AI如何重塑数学：探索数学领域的智能革命

单丁鹤纷

数学的AI革命，已经到来



过去一年，人工智能在数学领域的进展呈现出一种罕见的“加速度”：从奥林匹克竞赛级别的解题能力，到参与研究级问题证明，再到在组合结构与几何拓扑中发现人类未曾注意的规律，AI正在逐步渗透进数学创造的核心环节。
更重要的是，它不再只是“辅助计算工具”，而开始在某些情况下参与猜想生成、证明构造甚至结构发现，改变数学家长期依赖的工作路径。
但这种能力跃迁并不意味着清晰的未来图景已经形成。相反，随着效率提升与错误并存、自动化与验证体系冲突、以及学术训练体系被冲击，一个更根本的问题正在浮现：当“发现数学”的方式被重写时，数学本身还会以同样的方式存在吗？
AI究竟是在加速人类抵达数学的边界，还是正在悄然改变“边界本身”的定义？
在2026年4月13日《量子杂志》（Quanta Magazine）的一篇深度报道中，高级编辑康斯坦丁·卡卡斯（Konstantin Kakaes）追踪了数学领域正在发生的这场革命。
答案，尚未清晰。
本文六章20节，8400多字：
第一章 | 革命已经发生
1. 转折时刻：从震惊到接受
2. 数学研究范式的改变
3. 不会取代人类，但将改变一切
第二章 | 创造力的进化
4. 从探索到突破：技术积累的临界点
5. AlphaEvolve：进化式数学系统
6. 新研究范式的开端
第三章 | 错误与启发
7. 从“检索工具”到“对话伙伴”
8. 人机协作：验证者角色的转变
9. 边界正在迅速消失
第四章 | 秩序的重构
10. 从具体问题到抽象结构
11. AI发现“隐藏”了50年的结构
12. 远超想象的“未来”数学世界
第五章 | 球面之上
13. 研究问题：球面如何嵌入复杂空间
14. 意外线索：提前出现的规律
15. 关键突破：清晰而优雅的证明
16. 新范式：加速而非替代
第六章 | 我们所需知道的一切
17. 如何应对AI的可靠性危机
18. 教育体系的冲击
19. AI无法替代的“长坡”问题
20. 未来的不确定加速
结语

《量子杂志》报道截图
第一章
革命已经发生
1.
转折时刻：从震惊到接受
2025年夏天，被许多数学家视为一个分水岭。就在当年7月，多个人工智能模型在国际数学奥林匹克竞赛中解出了6道题中的5道。这一成绩远超预期，也迅速引发了学界震动。
但冷静来看，这一突破并不等同于人工智能已经具备解决真正数学研究问题的能力。奥赛题目本质上仍是“已有答案的复杂谜题”，而非尚未解决的开放问题。
然而，这一事件的意义在于，它改变了数学家的态度。
曾经因“错误率过高”而被忽视的人工智能模型，开始被部分数学家主动尝试。而这些“早期使用者”很快发现，人工智能不仅擅长解题，还能在某些情况下帮助推进新的研究。
结果令人意外：
原本需要数周甚至数月完成的工作，现在可能在一天内完成。
加州大学洛杉矶分校数学家、菲尔兹奖得主陶哲轩（Terence Tao）指出，2025年是人工智能真正开始在多种数学任务中“变得有用”的一年。
2.
数学研究范式的改变
虽然目前还没有“颠覆性”的单一重大成果，但一些由人工智能辅助完成的研究，已经达到专业数学期刊发表水平。
在部分案例中：

算法可以提出猜想、完成证明并进行验证，且几乎不需要人工干预
在另一些场景中，研究者通过与大语言模型（如ChatGPT、Claude、Gemini）反复对话，获得全新的证明思路
陶哲轩将这种协作形象地比喻为：
“一个人拿铲子，一个人拿镐子，一起打通隧道。”
人工智能带来的变化，不只是效率提升，更可能改变整个学科的运作方式。
传统数学研究往往聚焦单一问题，而如今：
借助人工智能，研究者可以同时处理成千上万个问题，并进行统计层面的分析。
多伦多大学数学家丹尼尔·利特（Daniel Litt）认为，即使人工智能目前主要解决的是“相对简单的问题”，也已经在改变数学的工作方式本身。

