最后留下来的包括结论

00:09:39.500 --> 00:09:40.766
也包括其他人能够

00:09:40.766 --> 00:09:42.500
继续使用的思考方式

00:09:42.900 --> 00:09:44.900
AI可以生成第一版证明

00:09:44.933 --> 00:09:46.666
也可以协助形式化

00:09:46.700 --> 00:09:48.500
可只要机器产生的速度

00:09:48.533 --> 00:09:50.333
远高于人类整理速度

00:09:50.800 --> 00:09:52.900
知识库里就会出现越来越多

00:09:52.900 --> 00:09:55.266
已经证明但尚未消化的区域

00:09:55.466 --> 00:09:57.166
人类知道结论成立

00:09:57.333 --> 00:09:59.933
却说不清它与整个学科的关系

00:10:00.400 --> 00:10:01.800
数学人在增长

00:10:01.966 --> 00:10:05.000
数学家的共同理解却没有同比增长

00:10:05.100 --> 00:10:07.666
这种状态会制造第三个风险

00:10:07.900 --> 00:10:09.200
知识开始分层

00:10:09.400 --> 00:10:11.100
少数拥有最强模型和

00:10:11.100 --> 00:10:13.200
最大算力的公司位于上层

00:10:13.466 --> 00:10:16.700
能够生成筛选和验证大量结果

00:10:17.300 --> 00:10:18.966
大学研究者位于下沉

00:10:19.300 --> 00:10:21.966
只能等待公司选择哪些成果公开

00:10:22.133 --> 00:10:23.366
公开的证明也可能

00:10:23.366 --> 00:10:25.100
使用尚未发布的模型

00:10:25.700 --> 00:10:27.300
外界无法复现实验

00:10:27.333 --> 00:10:28.966
更无法判断同类问题

00:10:28.966 --> 00:10:30.900
上到底失败了多少次

00:10:31.066 --> 00:10:33.366
数学过去也依赖昂贵资源

00:10:33.400 --> 00:10:35.933
大型计算数据库和专业

00:10:35.933 --> 00:10:37.866
软件从来不是免费的

00:10:38.100 --> 00:10:40.333
但纸和黑板上的核心论证

00:10:40.366 --> 00:10:42.566
原则上可以被全世界检查

00:10:42.733 --> 00:10:44.466
前沿模型把推理能力

00:10:44.466 --> 00:10:46.500
封装成商业服务以后

00:10:46.666 --> 00:10:49.666
研究条件会受到账户权限算力

00:10:49.666 --> 00:10:52.700
配额保密协议和公司策略影响

00:10:52.866 --> 00:10:54.733
谁能接触下一代系统

00:10:54.766 --> 00:10:56.266
谁就可能提前进入

00:10:56.266 --> 00:10:57.800
一片新的数学大陆

00:10:58.066 --> 00:11:00.666
于是署名问题不再只是礼貌

00:11:01.300 --> 00:11:03.500
模型训练材料来自几十年

00:11:03.500 --> 00:11:06.366
甚至几百年的论文教材和讨论

00:11:06.866 --> 00:11:08.966
一个新证明还可能沿着某位

00:11:08.966 --> 00:11:11.733
研究者刚刚公开的思路继续推进

00:11:11.866 --> 00:11:14.366
公司最后宣布模型解决了问题

00:11:14.800 --> 00:11:16.066
中间的人类贡献

00:11:16.100 --> 00:11:17.933
很容易变成背景噪声

00:11:18.266 --> 00:11:20.700
数学界对优先权格外敏感

00:11:20.700 --> 00:11:21.733
因为一个结果的

00:11:21.733 --> 00:11:23.900
价值常常与谁先提出

00:11:24.100 --> 00:11:26.100
谁先证明紧密相连

00:11:26.400 --> 00:11:28.966
人类作者需要引用前人的定理

00:11:29.100 --> 00:11:30.933
解释自己的新增部分

00:11:31.133 --> 00:11:32.400
模型很难可靠

00:11:32.600 --> 00:11:34.900
追踪某个想法来自训练材料

00:11:35.066 --> 00:11:37.066
搜索结果还是当前提示

00:11:37.333 --> 00:11:39.666
即使最终证明没有逐字复制

00:11:39.800 --> 00:11:41.700
思路归属仍可能模糊

00:11:42.466 --> 00:11:44.533
声明把它与抄袭风险并列

00:11:44.666 --> 00:11:45.800
原因就在这里

00:11:46.000 --> 00:11:47.733
