陶哲轩、邓煜等25位菲尔兹奖得主联合声明：AI公司的急功近利正在伤害数学

发布时间：2026-09-12来源：腾讯科技

著名数学家、菲尔兹奖得主陶哲轩。图片经由AI生成

文｜Joanne

编辑｜徐青阳

当地时间9月11日，包括陶哲轩、邓煜、彼得·舒尔茨、皮埃尔·德利涅在内的25位菲尔兹奖得主，联合发表了题为《人工智能在数学中的严重错位》（A Severe Misalignment of AI in Mathematics）的公开声明。陶哲轩在其个人博客及专门设立的网站（mathandai.org）上发布了全文，并开放学术界联署。

这封声明的签署者跨越了从1978年到2026年的多届菲尔兹奖得主。声明的核心关切在于，当前部分人工智能企业将解决数学难题单纯作为模型性能的评价基准，这种推进模式与数学学科的发展规律以及数学共同体的根本目标之间，存在着严重的对齐失衡。

公开声明的核心关切：急功近利如何伤害数学

陶哲轩博客截图

陶哲轩在发布该声明的博客补充说明中表示，这份联合公开信由25位菲尔兹奖得主在过去一周的密集讨论中迅速形成。虽然因时间紧迫未能像此前莱顿宣言那样开展更广泛的协商流程，但面对商业AI实验室密集且仓促发布数学结果的现状，大家一致认为情况的紧迫程度要求数学界必须尽快统一发声。

公开声明明确指出，这并非一封反对在数学研究中使用人工智能的倡议。相反，声明承认人工智能在增强和加速真正的数学研究方面具备巨大潜力。

学者们关注的焦点在于成果的产出与发布方式，这种急功近利的做法具体表现在三个层面。

首先，概念理解高于答案本身。数学的核心价值在于对基本结构的理解与概念的提炼。著名数学难题是认知数学景观的标杆，攻克问题的真正意义在于衍生出新的研究方法与抽象工具，并通过长期的学术讨论、简化与教学，将其整合进学术体系。

如果仅追求快速给出真假判定或最终答案，这种只管解题而忽视理解的模式，正是AI公司急功近利的直接体现，非但不能为新思想注入生命，反而可能损害孕育新思想的土壤。

其次，知识传承与学术规范受到严峻冲击。通常，商业人工智能系统对解题结果的公布较为仓促，缺乏充分的时间撰写严谨论文、梳理新思想以及规范引用前人成果。这引发了学术归属权与规范性问题。

同时，若缺乏人类数学家的后续消化与发展，人工智能生成的思路难以真正融入教学与后续研究，导致商业算力的冲刺与学术共同体传承目标出现严重脱节，可能切断学科内部至关重要的人际学术传承。

最后，这是智力劳动的共同课题。声明指出，商业算力的推进节奏与科学共同体真正目标的脱节，并非数学界所独有。这种只看结果、忽视过程的急功近利现象，普遍存在于其他科学与创意领域。

多年的专业训练传统上不仅是为了产出一个最终产品，更是为了培养理解力与提出新问题的能力。问题的关键在于，当人工智能深刻改变工作流程时，如何确保研究不偏离其最初要达成的认知目标，这构成了人类智力劳动在面对AI技术冲击时最核心的考量。

88小时与一年：一场被加速的碰撞

特里斯坦·巴克马斯特与莱文特·阿尔珀格

故事的起点，要追溯到两位默默钻研的数学家。纽约大学（NYU）数学家特里斯坦·巴克马斯特（Tristan Buckmaster）与Anthropic研究员莱文特·阿尔珀格（Levent Alpöge，以个人身份参与）已在这一领域闭关探索了近一年。

他们研究的核心对象，正是被称为“流体界牛顿第二定律”的纳维-斯托克斯方程（Navier–Stokes Equations）及其无黏性简化版本欧拉方程（Euler Equations）。这些方程用于描述水、空气等流体在微观与宏观上的运动规律。在千禧年大奖难题中，数学家们关注的核心焦点是：流体运动在平滑的初始条件下，其速度与能量是否会在有限时间内飙升至无限大（即出现数学上的“奇点”或“爆破”）。

巴克马斯特与阿尔珀格借助包括OpenAI Codex在内的多种AI工具辅助，于8月中旬迎来了突破，成功证明带光滑外力的三维欧拉方程及相关模型会在有限时间内出现奇点（爆破），并在8月22日完成了Lean语言的代码形式化验证。

按照学术惯例，他们本打算精细打磨论文后再正式发表。然而8月下旬，社交媒体上开始出现“有人已用AI攻克纳维-斯托克斯方程”乃至“Claude已解决千禧年难题”的传言，打乱了原本的节奏。