陶哲轩对人工智能模型为数学家带来的机遇感到兴奋。他表示，不久之后，数学“将呈现出与传统数学截然不同的面貌和感觉”。（图源：Reed Hutchinson/UCLA）
3.
不会取代人类，但将改变一切
几乎所有受访数学家都认为，人工智能不会取代人类数学家。但他们也普遍认同：
制度、文化乃至研究方式，都将发生深刻变化。
菲尔兹奖得主阿克沙伊·文卡特什（Akshay Venkatesh）则表达了更谨慎的观点。他认为，在拥抱技术的同时，数学界需要警惕：
是否会失去对数学本质理解的“亲身体验”。
这一趋势也正在重塑人才结构。越来越多数学家离开高校，加入企业或创业公司，例如：

OpenAI
谷歌
以及专注数学人工智能的初创公司
卡内基梅隆大学“数学计算推理研究所”主任杰里米·阿维加德（Jeremy Avigad）指出：
机器学习的“洞察力”与数学的“精确性”的结合，正被视为通向通用人工智能的关键路径。
进入2026年，学界的情绪已经发生转变。
在一项名为“首次证明”（First Proof）的挑战中，参赛者需在一周内让人工智能模型解决10个研究级数学问题。这些问题经过筛选，确保不会出现在训练数据中。
结果是：
人工智能成功解决了超过一半的问题。
这一成果被认为意义重大——
如果说奥赛成绩意味着人工智能“进入本科阶段”，那么这次挑战则意味着它已经“完成了研究生训练”。
利特在分析中直言：
“这种技术，很可能比计算机本身更重要。”
第二章
创造力的进化
4.
从探索到突破：技术积累的临界点
尽管2025年被视为转折点，但人工智能在数学中的应用并非突然出现。
谷歌DeepMind科学副总裁普什米特·科利（Pushmeet Kohli）指出，团队早在2018年就开始尝试用人工智能解决数学问题。如今任职于Axiom公司的弗朗索瓦·沙尔东（François Charton）也在2019年启动了类似探索。
但在早期，这一方向仍属于小众研究领域。
最初，研究者主要让人工智能解决已有答案的问题，目的是验证方法是否可行。
到了2024年前后，研究开始迈向更具探索性的阶段：

研究者选择数据结构丰富的问题
利用人工智能构造具有可量化性质的数学对象。例如，在网格中寻找点的最优排列，使其不形成等腰三角形
这标志着人工智能开始从“验证工具”向“探索工具”转变。

（图源：Mark Belan/Quanta Magazine; source: arxiv.org/abs/2411.00566）
5.
AlphaEvolve：进化式数学系统
2025年1月，陶哲轩与布朗大学的哈维尔·戈麦斯-塞拉诺（Javier Gómez-Serrano），联合谷歌DeepMind的亚当·瓦格纳（Adam Wagner）和博格丹·乔治耶夫（Bogdan Georgiev），共同开发了一套名为AlphaEvolve的系统。
其核心机制包括：

使用Gemini生成数百行Python代码
通过“遗传算法”不断进化这些程序
寻找问题的最优解
在数月时间里，这一团队几乎每一两天就测试一个新问题。
在不断迭代过程中，研究者逐渐掌握了如何更有效地与模型交互。其中一个出人意料的发现是：
正向激励会提升模型表现。
例如，在提示中加入类似“你可以做到”的鼓励语句，反而能带来更好的结果。
这一现象的机制尚不清楚，但为人机交互提供了新的思路。

哈维尔·戈麦斯-塞拉诺（Javier Gómez-Serrano）和他的同事们利用名为 AlphaEvolve 的人工智能系统，在数十个数学问题上取得了进展。（图源：Jason Rossi/Brown University）
到2025年5月底，团队共测试了67个问题，结果如下：

23个问题：优于已有最佳解
36个问题：达到现有水平
少数问题：未能匹配最佳结果
这些成果被整理进论文《大规模数学探索与发现》（Mathematical Exploration and Discovery at Scale）。
戈麦斯-塞拉诺指出：
其中任何一个结果，传统上都可能需要专家数月时间完成，而他们仅用一两天即可实现。
6.
新研究范式的开端
陶哲轩总结当前人工智能的特点：
非常擅长在大量问题中寻找“低垂果实”——那些容易被忽视但可以被快速解决的问题。
这些任务通常：