AI公司也并非完全

00:11:47.733 --> 00:11:49.200
没有回应这些问题

00:11:49.666 --> 00:11:52.466
Openai在公布10项数学进展时

00:11:52.466 --> 00:11:55.133
专门加入对数学共同体的责任

00:11:55.366 --> 00:11:57.200
表示要提供证明推理

00:11:57.200 --> 00:11:59.133
过程和外部专家意见

00:11:59.300 --> 00:12:02.200
first proof项目承认流程不够干净

00:12:02.333 --> 00:12:04.200
并公开修正了一道最初

00:12:04.200 --> 00:12:05.866
判断可能正确的答案

00:12:06.466 --> 00:12:08.400
Methon组织者面对批评后

00:12:08.400 --> 00:12:10.333
也调整了宣传与规则

00:12:10.500 --> 00:12:13.400
这些动作表明公司知道旧的产品

00:12:13.400 --> 00:12:16.600
发布方式无法直接套到数学研究上

00:12:16.666 --> 00:12:19.533
这些善意声明很难抵消商业竞争

00:12:19.766 --> 00:12:23.300
Openai Anthropic Google和其他实验室

00:12:23.333 --> 00:12:25.666
都需要证明下一代模型更强

00:12:26.066 --> 00:12:28.066
数学具有明确问题可

00:12:28.066 --> 00:12:30.366
检查答案和高度智力象征

00:12:30.600 --> 00:12:32.866
几乎是最理想的展示舞台

00:12:33.000 --> 00:12:35.133
一家公司如果选择慢下来

00:12:35.133 --> 00:12:37.566
竞争对手仍可能先公布结果

00:12:37.900 --> 00:12:39.066
没有共同规则

00:12:39.266 --> 00:12:41.300
谨慎就会变成市场劣势

00:12:41.533 --> 00:12:43.966
数学家的抗议因此指向制度

00:12:44.100 --> 00:12:45.900
而不仅是某一家企业

00:12:45.966 --> 00:12:47.400
2026年6月

00:12:47.466 --> 00:12:49.666
国际数学联盟已经支持

00:12:49.700 --> 00:12:52.000
莱顿人工智能与数学宣言

00:12:52.366 --> 00:12:54.900
那份文件要求AI辅助研究保持

00:12:54.900 --> 00:12:58.600
披露可复现责任归属和公平获取

00:12:58.733 --> 00:13:00.766
并提醒公众不要把企业

00:13:00.766 --> 00:13:02.900
宣传直接当成同行评议

00:13:03.400 --> 00:13:05.533
9月的新声明语气更急

00:13:05.766 --> 00:13:08.766
说明几个月内能力跃升和发布节奏

00:13:08.933 --> 00:13:11.866
已经让原来的原则性警告显得不够

00:13:12.000 --> 00:13:13.400
反对这场抗议的人

00:13:13.400 --> 00:13:15.000
也提出了有力问题

00:13:15.400 --> 00:13:17.466
数学史上从来不缺新工具

00:13:17.733 --> 00:13:20.933
计算器计算机代数系统自动

00:13:20.933 --> 00:13:23.900
定理证明和数值模拟都曾被质疑

00:13:24.133 --> 00:13:26.066
最后却扩大了研究边界

00:13:26.266 --> 00:13:28.400
如果机器能验证正确结论

00:13:28.500 --> 00:13:30.100
为什么一定要让人类

00:13:30.100 --> 00:13:32.000
重复经历漫长失败

00:13:32.333 --> 00:13:34.466
把开放问题当做模型测试

00:13:34.600 --> 00:13:37.566
也可能带来过去无法获得的新方法

00:13:37.733 --> 00:13:39.700
还有一种批评更加直接

00:13:40.333 --> 00:13:42.466
数学家强调人类理解

00:13:42.466 --> 00:13:44.500
可能是在保护职业身份

00:13:44.700 --> 00:13:46.533
一个领域长期把解决

00:13:46.533 --> 00:13:48.300
难题视为最高荣誉

00:13:48.500 --> 00:13:50.566
当机器突然也能完成

00:13:50.666 --> 00:13:53.000
这套身份当然会受到冲击

00:13:53.400 --> 00:13:55.066
抗疫里既有公共利益

00:13:55.200 --> 00:13:56.533
也不可能完全没有

00:13:56.533 --> 00:13:58.800
地位就业和声望焦虑

00:13:59.100 --> 00:14:01.966
