夜雨聆风七月的费城，成百上千名全球顶尖数学家坐在国际数学家大会的报告厅里。台上站着的人，是这个星球上公认最强的数学家，菲尔兹奖得主陶哲轩。他这次谈的主题与具体定理无关
他讲的是一场正在发生的危机
他说：数学正在从“证明稀缺”的时代，滑入“证明过剩”的时代。而这个转变的速度，可能以月来计算，远快于人们按年推演的节奏。
▲ 陶哲轩ICM 2026公开演讲标题页：《人工智能时代的数学》
一个让全场沉默的比喻：“证明消化不良”
陶哲轩抛出了一个词，精准得像手术刀，Proof Indigestion，证明消化不良。
想象一下：你面前的桌上堆满了食物，全是真的、能吃的、营养丰富的食物。但你的嘴只有一张，胃只有一个，消化系统二十四小时不停也处理不完。食物再多，最后也只会把人撑垮
这就是数学正在面临的局面
过去几百年，数学的瓶颈一直很简单，找到证明太难了。全世界最聪明的脑袋，花上几年甚至几十年，才能推进一个重要猜想。证明是稀缺品，每一个都珍贵，每一个都会被仔细阅读、反复讨论、写进教科书。
但现在，AI来了2026年5月的受控测试显示，在十道全新的、未发表的研究级数学问题中，AI系统至少解出了七道，达到了可发表的水准，每道题的算力成本，不过10到1000美元。
证明，突然变得便宜了
▲ 演讲核心幻灯片：红色高亮标注“阻抗失配”“证明消化不良”“证明稀缺→证明过剩”
“正确”不等于“有用”，这才是最恐怖的地方
陶哲轩在台上画出了一条完整的知识流水线，把“解决一个数学问题”拆成了六个阶段：
生成证明 → 验证正确 → 清晰阐述 → 同行发表 → 消化吸收 → 写入经典
AI正在以惊人的速度攻克第一步形式化验证工具可以帮忙搞定第二步。但从第三步开始，每一步都依赖人类的大脑、时间和共识，而这些东西的产能，几百年来几乎没变过。
▲ 完整流水线：从未解问题到经典化解答，末端的“消化”与“典范化”是最慢、最不可替代的环节
这就像一条工厂流水线，前端突然装上了火箭发动机，后端还是手工作坊。半成品会在中间越积越多，最终拖垮整条线。
陶哲轩指出，消化不良的症状已经出现了。在 erdosproblems.com 等网站上，大量AI提交的证明正在堆积。其中许多可能是对的，但没有专家愿意花时间去核对并背书。甚至有提交者自己附上一句：“我没有资格判断它是否正确。”
他还点出了AI写作的一个诡异悖论：AI生成的数学文本，拼写完美、语法流畅、格式无可挑剔，但往往在琐碎之处铺陈万言，在新颖、关键的地方一笔带过。人类作者写论文时天然留下的那些"磕绊"，某处措辞犹豫、某段反复解释，恰恰是在告诉读者：这里很难，请放慢速度。AI把这些信号全部抹平了
读起来顺，学不到东西 这比读不懂更危险
▲ 幻灯片提问：能否存在一个重大结果的已验证证明，却没有任何人类理解到足以讲解？
古德哈特的诅咒：当“解题数量”变成目标
陶哲轩搬出了经济学中著名的古德哈特定律（Goodhart's Law）：当一个指标变成目标时，它就不再是一个好指标。
过去，数学界用“解决了多少重要问题”来衡量进步，这没什么问题，因为要解决重要问题，你同时需要建立理论、训练学生、提升整个领域的理解力。这些目标过去是天然对齐的
但AI和商业激励正在把它们撕裂
如果"解题数量"可以被AI暴力刷高，那追求这个数字的人（和公司）就可以跳过建设理论、培养学生、推动理解这些"慢工作"。奥赛金牌、Erdős问题、前沿研究、理论构建、数学教育，这些原本相互促进的事业，开始各走各路。
▲ 幻灯片引用古德哈特定律：AI的无根基性与公司财务激励，使工具特别容易触发这一效应