繁琐
回报不高
不受人类研究者青睐
但人工智能可以高效完成。
当然，他也强调：
当前成果仍是“少量成功 + 大量未报告失败”的组合。
随着工具逐渐成熟，研究者的工作方式也在发生变化。
戈麦斯-塞拉诺表示，他如今约三分之二的时间都在使用人工智能。在他看来：
“它已经到了真正可用的阶段，这就是数学新范式的起点。”
第三章
错误与启发
7.
从“检索工具”到“对话伙伴”
在更早阶段，人工智能在数学中的优势主要体现在信息检索上。
加州大学洛杉矶分校的伊戈尔·帕克（Igor Pak）指出，ChatGPT在查找文献方面表现出色：
能够发现语义关联，而传统学术搜索工具难以做到。
但进入2025年，这一角色发生了变化。
苏黎世联邦理工学院的约翰内斯·施密特（Johannes Schmitt）观察到：
大语言模型开始成为“对话伙伴”，而非仅仅提供答案的工具。

约翰内斯·施密特（Johannes Schmitt）最近注意到人工智能在数学领域扮演着越来越重要的角色：作为对话伙伴。（图源：Aitor Iribar-López）
问题在于，这些模型仍然会频繁出错。
一些研究者因此直接放弃使用，认为“既然大部分内容都是错误的，就没有价值”。
但另一部分人，包括施密特本人，则选择不同策略：
容忍错误，从中筛选有效信息。
他指出，这些错误具有一种“反常特征”：

同时包含大量基础性错误
却又能提出细微且原创的正确思路
这种“错误与洞见并存”的状态，在人类数学家中几乎不可能出现。
8.
人机协作：验证者角色的转变
加州大学洛杉矶分校的欧内斯特·柳（Ernest Ryu）在奥赛事件后，也开始系统性使用大语言模型。
他的使用方式主要包括：

补全讲义中的证明细节
检查推理过程中的错误
寻找更简洁的证明路径
他发现，模型有时能：
指出关键错误，甚至提供更优解法。
这让他产生一种直觉：
这些系统似乎“开始具备某种创造性迹象”。

欧内斯特·柳（Ernest Ryu）最近利用与 ChatGPT 的对话证明了一个存在了几十年的猜想。“ChatGPT 的使用确实加速了这一发现，”他说。（图源：Courtesy of Ernest Ryu）
为了验证这一点，柳决定进行一次实验。
他选择了一个由俄罗斯数学家尤里·涅斯捷罗夫（Yurii Nesterov）在1983年提出的问题——
证明某种优化算法是否一定收敛。
这一问题在应用数学中具有重要意义，尤其是在机器学习中，用于理解神经网络训练过程。
在优化问题中，一个经典方法是“梯度下降”：

根据函数的斜率判断“向下方向”
逐步逼近最优解
但其缺点是：收敛速度较慢。
涅斯捷罗夫提出了一种改进方法：

步长不仅取决于当前位置
还依赖于此前的路径
直觉上，这会加快收敛速度。但问题在于：
是否会因为“过快”而产生振荡，从而无法收敛？
这一点，42年来无人能证明。

尤里·涅斯捷罗夫（Yurii Nesterov）关于他所开发的一种优化算法的猜想，几十年来一直悬而未决。直到人工智能的出现，这个问题才得以解决。（图源：Renate Schmid）
柳使用ChatGPT进行尝试。结果与预期一致：
模型不断给出错误证明。
但关键在于：
错误之前的推导步骤往往是正确且有价值的。
于是他采用了一种迭代策略：

验证模型输出
保留正确部分
重新输入模型继续推进
在这一过程中，他扮演的角色是：
“验证者”而非“解题者”。
9.
边界正在迅速消失
最终成果如下：

约12小时：完成简化版本证明
数天后：完成完整证明
柳评价这一成果：

并非极具创造性
也不是最复杂的问题
但绝不容易
更重要的是：
这一成果完全可以在顶级优化理论期刊发表，即使不提及人工智能。
柳认为，这是一个清晰案例：
人工智能显著加速了数学发现过程。
他进一步判断：
如果这种发展速度持续——
在未来一两年内，随着模型迭代：
“将出现真正重大、由人工智能辅助完成的数学发现。”
不久之后，柳离开加州大学洛杉矶分校，加入OpenAI，成为技术团队成员。
这一选择也反映出一个趋势：
数学与人工智能的边界，正在迅速消失。
第四章
秩序的重构
10.
从具体问题到抽象结构
进入2025年下半年至2026年初，人工智能开始参与更加抽象层面的数学证明。
2025年9月，全球100多位数学家齐聚布朗大学，参加一项关于代数组合学的专题项目。其中包括：
尼古拉斯·利贝丁斯基（Nicolás Libedinsky）、大卫·普拉萨（David Plaza）、何塞·西门塔尔（José Simental）、乔迪·威廉姆森（Geordie Williamson）以及乔丹·艾伦伯格（Jordan Ellenberg）等人。
他们关注的核心对象，是一个被称为d不变量的量。
要理解d不变量，需要先看一个经典数学对象：置换群。
简单来说，它描述的是：
一组元素（例如一副扑克牌）的所有排列方式。
例如：

