UCLA 教授、2006 年菲尔兹奖得主陶哲轩近日就数学领域中的 AI 竞赛发出警告称，AI 正在加速消耗这一学科中真正有价值的开放问题，也就是那些能推动数学前进、尚未解决且值得投入研究的问题。
陶哲轩在当地时间前一天于数学社区 Mastodon 实例 Mathstodon 上发文指出，问题并不在于证明写得更快，也不只是论文变多，而是数学界赖以推进研究的「好问题」供给正在被抽走。
他写道，任何人都可以不断提出新的数学问题，例如圆周率第 googol 位数字是什么，这在技术上也属于一个尚未算出的开放问题。但这类问题几乎都不重要，因为它们无法让人更理解整个领域。真正关键的，是判断什么值得投入精力。
陶哲轩在文中写道：「简而言之，不加区分地使用强大的解答提取工具，虽然可以实现眼前、短期内把手头问题解出来的目标，但代价是削弱下一波进展所需的生态，也会削弱我们对已经取得进展的理解。」
推理模型推动实验，数学成为稀缺战场
随着推理模型和新一代前沿 AI 系统发布，多家实验室已开始向数学和科学问题投入大量算力。Anthropic 和 OpenAI 都在用各自模型测试一些多年、甚至数十年来一直没有被人类数学家解决的问题。
这些结果覆盖量子物理、应用数学和医学等方向。但陶哲轩认为，数学与其他领域不同：真正困难的问题本来就相对稀缺，研究者通常会非常谨慎地选择究竟把几个月甚至几年的时间押在哪些题目上。
过去，这种判断依赖一个学科内部的「难度地形」：哪些问题很简单，哪些需要真正投入，哪些在现有工具下几乎无望。新方法过去也会压平这片地形的一部分，但往往会在自身极限之外打开新的前沿。陶哲轩认为，AI 打破了这一模式，因为没有人能明确说出模型能力究竟止步于何处。
从传闻到竞速
陶哲轩讨论的并不是一个假设场景。
今年 5 月，OpenAI 的一个模型推翻了 Erdős 单位距离猜想。这个已有 80 年历史的问题讨论的是，在平面上能有多少对点之间的距离恰好为 1。包括菲尔兹奖得主 Tim Gowers 在内的外部数学家对这一结果进行了验证。
就在同一周，Anthropic 研究员 Levent Alpöge 也把同一道问题交给了 Claude Mythos，也就是该公司尚未发布的高阶模型，并且在离线环境下运行，以避免复制 OpenAI 已公开的解法。Anthropic 工程师 Sholto Douglas 形容这一结果是一个「cute, simple proof」，比 OpenAI 的版本更短。数学家 Daniel Litt 则评价说，Mythos 的版本「a bit worse」，不过 Mythos 也找到了 OpenAI 自己的解法。
Douglas 当时还公开写道：「Huge credit to the OAI team for solving the unit distance problem with 5.5 - it is now my go to example that models can in fact pull together disparate ideas into new discoveries.」随后又补充：「As with all 4 minute miles, we had to try and cross it too! Turns out mythos solves it with a cute,…」
就在本周，Anthropic 将费马大定理一个有数百年历史的证明形式化；几天后，OpenAI 又攻克了一个已有 90 年历史的问题，时间点距离一名研究者公布自己的证明仅过去数小时，而且该研究者随后还与一名 Anthropic 研究员共同署名发表论文。
陶哲轩担心的正是这种竞速机制。他写道：「我们现在已经看到，哪怕只是传出有人正在研究某个问题的消息，也可能触发大规模 AI 驱动的投入，在原始研究项目还来不及充分展开之前，就先把这个问题压平。」
在他看来，这会反转几个世纪以来开放科学的运行方式。
答案不够，过程也要被评估
针对这一局面，陶哲轩提出，可以把某些问题标记为「需要分析」，也就是仅仅给出一个原始正确答案并不算完成，除非同时提供能揭示邻近问题的推理过程。他将这种做法比作食物银行停止接收任何「只是能吃」的捐赠。
他说，另一种办法是禁止 AI 进入数学研究，但他认为这在技术上不可行，并直言这是「technically infeasible」。
不过，这一设想目前尚未在任何地方变成正式政策。报道称，从大型 AI 实验室现在的行为来看，即便是这种折中方案，眼下要落地也未必具备技术可行性。