这种担忧已经落到现实讨论中在社交网络上，有人一针见血地概括了这种撕裂：
“解证明和创造理论，是本质不同的能力。一个是在框架内优化，一个是发明框架本身。”
▲ 网友评论：在框架内优化 vs 发明框架，两种根本不同的能力
另一条评论把它压缩成一句短评：
“优秀的助手，糟糕的发明家。”
▲ 技术社区的经典概括：Excellent assistant, lousy inventor/scientist
百年前的幽灵正在重现
陶哲轩把这场危机比作一百年前数学的“基础危机”。
二十世纪初，罗素悖论和哥德尔不完备定理炸开了数学的地基。数学家们被迫停下来，回答一个极其基本的问题：什么是合法的推理？ 那是一段痛苦、混乱、充满争吵的时期，但最终，数学从废墟中长出了更坚固的形式框架。
今天，危机转向了价值和实践什么算贡献？谁为机器参与的结果负责？一个正确但无人理解的证明，算不算进步？
陶哲轩明确引用了拓扑学大师瑟斯顿（William Thurston）1994年的名文：数学的成功应以人类能否更清楚、更有效地理解与思考数学来衡量。
三十二年后，这段话被AI时代重新激活：如果“正确”可以外包给机器，“理解”是否会成为更稀缺的通货？
他拥抱AI，也在抢时间
陶哲轩对AI持开放态度，也是较早拥抱AI辅助研究的顶级数学家之一。他参与了形式化证明项目，长期在博客和社交平台讨论AI工具，还亲自参与了对AI数学能力的独立评估。
他担心AI能力增长太快，人类的制度和文化会跟不上。
在演讲之后几天的《新科学家》专访中，他的语气变得更加紧迫，并给出了几条具体的行动建议：
第一，负责任地披露AI使用，最坏的情形是偷偷用AI却因怕被批评而隐瞒，这会毒化整个信任体系。
第二，降低“抢先生成证明”的声望权重，提高阐述、消化、典范化的地位。谁先生成不重要，谁先讲清楚才重要
第三，设一条发表门槛的经验法则：如果作者无法做一场正确、清晰、专家级的报告来解释自己的结果，那这个结果就还没到可以发表的程度。
第四，在教育中收紧无监督的AI使用，保住学生独立推导和判断的能力，这是不可逆的损失。
他还明确推荐了2026年6月发布的《莱顿宣言》，一份由国际学者起草、国际数学联盟（IMU）背书的规范文件，要求数学结果仍必须通过同行评议发表，理解结果不应依赖任何专有系统，人类作者对正确性全面负责。
▲ 莱顿宣言官网：数学界写给自己的AI时代规范底稿
数学是矿井里的金丝雀
为什么一场数学演讲值得所有人关注？
因为数学是人类所有知识领域中验证机制最强的。如果有任何学科能扛住AI的生成洪流，那应该是数学，它有形式化证明、有编译器级别的正确性检查、有几百年的严格同行评议传统。
但连数学都在喊“消化不良”
那验证手段更弱的领域呢？软件工程，百万行可编译代码缺少人力理解。法律，流畅的假货迫使机构重建核验体系。新闻，AI生成的"看起来像报道"的文本淹没了事实。
一位计算机科学研究者在社交平台上引用斯坦福学生的长文写道：“生成过剩了，稀缺的是消化，把困难的、新颖的、巧妙的东西挑出来，教会其他人。验证不等于消化”
陶哲轩用了一个徒步旅行的比喻来收束他的观点：攀登一座难山，价值不只在山顶。跋涉过程中留下的路标和地图，才是后来者最需要的东西。 如果AI只是把人空降到山顶，旅途本身的价值就消失了。
这个比喻，其实远远超出了数学的范围。在一个生成成本趋近于零的世界里，我们到底在追求什么？是答案的数量，还是理解的深度？是终点的坐标，还是路上的风景？
陶哲轩没有给出终极答案他的判断是：留给我们想明白这件事的时间，可能只有几个月了。