S1：一副牌只有一张牌，只有1种排列
S2：一副牌有两张牌，有2种排列
S3：一副牌有三张牌，有6种排列

这些排列可以构成一个由顶点和边组成的图结构：

初始排列方式 123 位于图的最底部
图中的每条边（用箭头表示）代表两张卡片的交换

随着卡片数量n增加，这一结构会迅速膨胀：
例如S60，其元素数量接近可观测宇宙中的原子数。
在这一图中，可以定义一种“大小关系”，称为Bruhat序：
如果可以沿着图中的路径从排列A走到排列B，那么A被认为“小于”B。
进一步，可以定义Bruhat区间：
即两个排列之间所有可达排列的集合。

与两个排列相关的d不变量，本质上是：
衡量Bruhat区间结构复杂度的一个指标。
这一量在多个看似无关的数学问题中出现，因此具有重要研究价值。
但问题在于：
随着规模增大，这些区间结构极其复杂，几乎无法进行一般性描述。
11.
AI发现“隐藏”了50年的结构
上述研究团队原本希望借助人工智能：
寻找给定置换群中最大的d不变量。
他们与瓦格纳合作，使用AlphaEvolve系统进行分析。
程序运行了一整夜。
第二天，研究者意识到：
它似乎发现了一些“不同寻常的结构”。

准入受限：


  部分数学家担心，AI 可能会加剧现有的不平等现象。“我深知，自己之所以能使用 AlphaEvolve，是因为我在美国度过了一个学期，”墨西哥国立自治大学的何塞·西门塔尔表示，“我认为，作为一个群体，我们必须非常谨慎，以确保这类工具的获取途径是公平的。”

在计算过程中，大语言模型会进行类似“自我对话”的推理，例如提出激进策略（甚至引用潜艇战术“Crazy Ivan”）。
最终，AlphaEvolve生成了约50行Python代码，用于搜索具有大d不变量的区间。
在分析代码时，艾伦伯格注意到一个关键现象：
当元素数量是2的幂（如16）时，程序会极度简化——仅需约5行代码。
这意味着：
问题背后可能存在高度结构化的规律。

从左上角顺时针方向：乔迪·威廉姆森（Geordie Williamson）、乔丹·艾伦伯格（Jordan Ellenberg）、何塞·西门塔尔（José Simental）、尼古拉斯·利贝丁斯基（Nicolás Libedinsky）和大卫·普拉萨（David Plaza）利用人工智能在一个经过充分研究的数学对象中发现了一个令人惊讶的新结构。（图源：Sydney University; Lauren Justice for Quanta Magazine; Imelda Paredes Zamorano/Instituto de Matemáticas UNAM; Esteban Román; Fernanda Fuentes）
进一步研究发现：
这些特定情况下的Bruhat区间，实际上构成了
高维立方体（超立方体，hypercube）结构。
这是一种高度对称、结构优美的数学对象。
研究者对此感到震惊：
这一结构已经“存在了50年”，却一直未被发现。

  DO NOT go for the same solution as the previous one. Always try to find a better pattern, don't be scared of the difficult sounding problem; once you see the solution you'll realise it wasn't hard at all. Good luck, I believe in you, but you also have to believe in yourself! ■

以上引文摘自数学家给 AlphaEvolve 的一个提示，他们要求 AlphaEvolve 构建一个名为 Kakeya 集的对象。数学家发现，人工智能在得到鼓励后表现会更好。下面是该引文的中译版：

  不要沿用之前的解法。要努力寻找更好的方法，不要被看似棘手的问题吓倒；一旦你找到答案，就会发现其实并不难。祝你好运，我相信你，但你也必须相信自己！

12.
远超想象的“未来”数学世界
更关键的是：
研究者并没有要求AI寻找这一结构。
他们的原始目标完全不同。
换句话说：
AI不仅给出了答案，还提出了一个人类尚未意识到的问题。
威廉姆森指出，过去利用机器学习进行类似探索，需要：