此时正在按计划推进技术迭代的OpenAI，于8月28日开始训练一款性能显著增强的内部模型。9月1日，在注意到网络上传播的解题传言后，OpenAI迅速启动大规模评估，并将集中算力转向了纳维-斯托克斯方程。

这场高强度计算展现了大规模AI智能体集群的推进效率：他们先是调度了约1000个AI智能体，花了约50个小时在较简单的欧拉方程上取得突破；紧接着，智能体规模扩至约1万个，用十余个小时将结果延伸至带光滑外力的纳维-斯托克斯方程。整个计算与推理过程耗时约88小时；随后，系统又用了十余个小时完成Lean代码验证，并在9月5日给出完整解答。外界估计，这一过程消耗的计算成本在数百万至上千万美元之间。

9月6日完成验证后，OpenAI主动联系巴克马斯特，提出联合发布成果的可能性。然而根据巴克马斯特后续公开的四页详细声明，这场沟通变得十分紧张。他称OpenAI代表曾建议由他单独署名相关结果、去掉阿尔珀格（理由是阿尔珀格任职于其竞争对手Anthropic）；而当巴克马斯特表示将公开整个过程时，对方问道：“为什么要毁了你的职业生涯？”

这张图展示了流体出现“爆破奇点”时的典型动态：就像花样滑冰运动员收紧双臂时旋转会急速变快一样，流体在向内螺旋聚集（向内螺旋）的同时被沿着轴向拉长（轴向拉伸），导致局部的旋转速度（橙色区域）陡然飙升。

为了确保研究过程与时间线的透明，9月7日深夜，巴克马斯特与阿尔珀格选择抢先向外界公开了三篇研究论文、完整的Lean验证代码库以及一份详细的时间线声明。几个小时后，OpenAI正式向外界宣布了其AI系统在88小时内得出的证明结果。双方的正面交锋正式拉开帷幕。

虽然成果已双双公布，但围绕过程合法性与学术规范的追问才刚刚开始。

面对抢跑与数据泄露疑云，OpenAI回应：AI与研究人员在论文发布前从未接触过对方成果，也未调取个人数据。内部调查显示，巴克马斯特（Tristan Buckmaster）此前使用Codex的提示词不足以影响模型解题路径。

但OpenAI承认，无法完全排除去标识化数据在宏观上的训练提升作用，并强调双方成果结论并不相同：前者攻克的是带光滑外力的三维欧拉方程，而OpenAI解决的是条件更复杂的带外力纳维–斯托克斯方程。

巴克马斯特对此澄清，自己从未指控盗用数据，核心质问在于OpenAI是否在获知其关键进展传言后，针对同一路线启动并加速了这场集中突击。他认为争论焦点在于商业AI公司介入前沿研究时，是否应当恪守传统学术界的透明度与协作规范。

OpenAI用88小时展示了智能体集群在数学前沿的惊人效率。然而正如陶哲轩（Terence Tao）在接受《New Scientist》采访时指出，当前的突破呈现出一种“得到答案与获得理解之间的前所未有的脱钩”。高强度算力抛出答案之后，人类能否从中提炼出有价值的数学洞察并推动学科稳健发展，才是真正的考验。

数学界的深层不安：陶哲轩的预警与反思

在这场关于信用与规范的争议中，陶哲轩在学术平台上的发帖构成了最具深度深刻的反思。他指出，纯数学的核心价值在于求解中催生出的新概念与新工具，而非单纯的孤立答案。若难题被商业AI以不透明的黑盒方式快速破解，不仅无法带来知识增量，还会破坏健康的科研生态。

陶哲轩提出了一个精准的比喻：正如沿海地区仍可能面临淡水短缺，无数无意义的数学问题中只有极少数值得攻克的“好问题”。当商业算力被无差别用于提取答案时，这些宝贵的问题资源正在被迅速消耗，却未能转化为支撑下一代研究的养料。

更危险的是，AI可行与AI困难之间的边界已被完全模糊。商业公司拒绝披露负面尝试与中间过程，导致学术界无法分辨失效路线，也无法定位突破方向。甚至只需出现某种研究传言，就会触发大规模商业算力直接“压平”该课题，迫使研究者因焦虑而不再分享早期构想，这正严重威胁着数百年来开放科学的传统。

对此，陶哲轩呼吁建立明确的学术标准：对仅有原始答案、缺乏过程分析与地形揭示的纯算力方案，应认定其价值微乎其微甚至为负。正如现代食物捐赠机制拒绝无条件接受任何仅是“可食用”的贡献，学术界也应坚持质量标准，只接受真正能推动学科健康发展的成果。

把时间轴拉长，2026年正是数学界被推到台前、与人工智能深度交织并不断厘清边界的一年。这封25位菲尔兹奖得主的联合公开信，可以说是人工智能与数学交汇处一条持续攀升的压力曲线的顶点。