把所有担忧都包装成纯粹学术原则

00:14:02.100 --> 00:14:03.333
同样不够诚实

00:14:03.533 --> 00:14:05.933
这些反驳不能被轻易驳回

00:14:06.166 --> 00:14:08.300
AI解决单位距离猜想的

00:14:08.300 --> 00:14:10.333
案例已经证明机器可以

00:14:10.333 --> 00:14:12.600
提出专家认可的新颖思路

00:14:12.900 --> 00:14:14.600
费马大定理形式化也展示

00:14:14.600 --> 00:14:16.500
了自动化工具如何处理

00:14:16.500 --> 00:14:18.600
人类很难承受的工程量

00:14:18.733 --> 00:14:21.966
若因为担忧就把AI排除在数学之外

00:14:22.133 --> 00:14:25.066
结果可能是研究转入少数企业内部

00:14:25.066 --> 00:14:25.866
公共

00:14:26.166 --> 00:14:27.500
学术界反而失去

00:14:27.500 --> 00:14:29.300
参与制定规则的机会

00:14:29.366 --> 00:14:31.600
真正需要回答的问题是

00:14:31.600 --> 00:14:33.766
怎样让AI产生的结果

00:14:34.100 --> 00:14:37.266
继续服务于可理解可传承的数学

00:14:37.300 --> 00:14:40.066
这个目标至少需要5条新规则

00:14:40.166 --> 00:14:42.766
第一重大成果必须区分

00:14:42.766 --> 00:14:45.700
发现证明验证和解释

00:14:45.900 --> 00:14:48.600
模型找到猜想反例是一项贡献

00:14:48.900 --> 00:14:51.266
生成自然语言证明是另一项

00:14:51.533 --> 00:14:53.733
Lin通过检查又是第三项

00:14:54.066 --> 00:14:55.733
外部数学家把方法整理

00:14:55.733 --> 00:14:57.533
成人类能理解的论文

00:14:57.533 --> 00:14:59.266
仍然构成独立工作

00:14:59.500 --> 00:15:01.333
宣传材料不能把这些环节

00:15:01.333 --> 00:15:03.933
压缩成一句AI独立解决

00:15:04.066 --> 00:15:06.133
第二发布要有冷却期

00:15:06.366 --> 00:15:07.866
公司可以先把候选

00:15:07.866 --> 00:15:09.500
结果交给领域专家

00:15:09.533 --> 00:15:11.500
在证明引用和归属

00:15:11.500 --> 00:15:13.733
完成基本检查后再公开

00:15:14.133 --> 00:15:15.800
数学新闻没有必要沿用

00:15:15.800 --> 00:15:18.266
消费电子产品抢首发的节奏

00:15:18.366 --> 00:15:20.366
慢几周不会损害定理

00:15:20.600 --> 00:15:21.866
抢几小时却可能

00:15:21.866 --> 00:15:24.600
伤害研究者的优先权第三

00:15:24.800 --> 00:15:27.533
验证成本需要由结果生产者承担

00:15:27.900 --> 00:15:29.500
一个实验室批量生成

00:15:29.500 --> 00:15:31.333
100份开放问题证明

00:15:31.566 --> 00:15:34.066
就应该提供相应的审查资源

00:15:34.466 --> 00:15:36.933
形式化材料和长期维护承诺

00:15:37.333 --> 00:15:39.066
不能把筛错工作免费

00:15:39.066 --> 00:15:41.266
转嫁给大学里的少数专家

00:15:41.500 --> 00:15:43.133
模型的吞吐量越高

00:15:43.300 --> 00:15:46.100
提交门槛反而应该越严第四

00:15:46.533 --> 00:15:48.366
算力获取需要更公平

00:15:48.666 --> 00:15:51.133
企业可以向学术团队开放模型

00:15:51.266 --> 00:15:53.333
但分配过程应当透明

00:15:53.566 --> 00:15:56.166
不能只邀请容易制造新闻的项目

00:15:56.333 --> 00:15:59.133
公共机构也需要建设独立算力

00:15:59.200 --> 00:16:01.800
让数学研究不必把核心方向

00:16:01.800 --> 00:16:04.733
绑定在一家公司的产品路线图上

00:16:05.366 --> 00:16:08.200
第五教育必须保留必要的困难

00:16:08.300 --> 00:16:10.666
学生可以使用AI检查证明

00:16:10.866 --> 00:16:12.900
寻找反例和比较路线

00:16:13.000 --> 00:16:15.200
但课程仍要训练他们在没有

