深度解读AI 与大模型generatedpublished

被重型卡车碾过:菲尔兹奖得主面对OpenAI一夜解开350个数学猜想的震动

机制

一个拿过数学界最高荣誉菲尔兹奖的顶尖学者,周二半夜醒来,发现自己这辈子剩下的研究课题全被清空了。 这不是开玩笑,也不是夸张修辞。 他在法国数学学会的研讨会上放了一张画满大卡车的幻灯片。 他说,那种感觉就像好几辆重型卡车直接从自己身上碾了过去。

这位学者叫雨果·迪米尼-科潘。 他是 2022 年菲尔兹奖得主,现任法国高等科学研究所和日内瓦大学的教授,专攻概率论和统计物理。 按理说,到了他这个级别,站在人类数学金字塔的最顶端,早就没有任何升学或者评职称的世俗压力。 但 2026 年 10 月 6 日周二夜里发生的事情,把他彻底震懵了。

那天下半夜,OpenAI 在 GitHub 上突然公开了一个代码库。 里面没有任何商业发布会预热,直接扔出了 722 篇数学研究手稿,涵盖 372 个问题族。 一晚上时间,一口气解决了大约 350 个重大公开数学难题。

这批论文不是在打草稿,也不是大语言模型平时那种充满幻觉的信口胡诌。 其中相当大一部分结果,直接附带了计算机定理证明软件 Lean 的形式化代码。 什么叫 Lean 验证? 就是每一行推导都写成了计算机能读懂的程序,由底层编译器在毫秒级检查逻辑。 只要代码跑通了,就意味着从公理到结论每一步都在严密运行。 不存在任何逻辑跳步,也不存在人工审稿里的疏漏。

更让他浑身发凉的细节,藏在他自己的名字里。 他顺着那批论文搜了一下自己的学术引用。 这一搜,他发现 OpenAI 这批论文里,光是直接引用他本人过往工作的机器手稿,加起来就足足有 3500 页。 3500 页是什么概念? 迪米尼-科潘从求学到拿下数学界最高荣誉,穷尽整个学术生涯迄今写下的所有论文,总共大约是 3700 页。 人类顶尖学者几十年如一日、呕心沥血搭建起来的知识大厦,机器一个晚上就顺着他的地基,吐出了体量几乎相等的后续证明。

更绝的是他第二天在讲台上说的那句话: 他在过去的学术报告、发表过的论文展望、以及正在申请未来几年科研经费的项目书里,写下的所有后续研究方向和未解问题; 全部被这批手稿解完了。 没有一个留给他,一个都没剩下。 他过去几十年的知识积累,和未来几十年的工作规划,在短短几十个小时内被机器全平推了。

很多人第一反应可能是:AI 能解题不是好事吗?难题被攻克了,科技不就进步了吗? 问题在于,做数学和跑外卖不一样。 人类数学家研究一个未解猜想,从来不只是为了要那一个“是”或者“否”的最终答案。 猜想在数学里是灯塔,也是脚手架。 为了攻克一个悬了上百年的难题,一代代数学家往往需要发明全新的数学语言、创造全新的概念工具。 就像当年数学大师格罗滕迪克打过的一个比方: 面对坚硬的核桃,真正的数学家不该拿榔头去硬砸; 要把核桃泡在水里,让概念的水位慢慢上涨,几个月过去,坚果在水里自然软化破开。 在这个漫长的探索过程中,衍生出来的新工具、新理论,往往比最初那个问题本身重要十倍。 它不仅养活了一批又一批年轻的博士生和教授,更构成了整个人类理性思维的演进生态。

而大模型是怎么解决这些问题的呢? 按 OpenAI 披露的数据,这次解决每个难题,平均只消耗了其前沿模型大约 3 小时的高强度思考算力。 3 小时。 在算力和形式化编译器的加持下,机器把原本需要人类数年探索的概念建构过程,压缩成了一场超高速度的逻辑空间路径搜索。 它就像一台马力全开的工业联合收割机。 人类学者负责在荒野里开垦农田、播种施肥、标出哪里有宝藏。 迪米尼-科潘花了半辈子写了 3700 页,把渗流理论的边界全部摸清,并在论文结尾写明“这里还有哪些方向值得挖”。 结果机器开过来,顺着他标出的藏宝图,几个小时就把农田里所有的庄稼全收割光了。

早在这次大爆发前的 28 天,也就是 9 月 11 日,包括迪米尼-科潘在内的 25 位菲尔兹奖得主,就罕见地联名发表过一封公开信。 他们当时呼吁科技公司:不要把数学研究变成单纯的刷题打怪和掠夺性收割。 因为一旦所有的中短期未解课题在几小时内被清空,整个学术生产关系就面临中断。 一个年轻的研究生,辛辛苦苦读了三年文献,刚确定一个博士课题; 周二睡一觉起来,发现 GitHub 上已经有一份几十页的机器证明,连形式化代码都跑通了。 他拿什么去毕业?大学又凭什么给他教职? 当解题变得像自来水一样廉价,传统依靠“提出问题、申请基金、培养学生、缓慢解题”的学术训练链条,瞬间失去了时间缓冲。

更讽刺的是,数学界的工作瓶颈在这一夜之间彻底倒转了。 过去是“想出一个好证明极难,看懂并验证一个证明相对容易”。 现在倒过来了。 机器用极便宜的算力,在几天内倾倒出几百篇高难度手稿。 全世界就算把所有顶尖数学家集中起来,不吃不喝,三年也看不完这些机器证明背后的逻辑全貌。 机器负责不知疲倦地生产答案。 而人类坐在讲台前,看着那几千页密密麻麻的符号,竟然成了那个根本来不及理解答案的看客。

引用 / CITATIONS

No citations exported.

同领域解读 / AI & LLMS

查看全部「AI 与大模型」解读 →

导出 / EXPORT

订阅 · SUBSCRIBE

每周一封独立、不受审查的科技与 AI 深度评论,周一发出。带出处,可核查。

不追踪邮件打开与邮件链接点击,一键退订。 或用 RSS · 详情