Terence Tao警告称，人工智能正在以快于数学家发现新问题的速度，消耗数学领域中富有成果的未解决问题。

这位加州大学洛杉矶分校教授被广泛认为是当今最杰出的在世纯数学家，并于2006年获得菲尔兹奖。他在以数学为主题的Mastodon实例Mathstodon上发帖提出了这一警告。随着AI公司越来越多地将大量计算能力用于解决困扰研究人员多年、甚至数十年的数学和科学问题，Tao发表了上述看法。

Tao担心的并不是数学问题数量不足。任何人都可以创造出无限多的问题；例如，计算π的第googol位数字，从技术上说就是一个尚未解决的问题。然而，这类问题中的绝大多数并不会推动整个领域发展。真正重要的任务，是找出哪些问题值得投入解决它们所需的时间和精力。

“In short, the indiscriminate use of powerful solution-extraction tools can achieve the immediate short-term goal of solving problems at hand, but at the cost of sustaining the ecosystem for the next wave of progress, or in understanding the progress already obtained,” Tao wrote.

随着推理模型和新一代前沿AI系统的出现，包括Anthropic和OpenAI在内的公司开始让其模型接受困难数学和科学问题的测试。据报道，相关成果涉及量子物理、应用数学和医学等领域。

数学面临着特殊挑战，因为真正困难的问题相对稀缺。研究人员通常会谨慎决定哪些问题值得投入数月或数年的时间。这一过程传统上依赖于Tao所称的一个领域的“难度地形”：哪些问题很容易，哪些需要付出大量努力，以及哪些问题超出了当前方法的能力范围。

从历史上看，新技术一直在削平这片地形的部分区域，同时在自身能力边界之外开辟新的前沿。Tao认为，AI打破了这一模式，因为研究人员目前还无法准确判断模型的能力究竟止于何处。

从传闻到竞赛

Tao的警告并非基于假设，而是紧随一系列具体案例而来。今年5月，一个OpenAI模型推翻了Erdős单位距离猜想。这是一个存在了80年的问题，探讨平面上有多少对点之间的距离可以恰好为一个单位。包括菲尔兹奖得主Tim Gowers在内的OpenAI外部数学家验证了这一结果。

同一周内，Anthropic研究员Levent Alpöge使用Claude Mythos测试了同一个问题。这是该公司尚未发布的顶级模型。Alpöge在离线环境中进行测试，以确保系统无法复制OpenAI公布的解答。Anthropic工程师Sholto Douglas称Mythos的结果是一个“cute, simple proof”，而且比OpenAI的证明更短。数学家Daniel Litt则称其“a bit worse”，但Mythos也找到了OpenAI自己的解答。

Huge credit to the OAI team for solving the unit distance problem with 5.5 - it is now my go to example that models can in fact pull together disparate ideas into new discoveries. As with all 4 minute miles, we had to try and cross it too! Turns out mythos solves it with a cute,…

— Sholto Douglas (@_sholtodouglas) May 26, 2026

据消息来源称，Anthropic随后将一个有数百年历史的费马大定理证明形式化。几天后，OpenAI又在一名研究人员发表独立证明数小时后，解决了一个存在了90年的问题。随后，OpenAI与一名Anthropic研究人员共同撰写了一篇论文。

这场竞争正是Tao担忧的核心。“We have now seen that even the rumor of someone working on a problem can trigger a massive amount of AI-powered effort to flatten it before the original research project has time to reach its full potential,” he wrote.

Tao认为，这可能逆转开放科学进程中的某些方面。在这一进程中，研究人员会随着时间推移发展观点，并发表能够帮助他人理解答案以及背后方法的研究成果。

评判过程，而不仅是答案

Tao提议将某些数学问题标记为“analysis-required”。按照这一做法，如果一个正确答案没有解释，那么其价值将十分有限；除非答案包含能够为相关或相邻问题提供洞见的推理过程。

这一差别很重要，因为经过验证的结果和可复用的方法在数学中发挥着不同作用。Tao的提议将更加重视AI生成的证明是否能够帮助研究人员理解相邻问题，而不是仅仅依据某一个困难问题是否已经解决来评判进展。

他将这一想法比作停止接受仅仅“可以食用”的捐赠的食物银行：价值不应只取决于眼前的结果。

Tao表示，另一种选择是禁止在数学领域使用AI，但他称这一方案“technically infeasible”。目前尚无机构将“analysis-required”提议作为政策采纳。鉴于各大AI实验室正以当前速度将其系统应用于数学领域，Tao暗示，即使实施这一做法，目前也可能在技术上难以实现。

来源：Decrypt