00:16:15.200 --> 00:16:17.400
即时答案时建立问题结构

00:16:17.766 --> 00:16:20.900
未来数学家最重要的能力可能从最

00:16:20.900 --> 00:16:24.600
快找到证明转向判断什么值得证明

00:16:24.733 --> 00:16:27.200
哪种解释真正增加理解

00:16:27.366 --> 00:16:30.333
这种能力无法靠跳过基础训练获得

00:16:30.366 --> 00:16:31.733
这场争议对数学

00:16:31.733 --> 00:16:33.466
以外的领域也有意义

00:16:34.166 --> 00:16:37.066
软件工程医学法律和内容

00:16:37.066 --> 00:16:39.166
创作正在经历相同变化

00:16:39.366 --> 00:16:41.966
企业用输出数量衡量AI价值

00:16:42.366 --> 00:16:43.666
职业共同体关心的

00:16:43.666 --> 00:16:46.266
却是判断力责任和传承

00:16:46.500 --> 00:16:48.733
机器把结果生产的更快

00:16:48.800 --> 00:16:50.733
不代表一个行业的目标

00:16:50.733 --> 00:16:53.100
也应该改成产量最大化

00:16:53.266 --> 00:16:56.333
数学只是最早把矛盾说的足够清楚

00:16:56.666 --> 00:16:58.566
因为数学结论可以验证

00:16:58.900 --> 00:17:01.800
很多人以为这里最适合放心自动化

00:17:01.866 --> 00:17:03.733
可连数学家都在提醒

00:17:03.866 --> 00:17:06.400
正确答案仍然不等于完整知识

00:17:06.800 --> 00:17:09.533
那么在医学诊断政策研究和

00:17:09.533 --> 00:17:12.533
司法判断这些更依赖语境的领域

00:17:12.666 --> 00:17:14.100
问题只会更难

00:17:14.266 --> 00:17:16.100
AI也许会让数学迎来

00:17:16.100 --> 00:17:17.400
前所未有的繁荣

00:17:17.900 --> 00:17:20.333
机器可以探索巨大的猜想空间

00:17:20.500 --> 00:17:22.266
人类负责选择方向

00:17:22.400 --> 00:17:24.500
提炼概念和解释意义

00:17:24.666 --> 00:17:26.366
另一条路同样存在

00:17:26.466 --> 00:17:29.000
少数公司不断公布机器突破

00:17:29.566 --> 00:17:30.933
大学疲于验证

00:17:31.333 --> 00:17:33.533
年轻研究者失去成长路径

00:17:33.900 --> 00:17:36.933
数学变成外界无法复现的工业产物

00:17:37.200 --> 00:17:39.866
25位菲尔兹奖得主真正争夺的

00:17:39.866 --> 00:17:42.133
是这两条路之间的选择权

00:17:42.366 --> 00:17:44.733
他们已经看见AI会做数学

00:17:44.800 --> 00:17:46.266
甚至看见它可能比

00:17:46.266 --> 00:17:48.100
绝大多数人做得更快

00:17:48.200 --> 00:17:49.300
正因如此

00:17:49.400 --> 00:17:51.000
现在才是制定规则的

00:17:51.000 --> 00:17:52.700
最后一个宽松窗口

00:17:52.933 --> 00:17:55.933
等机器每天生成上千项新结果以后

00:17:56.100 --> 00:17:57.666
学术共同体连整理

00:17:57.666 --> 00:17:59.466
问题的时间都未必还有

00:17:59.466 --> 00:18:01.300
外界还需要分清解决

00:18:01.300 --> 00:18:03.000
数学问题的几个层级

00:18:03.266 --> 00:18:04.600
第一层是找到一个

00:18:04.600 --> 00:18:06.166
看起来可行的答案

00:18:06.700 --> 00:18:09.200
第二层是由专家逐行检查

00:18:09.333 --> 00:18:10.966
确认没有隐藏漏洞

00:18:11.066 --> 00:18:12.800
第三层是把证明转成

00:18:12.800 --> 00:18:14.966
形式系统可以核验的表达

00:18:15.066 --> 00:18:17.066
第四层是提取新方法

00:18:17.166 --> 00:18:18.900
说明它为什么有效

00:18:19.000 --> 00:18:20.800
又适用于哪些问题

00:18:21.266 --> 00:18:22.800
第五层才是把成果

00:18:22.800 --> 00:18:24.800
纳入整个数学知识体系

00:18:25.066 --> 00:18:26.600
