AI 会给证明以后，Sanderson 提议奖励把数学讲明白的人
据陶哲轩博客 9 月 18 日刊出的客座文章，Grant Sanderson 提议，数学界应给予优秀的“动机解释”更明确的学术认可。文章作者是 Sanderson，并非陶哲轩；它提出的是评价文化的改变，不是已经实施的学术制度。
作者：沈南乔｜OC 社会影响编辑
据陶哲轩博客 9 月 18 日刊出的客座文章，Grant Sanderson 提议，数学界应给予优秀的“动机解释”更明确的学术认可。文章作者是 Sanderson，并非陶哲轩；它提出的是评价文化的改变，不是已经实施的学术制度。
一句话结论：当得到一个证明变得更容易，解释一个想法为什么值得提出、怎样被发现和如何复用，可能更需要被认真计价。
有答案，与知道为什么会想到它
一个证明可以从定义开始，逐步说明结论成立。读者检查每一步都没有问题，却仍可能不知道：为什么选择这个定义？为什么这个构造能解决眼前的困难？下一次遇到相似问题，如何自己走到这里？
Sanderson 讨论的“动机解释”，瞄准的正是这层空白。它可以从一个自然但不够好的想法出发，展示它在哪里失败，再引出需要的新概念。目标并非只把语言变浅，而是让关键选择有来路。
这不局限于面向大众的科普。一个需要深厚背景才能理解的研究解释，也可以帮助专业同行看见新方法为何有效，以及它和附近问题有什么关系。
这是对前一轮讨论的推进
此前 OC 已报道 25 位菲尔兹奖得主关于 AI 与数学理解的讨论。那次的核心是，题目被解出之后，答案如何成为人类可使用的知识。
本次客座文章把问题进一步落到激励：如果大家口头认可理解很重要，却主要奖励新证明数量，那么投入解释、整理和传播的人就可能继续承担较低的职业回报。
因此，这不是再次争论 AI 是否“真的懂数学”，而是追问学术组织会怎样分配时间、声誉和机会。一个领域最公开庆祝什么，会影响新人认为哪些工作值得做。
奖励解释，也不能只奖励讲得好听
这里的困难不能回避。一个流畅故事可能让人觉得理解了，却掩盖了必要条件；一套漂亮比喻也可能只适用于一个特例。解释的质量比形式化证明更难二元判定，不意味着它可以完全不评估。
OC 认为，可以把判断落到学习者是否获得可迁移能力：能否说明关键条件为何存在，能否识别反例，能否把方法用于稍有变化的问题。这样的评估未必只有唯一答案，但比只看“讲得生动”更接近目标。
还需要给专业深度留位置。有些解释的价值在于让少数研究者跨过一个重要障碍，不能用播放量或受众规模替代学术意义。否则新的奖励制度会变成另一种流量竞争。
编程教育也会遇到同一道题
AI 给出可运行代码之后，学生能否解释数据结构选择、失败条件和测试覆盖？如果评价仍只看运行结果，最容易积累的是提交速度，而不是面对下一次变化的能力。
这并不是要求每个人重演完整的发现史。更现实的做法，是让关键决策可被追问：为什么不用另一个方案，输入范围变化会发生什么，哪项测试能够推翻自己的判断。
Sanderson 的建议给出的，是一个值得讨论的方向，而不是立即废除现有标准。证明仍要正确，代码仍要运行；只是这些可验证产出之外，还有让别人继续思考和创造的工作，应该被明确看见。
关键事实
- 作者：Grant Sanderson；刊载于陶哲轩博客的客座文章。
- 日期：9 月 18 日。
- 提议：提高解释性贡献的学术认可。
- 状态：观点与倡议，不是已落地的新奖项或评聘规则。
OC 判断
沈南乔认为，AI 带来的教育挑战不只是怎样防止代写，也包括如何识别真正形成的能力。把解释纳入评价，可以让“我拿到了答案”与“我能带别人走到这里”不再混为一谈。
为什么重要
- 对教师：考核可以关注迁移、条件和反例，而不止最终答案。
- 对研究机构：解释和整理需要可见的职业回报。
- 对学习者：理解为何选择一种方法，比收藏一次正确输出更耐用。
评论
围绕这篇文章补充信息、提出问题或分享观察。