外媒稱，加州大學洛杉磯分校教授、菲爾茲獎得主陶哲軒近日公開警告，AI 正以快於數學界補充新問題的速度，消耗那些真正能推動學科前進的開放難題。按他的說法，風險不在於模型會寫出更多證明，而在於它可能過快壓縮研究者長期探索的空間。
高價值難題正在變少
陶哲軒指出，數學題可以無限生成，但真正重要的並不多。很多未解問題雖然存在，卻未必能帶來新方法，也難以推動相關領域繼續前進。研究者過去依靠經驗判斷，哪些題目值得投入數月甚至數年時間。
他認為，AI 正在打亂這種節奏。過去新工具會降低部分問題的難度，但也會在能力邊界之外打開新方向。如今模型上限並不清晰，研究者很難判斷哪些問題仍適合長期投入，哪些可能很快被模型直接解出。
AI 實驗室已展開解題競速
報導提到，今年 5 月，OpenAI 的模型提出了 Erdős 單位距離猜想的反例，觸及這道存在約 80 年的數學問題。包括菲爾茲獎得主 Tim Gowers 在內的外部數學家隨後進行了驗證。
幾乎在同一時間，Anthropic 的研究人員也使用尚未發布的 Claude Mythos 測試了同一道題。公司工程師表示，該模型提供的證明更短；也有數學家認為，其版本整體略遜於 OpenAI，但同樣找到了可行解法。
報導還稱，Anthropic 此後完成了費馬大定理歷史證明的形式化處理。幾天後，OpenAI 又解出一道約 90 年歷史的問題，而且距離一名研究者公開自己證明僅過去數小時。這種速度，正是陶哲軒擔心的地方。
建議提高推理過程的權重
陶哲軒提出，可將部分題目標記為「需分析」。在這種標準下，單獨給出正確答案的價值會被壓低，研究者需要同時說明推理過程，以及這一過程對鄰近問題能提供什麼啟發。
他認為，僅追求盡快提取答案，短期內確實能解決當前問題，但代價是削弱了下一轮研究所需的问题生態，也不利於理解已有成果為何成立。根據報導，這一建議目前尚未形成正式規則，而大型 AI 實驗室的持續推進，可能會讓數學界更快面對評價標準之爭。