企业发布消息时

00:18:26.700 --> 00:18:28.266
常常会把第一层到

00:18:28.266 --> 00:18:30.733
第五层压成一个词解决

00:18:31.133 --> 00:18:33.666
这个词省去了最困难的部分

00:18:33.733 --> 00:18:35.766
一份证明可能已经通过Lin

00:18:36.166 --> 00:18:38.600
却仍然没有简洁的人类解释

00:18:39.300 --> 00:18:42.266
一项构造也可能被多位专家认可

00:18:42.733 --> 00:18:45.200
但它与模型训练资料里的既有

00:18:45.200 --> 00:18:48.366
思路存在多大关系仍需调查

00:18:48.466 --> 00:18:50.500
观众看到同一个解决背后

00:18:50.500 --> 00:18:53.400
对应的成熟度可能完全不同纳维

00:18:53.666 --> 00:18:56.966
斯托克斯案例尤其能说明这种差别

00:18:57.666 --> 00:19:00.400
Openai公开了论文和形式化材料

00:19:00.500 --> 00:19:02.666
这是接受检验的重要一步

00:19:02.700 --> 00:19:05.400
可千禧年难题有自己的正式程序

00:19:05.900 --> 00:19:08.000
数学界还要确认命题表达

00:19:08.133 --> 00:19:10.600
基础假设形式化代码与

00:19:10.600 --> 00:19:13.000
自然语言论证是否完全对应

00:19:13.200 --> 00:19:15.600
克雷数学研究所也不会因为公司

00:19:15.600 --> 00:19:18.533
发布页面出现就立即发放奖金

00:19:18.700 --> 00:19:20.866
用已经宣布解答描述

00:19:20.866 --> 00:19:22.666
当前状态比较准确

00:19:23.066 --> 00:19:27.266
写成九十年难题获得最终公认解决

00:19:27.333 --> 00:19:29.700
就跨过了尚未完成的审查

00:19:29.800 --> 00:19:32.066
单位距离猜想的情况又不一样

00:19:32.466 --> 00:19:34.100
外部数学家已经对成果的

00:19:34.100 --> 00:19:36.766
新颖性和期刊价值给予很高评价

00:19:36.933 --> 00:19:38.766
说明AI确实可能产生

00:19:38.766 --> 00:19:40.866
专业人士没有找到的思路

00:19:41.100 --> 00:19:43.900
这个例子让模型只是拼接

00:19:44.166 --> 00:19:46.733
训练数据的简单解释站不住脚

00:19:46.766 --> 00:19:49.000
但它也强化了署名难题

00:19:49.266 --> 00:19:51.300
模型使用了多少人类文献

00:19:51.566 --> 00:19:53.500
提示者如何选择问题

00:19:53.666 --> 00:19:55.866
外部专家怎样帮助验证

00:19:56.166 --> 00:19:58.700
公司又如何挑选最成功的运行

00:19:58.800 --> 00:20:00.966
这些环节共同构成成果

00:20:01.100 --> 00:20:03.133
如果所有功劳都归给模型

00:20:03.400 --> 00:20:05.500
人类协作者会被抹去

00:20:06.066 --> 00:20:08.900
如果所有功劳都归给操作模型的人

00:20:09.100 --> 00:20:11.166
模型的独立贡献又被低估

00:20:11.500 --> 00:20:14.766
传统作者制度只处理人和人的合作

00:20:15.300 --> 00:20:16.666
暂时没有适合这种

00:20:16.666 --> 00:20:18.333
混合生产的新标准

00:20:18.500 --> 00:20:20.500
出版社大学和资助机构

00:20:20.500 --> 00:20:23.300
必须决定模型能否作为作者

00:20:23.533 --> 00:20:26.333
提示与筛选过程是否需要公开

00:20:26.466 --> 00:20:28.900
失败尝试要保留到什么程度

00:20:29.100 --> 00:20:31.600
训练资料中的思想又该如何追溯

00:20:31.766 --> 00:20:34.133
这套礼仪不能等待多年再制定

00:20:34.900 --> 00:20:37.000
数学荣誉职位与研究

00:20:37.000 --> 00:20:38.900
经费都依赖成果归属

00:20:39.133 --> 00:20:42.000
一名年轻研究者花几年建立方法

00:20:42.133 --> 00:20:43.733
公司模型沿着公开

00:20:43.733 --> 00:20:45.366
线索完成最后一步

00:20:45.566 --> 00:20:47.600
新闻只记住模型名称

00:20:47.733 --> 00:20:49.700