早在今年5月，OpenAI内部模型给出了组合几何中悬置约80年的保罗·埃尔德什（Paul Erdős）单位距离猜想的反例，推翻了该猜想，其成果被广泛认为达到了数学顶刊的发表水准。值得注意的是，联名撰写配套论文的九位数学家中，就包含了后来获得2026年菲尔兹奖的新科得主。

关于人工智能与数学的莱顿宣言截图

到了6月2日，16位来自15所大学的数学家联合发布了《关于人工智能与数学的莱顿宣言》（Leiden Declaration）。这份宣言源于2025年9月在莱顿大学罗伦兹中心（Lorentz Center）举行的一场汇集十国约60名研究者的研讨会，历经工作组8个月的打磨方才成稿。宣言发布首日便有130人签名，24小时内签署人数突破1000人，并迅速获得了国际数学联盟（IMU）的正式背书，彼得·舒尔茨（Peter Scholze）等顶尖学者均在上面署名。

7月，阿尔珀格借助Claude Fable 5找到了存在87年之久的雅可比猜想（Jacobian Conjecture）反例。陶哲轩随后专门撰文进行结构性解读，展示了人类数学家在消化算法发现中不可替代的作用。

2026菲尔兹奖获奖名单

到了7月23日，国际数学家大会（ICM）在费城开幕，本届菲尔兹奖授予了邓煜、王虹、约翰·帕登（John Pardon）与雅各布·齐默曼（Jacob Tsimerman）四位青年学者。邓煜与王虹是继1982年丘成桐之后获奖的华人学者，王虹亦是该奖90年历史上第三位女性得主。邓煜也是25位参与联署倡议的菲尔兹奖得主中最年轻的一位。

新科得主们对 AI 的态度折射出数学界的分化。齐默曼并未在公开信上签名，他在领奖后宣布将从多伦多大学停薪留职，于8月加入 OpenAI从事AI安全研究。在他看来，传统数学家的职业形态已难以为继，学者不应在场外旁观，而应深入实验室为复杂系统提供形式化数学保证。

在此背景下，25位菲尔兹奖得主在声明结尾向数学界与AI企业提出三项基本倡议：

--商业实验室获得突破后应为论文撰写、思想提炼及同行评审留足时间，切忌仓促抢跑营销。

--借助AI提取成果时必须遵守学术规范，清晰标注并引用先前人类研究者的贡献。

--尊重并维护人类研究者在消化、整合、教学与传播成果中的核心传承作用，确保人际学术传统不中断。

人工智能具备加速研究的巨大潜力，但它究竟是促进学科繁荣还是破坏生态，取决于各方的制度与伦理抉择。数学界直面的这场范式冲击，也为更多智力劳动领域提供了重要参照。

附：公开信全文

《人工智能在数学中的严重错位》

我很荣幸能成为下文联合声明的25位初始签署人之一——我们所有人皆为菲尔兹奖得主。这份声明源于我们过去一周时间里的深入讨论。我们也在该网页（mathandai.org）上发布了这份声明，并邀请更多人参与联署。（遗憾的是，我们未能安排更为充分的征求意见过程；但我们一致认为情况极其紧迫，必须尽早发布这份声明。）

在过去几个月里，大语言模型的数学能力取得了显著提升，甚至达到了能够解决多个数学领域重大悬而未决难题的地步。然而，AI公司将“解决数学难题”仅仅作为衡量模型性能的基准测试进行推进，正在对数学科学本身以及数学共同体造成损害。AI公司的目标与数学共同体的目标之间存在着严重的对齐失衡。我们认为，这构成了影响其他科学与创意行业乃至整个社会的更广泛对齐危机的一部分。

研究型数学的核心在于理解形状、数字与自然现象的基本结构。历经数代人的积累，数学界构建了一个由精妙思想、研究方法、抽象概念及其他工具组成的庞大体系，用于认知整个数学景观。反过来，现代科技与自然科学无一不是建立在数学工具的基础之上。

著名难题往往充当着地标与灯塔的角色，人们借此来衡量对这片数学景观理解的深化。攻克其中某一难题，向来是产生新洞察与新方法的明确标志；随后，整个数学共同体会通过报告、研讨与简化过程，共同对这些新思想进行消化吸收。在这一过程的终点，人们理想中会整理出适合研究生乃至本科生学习的教科书级呈现。其中一部分数学思想甚至会走得更远，在数十年或数百年后，成为全人类都能理解和使用的通用工具。

在许多方面，数学共同体就像是人类社会的一个微缩版本。它由采用各式各样研究路径的个体组成，并通过核心价值观紧密相连。我们这一行业中最宝贵的资产是学生与思想，而我们始终怀着极大的用心去呵护它们。