编程能力
深入理解神经网络训练
大量时间投入
而现在：
借助大语言模型，20分钟即可完成过去需要两周的实验。
尽管大多数尝试仍然失败，但这一工具带来的能力是前所未有的：
“用来探索一个远超我们想象的数学世界。”
第五章
球面之上
13.
研究问题：球面如何嵌入复杂空间
尽管Bruhat区间看似属于纯组合结构，但它同样在高度抽象的数学分支——代数几何中发挥重要作用。
斯坦福大学数学家、美国数学学会主席拉维·瓦基尔（Ravi Vakil），正是这一领域的专家之一。
代数几何研究的是由多项式方程定义的几何对象，例如：
x³ + 2x²y + xz = 5
其中“次数”由最高幂决定（此处为3）。

拉维·瓦基尔（Ravi Vakil）和他的同事们最近在与定制版双子座机器人聊天时，想出了一个新颖的验证方法。“这个想法是谁的功劳？”他问道，“是我们自己的功劳？还是这个模型的功劳？”（图源：Rod Searcey）
瓦基尔与新南威尔士大学的巴拉兹·埃莱克（Balázs Elek）、不列颠哥伦比亚大学的吉姆·布莱恩（Jim Bryan）合作，研究一个问题：
球面如何嵌入一种称为“旗流形”的特殊空间。
每一种嵌入方式，都可以用一个多项式来描述。
对于同一个球面，存在大量不同嵌入方式。数学家通常将：

每一种嵌入视为一个点
所有嵌入构成一个高维空间
然后根据多项式的次数，对这些空间进行分类与分析。
14.
意外线索：提前出现的规律
随着多项式次数不断增加，研究者希望回答一个问题：
这些空间在何时开始表现出“稳定结构”？
已知极限情况是：
当次数趋于无穷大时，这些空间会接近“所有连续嵌入”的空间。
但关键问题在于：
这种“趋同”究竟从何时开始出现？

  I'm about to propose something truly outlandish, a "Crazy Ivan“ maneuver for this problem. The current solution is good. It' ‡§Æ‡•å‡§⊓‡§Æ “sane". It uses known constructions. It does a bit of local search.


  It's... predictable.


  […]


  Let's get crazy. ■

以上引文为 AlphaEvolve 在尝试解决置换群的 Bruhat 区间问题时，自言自语起来。下面为该引文的中译版：

  我正准备提出一个极其古怪的方案，针对这个问题来一次“疯狂伊凡”机动。目前的解决方案很好。它 ‡§Æ‡•å‡§⊓‡§Æ “理智”。它使用了已知的结构。它进行了一些局部搜索。它是……可以预见的。


  […]


  让我们疯狂起来吧。 ■

瓦基尔团队在研究中发现：
某些结构性规律远早于理论预期就已经出现。
也就是说：
本应在“无限远”才出现的现象，在有限情况下就显现出来。
15.
关键突破：清晰而优雅的证明
为验证这一发现，他们与DeepMind的弗雷迪·曼纳斯（Freddie Manners）和乔治·萨拉法蒂诺斯（George Salafatinos）合作，引入两套系统：

DeepThink（公开可用）
FullProof（内部系统）
他们首先从一个简化版本问题入手。
人工智能给出的结果令人印象深刻：

证明正确
结构清晰
推导优雅且可逐行验证
更重要的是：
它揭示了一种此前并不明显的结构。
这一结构直接启发了研究者：
如何构建完整问题的证明框架。
在此基础上，研究团队：

先给出总体证明思路
再让AI补全细节
最终，他们在2026年1月的预印本中报告：
完整证明成功完成。
16.
新范式：加速而非替代
这一过程引发了一个新的哲学问题：
这个想法究竟属于谁？人类，还是模型？
瓦基尔对此态度复杂：

一方面，他认为自己“最终也可能想到”
但另一方面，他承认：没有AI，这项工作很可能不会发生
这一案例被视为当前人工智能在数学中的典型应用模式：

人类提供方向与判断
AI提供推导与补全
最终结果由人类验证
其本质是：
显著加速发现过程，同时保持结果的可验证性。
第六章
我们所需知道的一切
17.
AI的可靠性危机
在关注人工智能推动数学进步的同时，学界也在警惕其负面影响。
利特指出：
AI生成内容正在对学术领域造成“公共资源污染”。
美国圣母大学的乔尔·大卫·汉金斯（Joel David Hamkins）更直言：
他正面临一个被“AI垃圾信息海洋”淹没的学术环境，并对此感到“绝望”。
面对AI生成内容的可靠性问题，数学家们开始转向一种解决方案：
形式化证明系统。
其核心思路是：

