夜雨聆风数学，这座人类理性最庄严的神殿，正在被一场前所未有的"消化不良"击中。
2026年8月1日，OpenAI研究员Noam Brown在X上公布了一则重磅消息：公司内部模型Astra，一次性解决了数学、量子复杂度和理论计算机科学中的十项重大开放问题。 球面装填、编码界、非sofic群、Connes刚性猜想反例……每一个名字拎出来，都够一位数学家燃烧数年心血。而现在，一个AI系统用大约两千美元的算力成本，把它们批量"清掉"了。
▲ OpenAI研究员Noam Brown宣布Astra解决十项重大开放问题
消息一出，一位叫Pavel的用户发出了一段令人心惊的自白：
"我这辈子学数学超过一万小时，却读不懂这些证明。我的数学博士朋友们，如果不在那个具体子领域，也验证不了。LLM正在变得比专家还聪明，而我不确定我们有足够多聪明的人类大脑，去验证未来涌出来的一切。"
▲ Pavel：学了一万小时数学，依然读不懂AI的证明
这份担忧来自一个受过严格训练的技术人员，呈现出他面对AI产出时真实的认知失能。
而就在一周前，这个世界上最有资格对此发言的人，菲尔兹奖得主陶哲轩，已经在国际数学家大会（ICM 2026）的公开讲座上，用52页幻灯片，发出了系统性的预警。他给这场危机取了一个极其精准的名字：Proof Indigestion，证明消化不良。
"证明工厂"开足马力，"消化系统"原地宕机
要理解陶哲轩在说什么，先做一个简单的思想实验。
想象你经营一家出版社过去，好稿子极度稀缺，作者呕心沥血写出一本，编辑精雕细琢审完，读者如饥似渴地读。整个链条虽慢，但产出、审核、理解三件事天然同步。写书的人最懂这本书，审稿的人在审的过程中也学会了，读者拿到的是经过层层打磨的成品。
现在，一夜之间，一台机器能每小时吐出一百本书。每本看起来都像模像样，有的甚至通过了自动语法检查。但你的编辑团队还是那几个人，读者的阅读速度也没变快。书堆成山，谁来读？谁来判断哪本有价值？谁来把好东西写进教材？
这就是数学正在经历的事
陶哲轩在讲座中，把一个数学问题从"被提出"到"进入人类知识体系"拆成了六个阶段：
生成 → 验证 → 阐述 → 发表 → 消化 → 经典化
过去，一个数学家苦战三年证完一道题，ta同时也是最理解这个证明的人，生成者天然就是消化者。但AI打断了这个耦合机器可以喷涌式输出证明，甚至用Lean等形式化工具自动验证了正确性。可是，提示它的人可能根本看不懂，审稿的人排不过来，教科书的作者更是无从下手。
▲ 陶哲轩ICM讲座核心页：从"证明稀缺"到"证明丰裕"，阻抗失配全线爆发
陶哲轩用了一个绝妙的比喻：在食物稀缺的社会，猎人是英雄；但在食物丰裕的聚餐上，没人欢迎一个陌生人扔下一块生肉就走，让别人去清洗、烹饪、摆盘。而今天的AI，正在往数学界的餐桌上不停地扔生肉。
十岁遇Erdős，六十年后守护他的遗产
陶哲轩的预警并非纸上谈兵他自己就站在这场风暴的正中心
故事要从一个名字说起，Paul Erdős，匈牙利传奇数学家，一生提出上千道公开问题，许多至今悬而未决。陶哲轩十岁时在阿德莱德与Erdős合影，那张照片后来成为数学界最著名的"传承瞬间"之一。几十年后，Erdős问题成了AI"刷题"的公共靶场，而陶哲轩则成为这场AI浪潮中重要的人类核验节点。
▲ Quanta：为什么传奇的Erdős问题正在被AI攻破？
事情发展的速度令人咋舌erdosproblems.com上，AI提交的解答像潮水般涌来。GitHub wiki上用颜色标注进度：完整解决、部分进展、错误、未验证……"待评估"队列一度暴涨到近二十条，以往这个数字是一两条。陶哲轩在Mastodon上记录了这个变化，并指出：基础设施正在被淹没。
而OpenAI的Astra十条进展中，多色Ramsey问题恰恰对应Erdős问题第183号。十岁男孩仰望的那位老人留下的数学遗产，如今正以他无法想象的方式被机器"清算"。
Goodhart定律的幽灵：你优化的指标，正在吞噬你的目标
陶哲轩在讲座中祭出了一个社会科学概念来警告数学界，Goodhart定律：当一个指标变成优化目标时，它就不再是好指标。
他画了一张示意图："数学知识"居中，四周发散出多个目标，解决研究问题、构建理论、应用知识、建设社群、培养下一代、创造具有持久审美价值的作品。过去，这些目标大致正相关一个杰出的证明通常既推动理论、又可教学、又有美感。