这名研究者以后可能更不

00:20:49.700 --> 00:20:52.100
愿意提前分享开放交流

00:20:52.500 --> 00:20:53.766
一旦受到惩罚

00:20:54.066 --> 00:20:55.800
数学界会转向保密

00:20:56.333 --> 00:20:59.333
AI训练所依赖的新知识也会变少

00:20:59.333 --> 00:21:01.733
这里出现了一种很讽刺的反馈

00:21:02.100 --> 00:21:04.900
AI公司需要数学家公开论文和

00:21:04.900 --> 00:21:07.533
讨论模型才能接触最新思想

00:21:07.933 --> 00:21:09.700
公司又用最快速度把

00:21:09.700 --> 00:21:12.066
这些思想转化为机器成果

00:21:12.266 --> 00:21:14.566
削弱人类公开分享的回报

00:21:14.866 --> 00:21:17.566
短期看企业获得更多突破

00:21:17.766 --> 00:21:20.766
长期看知识源头可能因此收紧

00:21:21.300 --> 00:21:23.400
一个依赖开放科学的产业

00:21:23.500 --> 00:21:25.866
如果把开放贡献者变成输家

00:21:26.000 --> 00:21:28.166
最终会破坏自己的上游供应

00:21:28.366 --> 00:21:30.700
研究经费同样会受到影响

00:21:31.333 --> 00:21:33.066
公共资助者看到模型

00:21:33.066 --> 00:21:35.066
能在几天内完成证明

00:21:35.066 --> 00:21:37.600
可能认为数学研究应该更便宜

00:21:37.700 --> 00:21:40.000
或者把资金转向算力采购

00:21:40.300 --> 00:21:41.700
可模型能够使用的

00:21:41.700 --> 00:21:43.866
概念问题和验证标准

00:21:43.900 --> 00:21:45.900
全都来自长期基础研究

00:21:46.133 --> 00:21:47.566
减少对人的投资

00:21:47.800 --> 00:21:50.333
短期不会立刻让模型停下

00:21:50.400 --> 00:21:52.933
几年后却会出现新问题不足

00:21:53.133 --> 00:21:55.900
专业审查不足和理论教育断层

00:21:56.333 --> 00:21:58.533
大学最容易犯的错误是把

00:21:58.533 --> 00:22:00.866
AI理解成普通效率工具

00:22:01.000 --> 00:22:03.900
然后用同一人数追求更多论文

00:22:04.500 --> 00:22:06.133
研究者会被迫不断提交

00:22:06.133 --> 00:22:07.933
模型生成的候选成果

00:22:08.066 --> 00:22:10.500
同行评审则被更多材料淹没

00:22:10.766 --> 00:22:12.266
产出数字上升

00:22:12.533 --> 00:22:14.933
真正被消化的知识反而下降

00:22:15.100 --> 00:22:16.700
AI带来的节省最后

00:22:16.700 --> 00:22:18.700
转化成更高考核压力

00:22:18.766 --> 00:22:21.300
没有留下更深研究所需的时间

00:22:21.400 --> 00:22:23.166
另一种极端也有风险

00:22:23.733 --> 00:22:25.566
大学如果全面禁止AI

00:22:25.800 --> 00:22:28.800
学生和研究人员会在地下使用方法

00:22:28.966 --> 00:22:30.400
无法讨论失败

00:22:30.566 --> 00:22:32.666
案例也不会进入公共经验

00:22:33.066 --> 00:22:35.300
公司内部则继续快速推进

00:22:35.466 --> 00:22:36.466
几年以后

00:22:36.466 --> 00:22:38.733
最强工具使用技巧和

00:22:38.733 --> 00:22:40.733
前沿成果都集中在企业

00:22:40.966 --> 00:22:43.200
学术界只剩下事后评论

00:22:43.566 --> 00:22:44.966
抗议要产生作用

00:22:44.966 --> 00:22:47.400
必须把拒绝失控竞赛与

00:22:47.400 --> 00:22:49.466
参与技术设计同时推进

00:22:49.666 --> 00:22:51.000
比较可行的路径

00:22:51.333 --> 00:22:53.533
是把AI当成一种需要公开

00:22:53.533 --> 00:22:55.866
实验记录的新型研究设备

00:22:56.100 --> 00:22:57.600
数学家使用它时

00:22:57.600 --> 00:23:00.300
要记录模型版本提示方式

00:23:00.400 --> 00:23:03.733
搜索预算人工选择和后续修改