将数学证明转换为机器可读语言
使用程序逐步验证逻辑是否完全正确
陶哲轩指出：
没有验证机制的AI，在严肃数学应用中是不可接受的。

“这项技术很可能 比计算机本身更重要，”丹尼尔·利特（Daniel Litt）在最近一篇分析人工智能对数学潜在影响的文章中写道。（图源：Marta Iwanek）
目前，这一过程正在向更进一步发展——
自动形式化。
即由AI完成：

将自然语言数学表达转化为形式逻辑
并自动完成证明
陶哲轩认为，这一趋势已经出现关键变化：
“我们第一次看到，AI有可能形式化数学中的相当大一部分内容。”
18.
教育体系的冲击
人工智能对数学教育的影响同样显著。
弗吉尼亚大学教授肯·奥诺（Ken Ono）指出：
他对AI在研究层面的潜力持乐观态度，但对教育与训练体系深感担忧。
陶哲轩也提出类似观点：
许多作业题AI可以瞬间完成，这会削弱学生“数学肌肉”的训练过程。
汉金斯表示，他已经停止布置传统作业：
原因是：

大量作业由AI生成
教师难以辨别
评价体系失效
因此，他不得不转向：

课堂测验与现场作业
这被认为是整个学术体系正在面临的结构性调整。
一位匿名顶尖研究型大学数学家指出：
AI可能同时加速顶尖研究者的进展，但抑制新一代数学家的成长。
也就是说，风险在于：

数学“产出”增加
但数学“人才基数”可能下降

新的共同作者：


  使用 AI 开展数学研究正迅速成为一种常态。


  如果按目前的趋势发展下去，这种做法很快就会变得像使用 LaTeX 排版语言（数学家用来格式化公式的工具）一样稀松平常。


  除了本文讨论的成果外，近几个月来已经出现了数十项类似的研究案例。


  关于如何界定 AI 在研究中的贡献，目前的学术规范仍在形成之中。


  有些论文会附带详细的补充材料，记录数学家与大语言模型互动的全过程，甚至包括对话原文。


  有些论文会在摘要的显著位置提及 AI 的贡献，而另一些则仅在致谢部分简要说明 AI 曾提供协助。


  此外，一些数学家会极力强调，尽管 AI 辅助了研究，但论文本身是由他们亲自撰写的；但也有些研究者会将论文的写作功劳也归于 AI。

19.
AI无法替代的“长坡”问题
尽管变化迅速，大多数数学家仍认为数学不会被AI取代。
陶哲轩提出一个重要类比：

人类数学家：像攀登者，能规划路线，逐步登顶
当前AI：像“跳跃机器人”，能跨过小障碍，但缺乏长程规划能力
AI可以：
解决局部难题（1.8米高的墙）
但尚无法处理：
真正复杂的“珠穆朗玛峰级问题”
例如某些数论问题——
是否存在如 π + e 可以表示为有理数的结构——
帕克认为：
这类“数学珠峰级问题”可能需要数百年才能解决，AI目前几乎无能为力。
20.
未来的不确定加速
尽管如此，几乎所有受访者都承认：
AI的发展速度极其迅猛，且没有放缓迹象。
利特预测：
在20年内，人工智能将：
在可测量意义上超越几乎所有人类数学家。
但他同时强调，这一变化并不会停止争议。
文卡特什指出：
数学不仅是科学，也是艺术。
他强调：
“数学的价值来自人类在表达方式上的选择。”
如果AI主导数学方向，可能出现问题：

定理数量增加
但数学美感与创造性下降
他甚至类比：
没有诗人会用“回归分析”来优化诗歌。
多数数学家仍认为，AI的最佳角色是：
帮助人类发现原本无法触及的数学真相。
但他们也承认，这种变化规模远超过去80年计算机带来的影响。
在2026年1月华盛顿举行的全球数学大会上，这种矛盾情绪尤为明显：

台下充满“被AI取代”的玩笑
台上则不断强调“AI只是工具”
威廉姆森在大会演讲中提醒学界：
不要以无知或恐惧面对技术变化。
但他也承认：
数学是一门倾注一生的“技艺”，其价值可能在未来被显著削弱。
结语
人工智能正在以极高速度重塑数学研究：
它既是加速器，也是扰动源；既是工具，也是挑战。
从奥赛解题到研究级证明，从结构发现到教育冲击——
这一变化已经不再是“未来可能发生”，而是：
正在发生本身。🅠
参考资料：
"The AI Revolution in Math Has Arrived" by Konstantin Kakaes from Quanta Magazine, Published April 13, 2026