奥特曼回应数学界争议:AI 成果还要继续发,但谁来为“理解”买单?

当 AI 开始批量挑战数学难题，数学家迎来的，会是一场知识的丰收，还是一场来不及消化的冲击？

最近，OpenAI CEO 萨姆·奥特曼在 Cheeky Pint 播客上的一番回应，把这个问题推到了台前。

在这期于2026年10月29日发布的节目中，他坚持认为，人类应当获得基础科学知识，重大科学发现不应被公司捂在手里；同时，他也承认，需要更体谅那些推动相关学科发展了数百年的研究群体。

一些传播将其概括为“奥特曼向数学家致歉”。

但小鸽鸽核对节目文字稿后发现，更准确的表述是：他表达了理解与感伤，也承认发布方式需要斟酌，但没有明确撤回继续推动、公开 AI 科学成果的立场。

文字稿中，也没有找到他明确向数学家道歉的表述。这个细节很重要。因为这场争论涉及的，远比一句道歉复杂。

先把最震撼的数字，放回它们原本的语境。

2026年9月8日，OpenAI 宣布，其内部系统提出了纳维–斯托克斯存在性与光滑性问题的一项解答，并公开证明文本与 Lean 形式化材料。

按照公司的说明，找到相关解答的小组使用了约一万个并发 AI 代理。代理在启动约88小时后得到解答，随后形式化与验证又用了17小时。

// 这些数字来自 OpenAI 的自述，并不是小鸽鸽独立测算的结果。

这里还有一道不能省略的边界：OpenAI 所称的结果，是在光滑外力作用下构造有限时间出现奇性的情形，对应官方问题表述中的特定版本。把它扩写成“AI 彻底破解了流体运动和湍流的一切秘密”，显然超出了公告内容。

克雷数学研究所在9月11日的声明中，对这一问题“看来已被解决”的消息表示兴奋，同时强调，成果评估与贡献认定有既定程序，而且这一程序会审慎推进。

接着，是另一组被反复转发的数字。

10月6日，OpenAI 批量发布数学手稿。发布时的统计为722篇、372个相关成果组。

这两种计数不能混用：一个成果组可能包含主结果、配套论证或不同证明，722篇手稿并不意味着解决了722个独立难题。

截至小鸽鸽本次核查，官方仓库首页列出的是721篇手稿、373个成果组。

为什么数字会变？官方更新记录显示，10月7日撤回了三篇存在问题的手稿，10月26日又新增两篇。因此，“发布时722篇”和“目前721篇”各有时间口径。

更关键的是，仓库明确说明：这些成果处于不同验证阶段，并非全部附有 Lean 形式化证明，更适合被理解为原始研究数据。

小鸽鸽认为，准确报道这件事，首先就要避免把“数百篇手稿”写成“数百项已获公认的数学定理”。

机器能检查证明，人类为什么还要花时间读？

这可能是普通读者最容易困惑的一点。

Lean 这类工具，可以检查形式化证明的逻辑。但它检查的命题，是否忠实对应研究者原本想解决的问题，仍需要审查定义、假设和表述。

陶哲轩博客刊载的一篇技术文章就强调：证明需要经过内核检查，同时还要有人核对，被验证的定理究竟是不是人们以为的那个定理。

此外，还有一个不同层面的问题：即使结论成立，人类能否理解其中的方法，并把它用于下一个问题？

对数学研究而言，一份证明的价值，也包含它教会同行怎样思考。

小鸽鸽觉得，这正是“生成答案”与“形成知识”之间最值得关注的距离。前者的速度可以迅速提高，后者仍需要讲解、讨论、质疑和吸收。

数学家的不安，也有具体的职业处境。

把这场争议归结为“数学家输不起”，很容易，却解释不了真实反应。

他尤其担心，研究生和博士后投入多年的研究计划，被突如其来的批量发布打断。

同一组公开回应中，也有数学家表示兴奋，期待理解这些成果。数学界并没有一种整齐划一的情绪。

小鸽鸽更在意的是由此提出的问题：如果研究训练的价值，不能完全由“是否最先解决某道题”衡量，那么博士培养、项目评价和职业晋升，是否也需要调整？

青年研究者需要能继续学习、建立能力并获得认可的路径。仅仅告诉他们“还有无穷多个问题”，未必能解决眼前的困境。

一道题目背后，可能是一个学生几年的训练、一份尚未完成的博士论文，以及一个刚刚建立起来的研究方向。

技术进步带来的收益值得期待，转型的成本也需要有人承担。

当数学成为模型测试场，双方追求的东西未必一致。

OpenAI 在官方仓库中解释，原有数学评测趋于饱和后，公司把评估扩展到了开放研究问题。

从企业的角度看，一道著名难题，既能检验模型能力，也容易向外界展示技术进展。

从研究共同体的角度看，同一道题却可能连接着多年积累的方法、合作关系和人才培养。

小鸽鸽认为，这种目标差异，是冲突的重要来源：公司关心模型能推进多远，学界还关心成果怎样进入公共知识体系。

假如公司的成果发布速度越来越快，而检查、解释和整理的工作主要留给外部数学家，便会产生一个现实问题：谁来支付把机器输出变成人类知识的成本？

对此，数学与人工智能咨询小组 AGMAI 的建议相当明确：如果 AI 实验室发布了重大成果，却没有同时提供人类理解，就应承担促进后续理解的责任，包括给予实质性资金支持。

这也意味着，发布责任不能在上传文件后结束。

接下来，该看公开承诺如何落地。

OpenAI 已在10月15日更新公告，宣布向西蒙斯基金会的一项计划投入500万美元，支持数学家检查、理解并发展 AI 产生的成果，同时提供模型与计算资源。

这提供了一个可以继续观察的起点：资金是否真正支持了验证与讲解？研究者能否获得必要工具？贡献认定、引用和更正机制是否足够清晰？

在小鸽鸽看来，未来评价 AI 数学成果，至少需要同时看见三件事：结论是否可靠，方法是否被理解，研究共同体是否有能力继续发展它。

如果这些环节跟不上，再庞大的发布数量，也无法单独说明知识进步的实际程度。

奥特曼强调，人类值得知道宇宙如何运行。

这份愿望令人期待。实现它，还需要把一份份机器输出，变成人们能够检查、理解、传授和使用的知识。

当 AI 越来越快地交出证明，人类更需要有人把“为什么”讲清楚。