00:23:04.066 --> 00:23:06.200
公司公司声称模型独立发现时

00:23:06.200 --> 00:23:09.133
也应披露运行次数与筛选过程

00:23:09.200 --> 00:23:10.533
一次成功输出

00:23:10.533 --> 00:23:12.800
如果来自百万次并行尝试

00:23:12.966 --> 00:23:14.733
它仍然可能很有价值

00:23:14.800 --> 00:23:16.466
但这种能力与单次

00:23:16.466 --> 00:23:18.266
推理产生原创洞见

00:23:18.266 --> 00:23:19.866
属于两种不同现象

00:23:20.100 --> 00:23:21.766
失败记录特别重要

00:23:22.166 --> 00:23:24.866
模型发布页天然只展示成功案例

00:23:25.200 --> 00:23:27.133
外界容易高估稳定性

00:23:27.300 --> 00:23:29.000
first proof里那道后来

00:23:29.000 --> 00:23:30.733
确认错误的答案说明

00:23:31.066 --> 00:23:32.500
初步专家印象也

00:23:32.500 --> 00:23:34.300
可能被流畅论证影响

00:23:34.600 --> 00:23:36.533
只有同时知道成功率

00:23:36.533 --> 00:23:39.100
错误类型和人工干预程度

00:23:39.500 --> 00:23:41.566
数学家才能判断模型究竟

00:23:41.566 --> 00:23:44.000
适合提出猜想寻找证明

00:23:44.133 --> 00:23:46.266
还是只适合做形式检查

00:23:46.400 --> 00:23:48.300
同行评审也需要改变

00:23:48.700 --> 00:23:51.300
过去审稿人主要判断一篇论文

00:23:51.500 --> 00:23:54.266
现在可能要审查一套人机工作流

00:23:54.600 --> 00:23:55.966
证明本身正确

00:23:56.066 --> 00:23:57.800
不代表实验设计足以

00:23:57.800 --> 00:24:00.066
支持模型自主完成的宣传

00:24:00.300 --> 00:24:03.466
审查者还要看问题是否提前泄露

00:24:03.933 --> 00:24:07.133
模型能否从训练数据找回近似答案

00:24:07.500 --> 00:24:10.000
人类提供了多少方向性提示

00:24:10.400 --> 00:24:13.166
以及公司有没有只挑最好结果

00:24:13.300 --> 00:24:15.666
这些要求会让发布速度下降

00:24:15.700 --> 00:24:17.566
却不会阻止AI进步

00:24:17.966 --> 00:24:18.400
相反

00:24:18.400 --> 00:24:21.566
他们能把真正能力与营销噪声分开

00:24:21.600 --> 00:24:23.166
一个模型若能在透明

00:24:23.166 --> 00:24:25.333
条件下稳定解决陌生问题

00:24:25.533 --> 00:24:27.366
价值会比一连串无法

00:24:27.366 --> 00:24:29.300
复现的轰动标题更高

00:24:29.400 --> 00:24:32.000
企业也能借此建立可信记录

00:24:32.300 --> 00:24:34.200
避免每次数学发布都

00:24:34.200 --> 00:24:36.200
陷入真假和抢功争议

00:24:36.533 --> 00:24:37.800
对普通观众而言

00:24:37.800 --> 00:24:39.133
这场抗议还提供了

00:24:39.133 --> 00:24:41.133
一个判断AI新闻的方法

00:24:41.200 --> 00:24:43.366
看到AI解决世纪难题

00:24:43.400 --> 00:24:44.766
先问四件事

00:24:44.966 --> 00:24:46.366
证明由谁检查

00:24:46.533 --> 00:24:47.966
材料是否公开

00:24:48.133 --> 00:24:49.800
模型完成了哪一段

00:24:49.933 --> 00:24:51.700
人类又完成了哪一段

00:24:51.800 --> 00:24:54.666
再看它有没有产生可解释的新方法

00:24:55.000 --> 00:24:57.766
以及结果是否通过正式学术程序

00:24:58.100 --> 00:24:59.700
四个问题答不出来

00:24:59.933 --> 00:25:02.100
标题里的确定性就需要打折

00:25:02.333 --> 00:25:04.333
未来可能出现三种局面

00:25:04.700 --> 00:25:05.966
第一种是AI成为

00:25:05.966 --> 00:25:07.600
数学家的高倍显微镜

00:25:07.966 --> 00:25:09.366
扩大探索范围

