夜雨聆风七月费城，一场本该只属于数学家的大会，意外敲响了整个知识产业的警钟。
菲尔兹奖得主、被称作“数学莫扎特”的陶哲轩站上讲台，没有炫耀任何定理，而是抛出了一个让在座数百位顶尖数学家脊背发凉的词，proof indigestion，证明消化不良。
翻译成大白话就是：AI生产数学证明的速度，已经快到人类来不及看、来不及懂、来不及判断对错。数学界正在被自己梦寐以求的“答案”活活撑死。
▲ 陶哲轩ICM 2026公开讲座《Mathematics in the age of AI》封面页
一、从“题太难没人会做”到“答案太多没人能读”
过去一百年，数学家最大的痛苦是什么？问题太难，证明太少 黎曼猜想悬而未决一百六十年，哥德巴赫猜想至今无人攻克。整个学科的运转逻辑是：好不容易有人给出一个证明，同行们如获至宝、反复研读、仔细审查，然后庄重地写进教科书。
但陶哲轩说，这个时代正在翻页
2026年5月，一个名为 First Proof 的独立评估项目进行了一次受控实验：十道全新的、跨领域的研究级数学难题，交给四套AI系统在受控环境下作答。结果，十题中有七题，至少被一套AI做到了可发表质量。单题计算成本？10到1000美元
▲ First Proof项目官网：为数学界提供透明、独立的AI数学能力评估
一个博士生可能花三年攻克一道难题，AI花几百美元、几个小时就能给出一份“形式上正确”的证明。与此同时，这些证明正在以指数级的速度堆积，像Erdős问题网站上，AI提交的证明草稿已经排成了长队，却找不到足够多的专家来审阅它们。
瓶颈落在一种比GPU更稀缺的资源上：人类的注意力和理解力。
二、六个环节，五处堵车：证明工厂的“供应链危机”
陶哲轩在52页幻灯片里画了一条精密的流水线。一道数学问题从被解决到抵达“有用”，至少要经过六个阶段：
生成 → 核验 → 阐述 → 发表 → 消化 → 经典化
生成，就是找到证明；核验，确认它逻辑上没有漏洞；阐述，把它写成人类能读懂的语言；发表，通过同行评议进入学术共同体；消化，被其他研究者理解、引用、内化为直觉；经典化，进入教科书，成为学科的“基础设施”。
▲ 陶哲轩幻灯片：从开放问题到经典化解决方案的完整管道
AI正在把前两个环节的速度拉到光速，而后四个环节的带宽，几乎纹丝未动。
这就像一座工厂，原料供应突然增加了一百倍，但质检员还是那几个人，包装线还是那条老线，仓库还是那个旧仓库。产品堆在车间里，没人检查、没人贴标签、没人上货架，而且这些“产品”还在加速涌出。
陶哲轩把这种系统性失调称为 impedance mismatch（阻抗失配）。用他自己的话说：我们正在从“证明稀缺”时代，滑入“证明丰裕”时代，但我们的制度、文化和人力，还停留在稀缺时代的操作系统上。
▲ 核心警告页：若不调整政策与文化，证明消化不良将贯穿全管道
三、一个逼近现实的思想实验：正确，但没有一个人类能解释
讲座中最令人坐立不安的一刻，来自一个思想实验。
陶哲轩在幻灯片上写道：能否存在这样一种情况，一个重大数学结果有了经过机器核验的完整证明，却没有任何一个活着的人类，能理解它到足以给别人讲清楚？
▲ 幻灯片追问：当AI生成冗长证明却无人理解，我们该怎么办？
这个科幻式设问已经有了现实技术作铺垫。Lean、Rocq等证明助手能像编译器检查代码一样，逐行验证数学证明的逻辑闭合性。机器说“对”，它在形式层面就是对的但“对”和“有人懂”之间，隔着一条鸿沟
一位名叫Pavel的技术从业者在社交媒体上写道：“我这辈子花了远超一万小时学数学，但我读不懂这些证明。我身边的数学博士朋友们也不行，他们如果不在那个极细的分支里做研究，就根本无法核验。”
▲ 技术从业者的焦虑：万小时训练仍无法理解AI生成的证明
数学向博主 Musings on Math 直接把这种恐慌与ICM讲座接在了一起：“数学界正被AI证明淹没，合格的评判者严重不足。陶哲轩还谈到了一种近未来的可能，出现连专家也无法理解、更不用说评判的证明。”