我们深感责任重大，务必要让它们充分释放潜能，直到它们能够在数学世界中独立生存。对于学生，我们布置难题的核心意图往往是为了培养他们的能力，使其在未来的研究及其他领域中处于有利地位；对于思想，我们通过学术报告、私人探讨和精细撰文加以传播，并将其与前人已有的思想建立链接。这些过程必然需要花费时间，且完全建立在人与人之间的互动之上。

近几个月来，AI在攻克重大数学难题方面取得的成功引发了广泛关注。然而，解决问题仅仅是实现“获得概念性理解与深刻洞察”这一核心目标的工具和替代指标。在AI时代如果抛弃了这一核心目标，工具本身就可能反噬其初衷。事实上，以越来越快的节奏批量生产“真/假”断言，非但不能为新思想注入生命，反而可能摧毁肥沃的探索土壤。

通常，这些解题结果的公布都极其仓促，根本没有留出时间进行正规的论文撰写、新方法与新思想的梳理提炼，以及对他人先前相关工作的规范引用。正如在所有创意行业中所发生的那样，这引发了严峻的归属权与学术剽窃问题。此外，如果没有心怀敬意的数学家去负责对其进行后续开发并融入数学经典体系，AI所构想出的思想就永远无法真正活过来，数学家之间至关重要的人际传递纽带也将断裂。

我们正在见证一场对智力劳动构成的普遍威胁：AI工具的使用结果与其初始初衷之间发生了脱钩与失衡。在许多领域和活动中，多年的专业训练传统上不仅是为了产出一个最终答案或产品，更是为了培养理解力，以及提出新问题与新思想的能力。

然而，AI系统立足于人类此前创造的海量工作成果，正变得日益擅长直接产出此类工作的最终结果，导致工具与初衷不再对齐。数学共同体眼下所面临的挑战，与其它科学及创意行业正在面临的危机如出一辙，更预示着全人类可能共同面对的课题：当人工智能深刻改变工作的完成方式时，我们该如何确保自己不会丢失最初开展这项工作的本意？

AI确实具备增强并加速真正的数学研究与理解的巨大潜力。作为一个专业领域，数学界需要从多个方面去适应这些变革。然而，这些变革最终是造福这一领域还是带来破坏性影响，将在很大程度上取决于掌控这项新技术的人类所做出的决断。

这些问题必须得到紧急应对——无论是在数学共同体内部，还是在开发这些技术的商业公司之中，抑或是在未来将以多种形式直面类似智力劳动危机的整个社会层面。

初始签署人名单（按姓氏首字母排序）：

阿尔图尔·阿维拉（Artur Avila，2014年菲尔兹奖得主）

埃菲·杰尔曼诺夫（Efim Zelmanov，1994年菲尔兹奖得主）

埃隆·林登斯特劳斯（Elon Lindenstrauss，2010年菲尔兹奖得主）

阿莱西奥·菲加利（Alessio Figalli，2018年菲尔兹奖得主）

安德烈·奥孔科夫（Andrei Okounkov，2006年菲尔兹奖得主）

昂热·维拉尼（Cédric Villani，2010年菲尔兹奖得主）

彼得·舒尔茨（Peter Scholze，2018年菲尔兹奖得主）

皮埃尔·德利涅（Pierre Deligne，1978年菲尔兹奖得主）

皮埃尔-路易·利翁斯（Pierre-Louis Lions，1994年菲尔兹奖得主）

邓煜（Yu Deng，2026年菲尔兹奖得主）

马里纳·维亚佐夫斯卡（Maryna Viazovska，2022年菲尔兹奖得主）

曼朱尔·巴尔加瓦（Manjul Bhargava，2014年菲尔兹奖得主）

马克西姆·孔采维奇（Maxim Kontsevich，1998年菲尔兹奖得主）

马丁·海勒（Martin Hairer，2014年菲尔兹奖得主）

考彻尔·比尔卡尔（Caucher Birkar，2018年菲尔兹奖得主）

柯蒂斯·麦克马伦（Curt McMullen，1998年菲尔兹奖得主）

森重文（Shigefumi Mori，1990年菲尔兹奖得主）

斯塔尼斯拉夫·斯米尔诺夫（Stanislav Smirnov，2010年菲尔兹奖得主）

陶哲轩（Terence Tao，2006年菲尔兹奖得主）

温德林·维尔纳（Wendelin Werner，2006年菲尔兹奖得主）

吴宝珠（Ngô Bảo Châu，2010年菲尔兹奖得主）

西蒙·多纳森（Simon Donaldson，1986年菲尔兹奖得主）

许吉夫（June Huh，2022年菲尔兹奖得主）

雨果·迪米尼-科潘（Hugo Duminil-Copin，2022年菲尔兹奖得主）