25 位菲尔兹奖得主发声：AI 解出题以后，谁把答案变成知识
据陶哲轩 9 月 11 日发布的说明，25 位菲尔兹奖得主作为首批签署者发表数学与 AI 声明，担忧实验室把快速解题当成主要目标，挤压了理解、归因和知识传承。声明同时承认 AI 有帮助数学研究的潜力。
作者：沈南乔｜OC 社会影响编辑
据陶哲轩 9 月 11 日发布的说明，25 位菲尔兹奖得主作为首批签署者发表数学与 AI 声明，担忧实验室把快速解题当成主要目标，挤压了理解、归因和知识传承。声明同时承认 AI 有帮助数学研究的潜力。
一句话结论：争议不是“机器能不能做数学”，而是当答案生产突然加速，解释、验证和培养下一代研究者的工作由谁承担。
一份正确答案，为什么还不够
对考试来说，题目通常已经明确，评分标准也已经设定。对研究来说，找到一个结论之后，仍可能要回答：这个方法为什么有效？哪些假设不可少？能否推广到邻近问题？还有没有更简单的证明？
这些不是为了给答案增加仪式感。一个结论只有被其他人理解、检查、复用，才能稳定进入共同知识。否则它更像一件只能由原作者操作的设备，别人知道它产生了结果，却难以在它上面继续搭建。
声明的核心忧虑正是目标替代：解出著名问题原本是观察理解进步的一个信号，如果竞赛只奖励信号本身，最费时间、也最容易被忽略的后续工作就会失去资源。
形式验证和概念理解也不是同一张证书
技术讨论中常见一种回答：让证明助手检查，不就解决了吗？严格形式化确实能够帮助核对一套形式陈述下的推导，却不会自动决定哪一种解释最适合教学，也不会自动揭示某个技巧与别的领域有什么深层联系。
反过来，一篇讲得很动人的文章，也不能代替严谨验证。这里没有必要让两种工作互相排斥。真正好的流程应该让机器可检查的部分更可靠，让人可以理解和延伸的部分更充分。
这同样适用于代码：测试通过能回答一些功能问题，但新人能否维护、架构为什么这样设计、未来需求怎么接入，需要另一组材料。数学界的争论因此不是孤立的职业焦虑，而是在问知识工作的成果到底包含什么。
归因不是给机器补一个作者名字
声明还担忧，仓促公布解答会压缩整理前人工作与明确贡献的时间。这不是简单地在署名里加上模型名称就能解决的。
一次 AI 辅助研究可能包含问题提出、资料选择、提示设计、错误识别、证明修补和解释重写。不同贡献来自不同的人与工具，发布记录若只剩“某模型解决某难题”，就会把这些工作压成一个模糊的品牌成绩。
OC 认为，研究成果的披露应当尽量保留这些层次。哪些部分由模型生成，哪些结论已核验，哪些步骤依赖人的修正，都比一个笼统的“AI 完成”更有助于后续研究者判断材料能不能使用。
培养能力的过程不能只按产出速度定价
学生练习一个已知问题，并不只是为了让世界再多一份答案。训练过程还包含识别错误、选择方法和提出新问题的能力。如果最终答案几秒即可生成，教育者更需要重新设计任务，而不是假装这种变化没有发生。
但“需要重新设计”不等于“所有练习都失去价值”。会使用工具与能判断工具输出，是两种相互依赖的能力。省掉全部基础训练，也可能省掉识别错误所需要的经验。
这种调整应具体到课程、研究组和项目，而不能只用支持或反对 AI 来站队。声明是签署者提出的主张，并非已经得到实验证明的“AI 正在毁掉数学”结论；它值得回应，恰恰因为指出了评估目标需要重新讨论。
关键事实
- 首批签署者为 25 位菲尔兹奖得主。
- 声明强调理解、归因和知识传承，不是全面拒绝 AI。
- 它是一份学界主张，不能写成所有数学家的统一意见。
- 正确性检查与概念理解分别需要工作。
OC 判断
如果 AI 帮我们更快得到答案，节省出的时间应有一部分回到解释、验证和教育，而不是全部变成下一轮竞速。科研工具的成功，不应只用它抢到了多少标题衡量。
为什么重要
- 对研究者：披露贡献与验证范围有助于保护协作。
- 对开发者：评测应纳入结果是否可理解、可继续使用。
- 对学生：学习目标需要调整，但判断能力仍需训练。
评论
围绕这篇文章补充信息、提出问题或分享观察。