观点

AI 在数学上'错位'了:陶哲轩说了一句重话

竞赛数学接近满分,真实研究翻车不断。菲尔兹奖得主亲自下场,这场争论戳穿了 AI for Science 的牛皮。

字号

2026 年 9 月 11 日,陶哲轩在个人博客发了篇《A severe misalignment》(一种严重的错位)。同日,《经济学人》做了 AI 与数学的专题。

一个菲尔兹奖得主,一个老牌严肃媒体,同一天把矛头指向同一件事:LLM 在数学上的表现,跟它被吹成的样子,对不上。

这件事在 Hacker News 上炸了。mathandai.org 的讨论串拿到 403 分、467 条评论,登上了首页。对于数学这种偏学院派的话题,这热度不正常。

我把这篇博客和经济学人的报道翻了一遍,挑出几个最值得说的点。

AI 在竞赛数学 vs 真实研究上的鸿沟

先看现状。

AIME、IMO 这类竞赛,LLM 已经能打到接近满分甚至拿牌了。GPT-5、Claude Opus 4.5、Gemini 3 Pro 这几个顶级模型,在 2025-2026 年的 IMO 上拿银牌不是新闻,拿金牌才上新闻。

但一旦把题目换成"开放性的研究问题"——比如:

  • 给一个猜想,让你构造反例
  • 给你一篇 30 页的证明,让你指出哪一步"动机"可疑
  • 给你一个数学领域,让你判断哪条研究路径值得花 3 年

模型就开始崩。不是"答错"那种崩,是"答得像那么回事但完全不在点上"那种崩。

陶哲轩在博客里把这类问题叫做 "research-flavored but not research-grade"。看着像研究题,实际只是披着研究外壳的竞赛题——模型能答后者,前者不行。

陶哲轩具体在吐槽哪些点

陶哲轩不是泛泛喷"AI 不行",他点的是几个非常具体的软肋。

第一,对数学的"品味"(taste)无感。

数学家选题有强烈的判断力:哪个问题"美",哪个方向"有肉",哪个猜想"够格"。这种东西在论文里是隐性的,藏在作者选这个题不选那个题的决策里。LLM 看 1000 篇论文,能总结出方法,但总结不出"为什么 Grothendieck 选了 scheme 而不是别的"。

第二,不会评估证明的优雅程度。

同一道题,可以有 5 种证明。一种是 brute force 算 50 页,一种是 2 页写完还很优雅。陶哲轩的原话大意是:LLM 能告诉你"证明对不对",但告诉你不了"这个证明好不好"。

第三,无法判断一条研究路径值不值得花时间。

这是最致命的一点。研究的核心能力是判断该放弃什么。90% 的尝试方向是死路,数学家靠经验、直觉、品味筛掉它们。LLM 没有这种"放弃能力",它只能把每条路径都生成一份看似合理的方案。

陶哲轩说,这三点加起来,就是为什么"模型在 IMO 拿金牌"和"模型能当研究助手"之间,隔着一道几乎不可逾越的鸿沟。

为什么这件事对 AI for Science 更要命

数学是 AI for Science 里最干净的试验场。

为什么?因为:

  • 数据无噪声——不像生物实验有批次效应,不像材料合成有设备差异
  • 目标可验证——证明对就是证明对,没有"差不多对"
  • 反馈信号清晰——Lean 编译器几秒就能验证

换句话说,如果 AI 在数学这个"最干净"的领域都搞不定开放性问题,那它在生物学、材料学、地球科学这些数据脏、目标软、反馈慢的领域,只会更差。

过去两年,"AI for Science"是 AI 圈最性感的 PPT 主题之一。AlphaFold 之后,各家都在讲"AI 加速科研"。但陶哲轩这次点出来的事实是:benchmark 分数 ≠ 科研价值。一个能在 AIME 拿满分的模型,和一个能帮你推进博士课题的助手,根本是两个物种。

这件事又被实锤了一次。

一个被忽视的反方向:AI 对数学家的真正用处

陶哲轩没否认 AI 没用。恰恰相反,他自己在博客里提到,他一直在用 AI 做:

  • Lean 代码辅助——形式化验证很痛苦,AI 能写出第一稿
  • 文献检索——arXiv 上每天 200+ 篇数学新论文,AI 能做摘要和分类
  • 语法检查、LaTeX 排错——这些无聊的活 AI 干得比人好

错位在于:现在的产品/评测体系把 AI 包装成"数学家",但它实际是"更快的计算器+文献检索"。

定位错位才是真问题。

举个具体例子。如果你用 Lean + AI 去做形式化验证,你会发现 LLM 是真的好帮手——形式化语言语法严格、有编译器反馈、目标明确。这是它的甜点区。但如果你让同一个模型去"读懂" Erdős 一篇论文的"动机",它大概率会给你一篇语法完美但完全跑题的总结。

AI 不是数学家,AI 是数学家的 IDE。这个定位被市场故意模糊了,因为卖 IDE 没人买单,卖"AI 数学家"才有 VC 愿意投。

编辑思考

这件事重要在哪?不在于"陶哲轩说 AI 不行",而在于他用一个具体的、可验证的领域(数学),戳穿了一个被普遍接受的叙事(AI = 科研助手)。

我的判断是:这次讨论的影响会远超数学圈。原因有三个。

第一,数学是标杆。如果 AI 在最干净的领域都搞不定"品味"和"放弃能力",AI for Science 整体的故事都需要重写。这会直接影响 NIH、DARPA、各国科研经费的分配逻辑——他们正在认真考虑"AI 加速科研"的拨款方向。

第二,评测体系会被反噬。AIME、IMO 这种"有标准答案"的 benchmark,和"研究能力"的差距,会被更多领域的人意识到。SWE-bench、HumanEval 这些编程 benchmark,本质和 AIME 一样——它们测的是"会不会做",不是"该不该做"。Devin 这类产品会面临同样的拷问。

第三,产品定位会被强制重置。陶哲轩那句"AI 是更快的计算器+文献检索"会被反复引用。下一个 18 个月,所有"AI Scientist""AI Researcher"类产品的 marketing 都会被要求回答同一个问题:你的模型能判断"该放弃哪条路径"吗?

这次和过去哪些事不同?过去两三年,"AI 在 X 领域超人类"的新闻每隔几周就有一次(AlphaFold、IMO 金牌、ICPC 冠军)。但陶哲轩这次是从领域内部,由一个还在做研究的顶级数学家,而不是 AI 公司的竞争对手,直接指出问题。这种批评的分量,和 Anthropic CEO 出来说"我们要谨慎"完全不同。

不确定的地方:陶哲轩没有给"如何判断 AI 研究能力"的可操作 benchmark——他只是说"研究能力不等于竞赛分数",但没回答"那等于什么"。这个空白,接下来会被各种人填,填出来的东西会决定下一轮 AI for Science 的钱往哪花。


参考来源:

  • 陶哲轩博客《A severe misalignment》原文:terrytao.wordpress.com/2026/09/11
  • 《经济学人》AI 与数学专题:economist.com/science-and-technology/2026/09/11
  • Hacker News 讨论串:item?id=49662371
  • 事件聚合页面:mathandai.org
来源: https://mathandai.org/