▲ 数学博主的转述：合格评判者不足，证明洪水正在来袭
四、帕斯卡的诅咒：长证明比短证明更容易
这里有一个反直觉的悖论，陶哲轩援引了十七世纪数学家帕斯卡那句著名的话，“我把信写得这么长，是因为我没有时间把它写短。”
在AI时代，生成一份又长又正确的证明，反而比生成一份短而正确的更容易。 因为长证明可以暴力穷举、逐步展开、不做任何简化，机器不嫌烦。但人类核验和消化长证明的成本，却是几何级数增长的。
过去，手工形式化的笨重本身就是一种压力：迫使数学家去追求简短、优雅、有洞察力的写法。现在，自动化形式化把这层摩擦磨平了，就像给一个本来就爱唠叨的人装上了无限续航的麦克风。
这是Goodhart定律在数学领域的残酷上演：当“解出问题数量”变成了被优化的目标，它就不再是数学进步的好指标了。 解题、建理论、培养学生、创造审美，这些目标过去大致同向，现在AI可能把它们拉向截然不同的方向。
五、“直升机送上山顶”：解题不等于理解
陶哲轩用了一个比远足更动人的比喻。
数学问题就像远方的山峰，传统做法是一步步爬上去。 旅途中你会留下路标、画出地图、发现沿途的风景，这些副产品往往比到达山顶本身更有价值，因为后来的人可以沿着你的路走。
AI像一架直升机，直接把你扔到山顶。 山顶确实到了，GPS坐标验证无误但旅途未留下路标和地图，沿途风景也无人见过，对于整个数学共同体来说，这座山仍然是一片未知。
▲ 认知科学家Gary Marcus转发讲座要点：proof indigestion风险 + 数学并非均一
Gary Marcus在转发中尖锐地加了一句：AI系统擅长解某些类型的题，但没有证据表明它能建造新理论。 这一洞察引发了评论区的金句连锁，
“解证明和创理论，是根本不同的能力一个在框架里优化，一个发明框架”
▲ 高赞评论：框架内优化 vs 发明框架，这是两种根本不同的智能
六、三条处方，和一个关于音乐的隐喻
面对即将决堤的证明洪水，陶哲轩没有摆出末日姿态，而是开出了三条务实处方：
第一，把AI协助的使用公开化、常态化。 暗中使用又刻意隐瞒，会把局面推向最坏处。他在脚注里坦承：这份讲演文稿本身就用了AI辅助。
第二，降低“抢先解题”的权重，提高“把证明讲清楚”的权重。 把声望和资源更多地分配给核验者、阐述者和教科书编写者，那些帮助知识完成“消化”的人。
第三，设定发表门槛：如果你不能站上台做一场清晰、专家级、正确且归因得当的报告，这个结果就不该发表。
▲ 陶哲轩提出的经验法则：不能讲清楚的证明，不应发表
当被追问，如果连创造的核心也被机器接管，数学家还能做什么？他没有搬出国际象棋那套老比方，而是用了音乐：电子合成技术早就能完美复制甚至生成任何风格的乐曲，但人们依然涌进音乐厅，因为珍视的是人类之间的连接。
“数学其实一直以人类为中心，” 他说，“只是我们习惯用『数学只关乎抽象数字和方程』的说法来掩饰这一点。现在，是时候更诚实了”
七、从数学向外看：每个“生成廉价、验证昂贵”的行业都将消化不良
如果你觉得这只是数学家的内部焦虑，那你低估了这场危机的辐射半径。
评论区里有人一针见血：“生成变便宜了，验证没有。每个行业都会消化不良，总得有人去读这些东西。”
代码生成 vs Code Review。AI论文草稿 vs 同行审稿法律意见书 vs 合规审查 结构完全同构，供给冲击，精准命中管道上最慢的那个人类注意力环节。
科学出版早已有可重复性危机、预印本洪水、掠夺性期刊；AI草稿只是又加了一层压力数学因为“输出可以被机器自动检查”，成了AI公司最干净的成功橱窗，也因此最早撞上了丰裕之后的代谢危机。
这使得数学成了整个知识产业的矿井金丝雀。陶哲轩今天在费城说的话，明天就会发生在你所在的领域。
当正确性不再稀缺，理解、消化与意义判断就成了新的稀缺品。
一百年前，罗素悖论和哥德尔定理炸开了数学的地基，逼迫整个学科重写基础设施，结果反而更强韧。陶哲轩赌的是：这一次的湍流，如果认真面对，也能换来同样的收获。
但前提是，我们得先承认自己消化不良。