▲ 当AI只优化"解决更多问题"，其他目标可能被牺牲
但当AI把"解决未解问题的数量"这一个维度推到极致时，其他维度可能塌缩。一个AI批量扫荡的证明，可能既不能教给学生什么，也不能启发新理论，更没有数学家所珍视的审美，它只是"正确"。正确，但空洞
陶哲轩甚至注意到了一个更微妙的危险：AI"过度抛光"证明文本的风险。人类写的证明里，作者曾经卡壳的地方，往往会留下天然的"摩擦感"，写得更慢、更啰嗦、着墨更多。这种不完美恰恰是给读者的路标：此处有陷阱，请放慢脚步。而AI生成的文本把一切都写得同样"丝滑"，常规步骤和关键洞见一样顺畅，读者反而丧失了判断力。
这让人想起William Thurston在1994年写下的那句话，陶哲轩在幻灯片中直接引用了它：
"数学的成功尺度在于，我们是否让人更清晰、更有效地思考数学，而非定义、定理与证明的产量。"
如果机器把流水线开到最大吞吐，而人的理解曲线纹丝不动，按Thurston的标准，成功从未发生。
数学之外：一场跨行业的"验证危机"
X上的回复者Marcus Spillane一针见血：
"proof indigestion即将冲击每一个行业，数学也在其中。生成变便宜了，验证没有。总得有人去读那些东西。"
▲ "生成变便宜了，验证没有。总得有人去读。"
类似压力已经出现在开源社区，AI生成的Pull Request如洪水般涌入GitHub项目，维护者根本审不过来，有的项目干脆关闭了外部PR通道。科幻杂志被AI投稿淹没而暂停征稿的新闻，去年就已上过头条。安全研究领域，过去声望属于发现零日漏洞的人，现在AI扫描器一天能发现成百上千个潜在漏洞，可谁来分诊、谁来修？
"生成廉价，验证昂贵"，可能是AI时代最深刻的结构性矛盾。
数学界的"莱顿宣言"与陶哲轩的药方
面对这场危机，数学界没有坐以待毙
2026年上半年，国际数学联盟（IMU）背书的《莱顿宣言》（Leiden Declaration） 正式发布，呼吁数学共同体主动定义AI使用规范。宣言的核心立场是：证明不仅给出确定性，也承载"为何为真"的理解，如果只剩下前者，数学的灵魂就丢了一半。
▲ 莱顿宣言：IMU背书，呼吁数学界定义AI使用规范
陶哲轩本人则开出了更具操作性的药方：
第一，正常化负责任的披露 论文中应当标注AI工具与算力使用情况，避免因为怕被批评就偷偷用、偷偷藏。他自己以身作则，幻灯片页脚注明："所有破折号均为人类生成"，一句冷幽默，但态度严肃。
第二，声望必须转移 成功验证并消化证明的人，应获得比第一个生成证明的人更多认可。一个经验法则：如果作者无法做一场清晰、专家级、正确归因的报告，这个结果就不应视为已完成的发表。
第三，承认数学内部差异巨大 AI可能在Erdős式的离散组合问题上所向披靡，但在开辟全新语言、定义新对象、构建宏大理论方面，目前还没有任何证据。正如一位评论者的精辟总结："出色的助手，糟糕的发明家。"
站在分水岭上
陶哲轩把当下比作20世纪初的数学基础危机。那一次，罗素悖论和哥德尔不完备定理迫使数学家重新回答"什么是集合、什么是证明"。动荡之后，产物是更坚固的地基
这一次，公理依然稳固，实践规范却出现裂缝：什么算一个贡献？谁获得声望？论文的最低质量门槛是什么？一个"正确但没人懂"的证明，算不算知识？
独立评估项目First Proof已经在尝试回答这些问题。它用受控实验，而非公司新闻稿，来检验AI的真实能力：十道新颖研究级题目，四套AI系统，专家同时评审正确性与表述质量。结果是：至少一队让其中七题达到可发表水平，单题算力成本10到1000美元。
▲ First Proof：用受控实验替代"战报"，独立评估AI数学能力
这个成本数字是最震撼的部分过去，攻克一道研究级数学难题，计价单位是"人力年"。现在，计价单位是"美元"产能革命已经发生，而我们的消化系统还停留在手工时代。
陶哲轩在讲座最后引用的那张图，或许是对这个时代最精准的隐喻，一条从左到右越来越长的流水线：开放问题 → 未验证解 → 已验证解 → 写得好的解 → 被接受的解 → 定论性解。左边几步正在被机器以指数速度加速，右边几步仍然只能以人类的速度蠕行。
中间那个越拉越大的缺口，就是proof indigestion。
这场变化正在此刻发生而你所在的行业，无论是写代码、做研究、审合同还是读报告，大概率，下一个。