00:25:09.600 --> 00:25:11.900
结果仍由开放共同体吸收

00:25:12.000 --> 00:25:15.200
第二种是企业形成封闭的数学工厂

00:25:15.333 --> 00:25:18.666
大学只能验证公司选择公开的结论

00:25:18.766 --> 00:25:20.333
第三种更加混乱

00:25:20.700 --> 00:25:23.133
大量模型和团队同时生产证明

00:25:23.333 --> 00:25:25.333
没人有时间辨别重要性

00:25:25.600 --> 00:25:27.700
数学文献被正确错误

00:25:27.700 --> 00:25:29.533
和重复结果一起塞满

00:25:29.766 --> 00:25:31.866
目前最有希望的人是第一种

00:25:31.866 --> 00:25:33.500
但他不会自动发生

00:25:33.700 --> 00:25:35.133
企业有速度激励

00:25:35.166 --> 00:25:36.666
大学有论文激励

00:25:36.900 --> 00:25:38.333
媒体有流量激励

00:25:38.500 --> 00:25:40.566
三方都会偏向快速宣布

00:25:40.700 --> 00:25:42.800
让理解重新获得价值

00:25:43.200 --> 00:25:46.133
需要资助机构愿意支持解释与复核

00:25:46.500 --> 00:25:48.700
期刊愿意奖励高质量整理

00:25:48.866 --> 00:25:50.933
公司愿意接受外部审查

00:25:51.000 --> 00:25:53.333
数学家也要主动学习新工具

00:25:53.933 --> 00:25:55.966
因此公开信把最尖锐的

00:25:55.966 --> 00:25:58.000
判断放在错位两个字上

00:25:58.133 --> 00:26:00.933
工具能力与学科目标没有天然一致

00:26:01.400 --> 00:26:02.200
机器越强

00:26:02.200 --> 00:26:04.466
这种偏差造成的后果越大

00:26:04.566 --> 00:26:06.366
AI把每小时能产生的

00:26:06.366 --> 00:26:08.366
证明数量提高100倍

00:26:08.566 --> 00:26:10.966
如果评价体系仍指数成果

00:26:11.133 --> 00:26:13.733
人类就会得到100倍的发布压力

00:26:13.866 --> 00:26:15.766
理解却不会同步增加

00:26:15.900 --> 00:26:18.066
开头那个问题现在有了答案

00:26:18.600 --> 00:26:21.566
数学家担心机器得出正确答案以后

00:26:21.566 --> 00:26:23.866
人类共同体可能失去理解

00:26:24.066 --> 00:26:26.466
负责和传承这些答案的能力

00:26:26.600 --> 00:26:28.333
数学如果只剩下一座

00:26:28.333 --> 00:26:30.266
不断扩张的结论仓库

00:26:30.500 --> 00:26:31.566
它仍然正确

00:26:31.566 --> 00:26:32.733
却不再完整

00:26:32.866 --> 00:26:35.300
这场抗议也没有给AI判死刑

00:26:35.900 --> 00:26:38.000
他要求AI公司承认数学不是

00:26:38.000 --> 00:26:39.900
可随意开采的基准矿场

00:26:40.066 --> 00:26:42.266
每一道难题背后都有研究者

00:26:42.266 --> 00:26:44.766
学生和长期积累的公共知识

00:26:45.266 --> 00:26:47.066
AI可以加速这套体系

00:26:47.100 --> 00:26:49.466
但不能只拿走最耀眼的结果

00:26:49.466 --> 00:26:52.666
再把验证解释和传承留给别人

00:26:52.733 --> 00:26:55.066
未来真正值得庆祝的突破

00:26:55.733 --> 00:26:57.466
不该只是一家公司宣布

00:26:57.466 --> 00:26:59.333
模型攻克了哪道名题

00:26:59.500 --> 00:27:01.666
更高的标准是机器找到

00:27:01.666 --> 00:27:03.600
的新方法能被人类读懂

00:27:03.766 --> 00:27:05.466
贡献得到准确记录

00:27:05.700 --> 00:27:07.133
证明可以独立复核

00:27:07.566 --> 00:27:08.900
下一代研究者还能

00:27:08.900 --> 00:27:10.500
在它上面继续建设

00:27:10.600 --> 00:27:11.700
做到这一步

00:27:11.866 --> 00:27:13.733
AI才是在扩大数学

00:27:14.166 --> 00:27:16.066
做不到速度越快

00:27:16.100 --> 00:27:17.366
错位就越严重