人工智能正在進入數學最核心的領地。過去，人們習慣把計算機視為高速計算器或證明檢查器，如今，新一代模型已經能夠提出證明思路、搜索反例、形式化複雜論證，甚至直接參與開放問題研究，這讓數學界第一次認真面對一個令人不安的問題：如果機器也能「做數學」，人類數學家的價值將轉移到哪裏？

《新科學家》把這種變化稱為數學史上最好也最糟糕的事情，並不誇張。AI正在拆除研究中的一些古老瓶頸，但也可能把數學推入一個答案過剩、理解不足的新階段。

從解題工具到研究夥伴

過去幾年，AI數學能力的進步並非只是考試分數上漲。DeepMind等團隊已經把大模型與搜索、程序執行和形式驗證結合起來，使系統能夠在可自動檢驗的空間中反覆提出候選解，再淘汰錯誤路線。

AlphaEvolve就是這種變化的代表。它讓語言模型生成算法，再由自動評價器運行和評分，通過類似進化搜索的方式不斷改進候選程序；這種機制已經用於矩陣乘法、組合數學和計算基礎設施優化。

更重要的變化來自形式數學。

Lean等證明助手要求每一步都被機器嚴格檢查，因此大模型常見的「看起來合理但其實錯誤」不能輕易矇混過關。2026年的研究顯示，AI驅動的形式證明搜索已經能夠自主解決一部分公開的埃爾德什問題和OEIS猜想，這意味着AI開始跨過「會答題」與「參與研究」之間的門檻。

數學家過去最稀缺的是找到證明的時間。現在，機器能夠同時搜索成百上千條路線，很多過去因為人力有限而不會被嘗試的方法，正在變得廉價。

「證明豐裕」也可能製造知識擁堵

陶哲軒把正在到來的局面描述為從「證明稀缺」進入「證明豐裕」。這聽上去像數學家的黃金時代，卻隱藏着一個反直覺的問題：證明越容易產生，人類越可能來不及理解它們。

數學研究並不是把「已證明」三個字貼在一個命題上就結束。

一個重要結果還需要檢查其意義，找到更簡潔的核心思想，與已有理論建立聯繫，經過同行評議，再被寫進教材和下一代研究者的知識體系。如果AI每天產生海量正確但冗長、難讀、彼此孤立的結果，瓶頸就會從「能否證明」轉變為「哪些值得理解」。

這種風險在形式證明中尤其明顯。機器可以檢查數百萬甚至上千萬行形式化代碼，確認邏輯上沒有漏洞，但一個在人類看來幾頁就能表達的數學思想，如果被展開成巨大的機器證明對象，正確並不自動等於可理解。

於是數學可能出現一種前所未有的「知識消化不良」：定理越來越多，真正進入共同理論結構的思想反而跟不上。

這種變化甚至會反過來影響學術評價。過去，發現一個新結果天然具有稀缺性；未來，如果機器能批量生成正確證明，真正困難的任務可能變成篩選、解釋和建立統一框架。

最危險的不是錯誤，而是失去理解

人們最熟悉的大模型風險是幻覺，但對數學而言，錯誤反而是相對容易處理的一類問題，因為形式驗證可以充當最終裁判。

更深的難題是數學的目標究竟是什麼。

如果目標只是得到真命題，那麼超級強大的證明機器顯然是進步；但數學同時追求解釋、結構、簡潔性和可遷移的思想。一條證明之所以重要，往往不是因為它告訴我們某個命題為真，而是因為它揭示了為什麼為真，並由此打開新的領域。

近期AI數學突破已經讓這種張力變得現實。AI系統可以快速探索複雜證明空間，而人類可能逐漸退到提出問題、驗證結果和解釋意義的位置。

這並不必然意味着數學家會被淘汰，卻意味着職業定義正在改變。未來更稀缺的能力可能不是手工完成漫長推導，而是選擇值得研究的問題，判斷機器結果是否重要，把孤立結論壓縮成概念，並發現不同領域之間真正有價值的連接。

數學正在成為AI時代的試驗場

數學之所以比許多科學領域更早感受到衝擊，是因為它擁有AI最喜歡的環境：規則清晰、答案可驗證，而且很多任務可以被形式化。

在實驗生物學或材料科學中，一個模型提出新假說後仍需要昂貴實驗；在形式數學裏，正確性能夠由證明檢查器在計算機內部完成。這使數學成為訓練「研究型AI」的天然試驗場，也讓進步速度尤其快。

但這種優勢也可能把學術制度推到極限。論文數量、作者資格、AI貢獻披露、研究優先權以及訓練數據來自哪裏，都正在從技術問題變成學術倫理問題。

更棘手的是教育。如果學生過早把推理交給模型，他們可能獲得答案，卻失去形成數學直覺所必需的挫折、試錯和長期思考。

因此，AI對數學最深刻的影響或許不是「機器會不會取代數學家」，而是迫使數學界重新回答一個古老問題：數學究竟是在生產答案，還是在生產理解？

如果未來證明真的變得像計算資源一樣豐富，真正昂貴的東西將不再是一條新證明，而是能夠讓人理解它、判斷它為什麼重要並把它變成下一代思想起點的人類判斷力。AI可能成為數學史上最強的放大器，而它最終放大的究竟是知識還是噪聲，將取決於數學共同體如何重新設計研究、評價與教育規則。

上述關鍵事實已結合原報道簡介、2026年AI形式證明研究、陶哲軒關於「證明豐裕」的討論以及DeepMind公開技術資料交叉覈對。