陶哲轩说，数学的旧规则失效了。一个数学证明，从写出来到被人类真正消化，需要多久？过去的答案是几个月到几年。现在的答案是，没人知道。因为证明的生产速度，已经快到没人来得及看了。
哈喽，大家好，我是王利杰。2026年5月初，全世界最聪明的数学家之一，菲尔兹奖得主陶哲轩，在斯坦福大学的数学的未来研讨会上，做了一场演讲。题目叫做新的数学工作流。这个标题听起来很温和，但他讲的内容，可以说是在给整个数学界敲警钟。
他说了一句非常关键的话。AI生成证明的速度，已经超过了人类消化证明的速度。注意，他说的不是AI快要能做数学了。他说的是，AI做数学的产出，已经快到人类跟不上了。这是一个根本性的转折。
过去我们担心的是AI够不够聪明。现在的问题反过来了。AI太快了，而人类太慢了。这意味着什么？
我们先来看一组数据。数学界有一个著名的鄂尔多斯问题库，里面收录了传奇数学家鄂尔多斯，在几十年间提出的上千个未解问题。这些问题难度不一，有些悬赏几百美元，有些悬赏上万美元，很多问题困扰了数学家数十年。短短几个月里，已经有大量鄂尔多斯问题被解决，而且陶哲轩自己维护的清单里，有相当一部分明确标注了AI的参与。
我给你举一个具体的例子。鄂尔多斯问题库里有一个编号728的问题。2026年1月，AI给出了完整的证明，还被翻译成形式化语言，让机器自动验证通过。陶哲轩说，这个过程基本上是自主完成的。这成了AI自主解决鄂尔多斯问题的，标志性案例之一。
但故事没有在这里结束。更关键的是，还有一批AI辅助的解题方案，正在排队等待同行评审。他还提醒，哪怕一个结果已经被AI解出来，被机器验证过，人类专家也可能没办法站出来讲清楚它，更别说回答提问。排队等待评审。你品一品这六个字。过去数学界的瓶颈是，谁能证明出来。现在瓶颈变了，变成了谁来看这些证明。生产端在爆发，消化端在排队。
这就像一条工厂流水线，上游机器突然提速了十倍，但下游的质检员还是那几个人，按老速度一个一个检查。结果是什么？半成品堆满了仓库。
陶哲轩把数学的生产流程拆成了三个阶段。第一是证明的生成，第二是证明的验证，第三是证明的消化。生成，现在AI已经可以独立完成，或者至少大幅加速。验证，有形式化验证工具。数学界有一套叫做精益证明助手的系统，可以逐行检查证明的每一步逻辑是否严密。这一步也在被自动化。但第三步，消化，完全是空的。消化是主观的，只能按人的速度走，很难有工具替你完成。
这里我要解释一下，验证和理解是两件完全不同的事。验证是检查每一步推理的逻辑是否正确，这个机器可以做。但理解是什么？理解是你看完一个证明之后，知道它为什么是对的。不只是每一步对，而是整个论证的方向为什么要这么走，为什么不能那么走，它和已知数学世界的哪些结构在呼应。这需要你把一个新结论，和你脑子里已有的知识体系连接起来，需要你在某个瞬间感受到，啊，原来这里才是关键。这不是逻辑推演。这是认知重组。
机器可以告诉你一个证明是正确的，但它没办法告诉你这个证明意味着什么。这就出现了一个诡异的局面。数学不缺答案了，但缺理解。
再看一个类似的现象，就是AI生成的垃圾代码。程序员用AI写代码，生产速度暴增，但代码的可维护性断崖式下降。AI写的代码，人类读不懂，改不了，调不通。生产速度超过了理解速度。你看，数学和编程，两个看似不同的领域，撞上了完全一样的结构性困境。我把这个困境叫做消化瓶颈。不是生产端出了问题，是消化端跟不上了。而且消化端恰恰是最难被自动化的那一段。
但陶哲轩看到了一个更深的东西。他说，数学界延续了几百年的激励体系，建立在一个隐含假设之上。这个假设就是，证明是稀缺的。在这个假设下，谁先证明出来，谁就拿到荣誉、拿到职位、拿到学术声望。整个学术评价体系围绕第一个证明者运转。但如果证明不再稀缺了呢？
这就是古德哈特定律的经典剧情。古德哈特定律说的是，当一个度量指标变成了目标，它就不再是一个好的度量指标。你想想看。过去，第一个证明之所以是一个好的衡量标准，是因为它和深刻的数学理解高度相关。你要真的懂，才能证出来。但现在，AI可以批量生成证明了。第一个证明和真正理解之间的关联，正在断裂。一个人可以借助AI抢先证明一个定理，但他不一定真正消化了这个结果。这个指标还在被追逐，但它已经不再衡量它原本应该衡量的东西了。
这一刻，你有没有感觉有点熟悉？你在工作中见过多少这样的指标？KPI完成了，但事情没有真正变好。论文发表了，但知识没有真正增长。代码提交了，但系统没有真正改进。到处都是古德哈特定律在发作。
他在演讲结尾给出的建议也很朴素。提交成果的人，要自己负责验证和消化，要求形式化，不能把AI写出来的东西原样丢给审稿人。道理很简单：证明可以批量生产，但责任不能批量转嫁，总得有一个活人，真正读懂它，并且敢为它签字。
陶哲轩提出了一个方向。他主张学术声望应该从证明的生产者，向证明的消化者转移。也就是说，未来数学界最受尊敬的人，可能不是证明了最多定理的人，而是能把AI的证明，翻译成人类可理解知识的人。这等于承认，数学正在进入一个证明过剩的时代。过去，一个证明的出现本身就是新闻。以后，证明会像自来水一样，拧开就有，真正贵的是有人告诉你，哪一杯水值得喝，为什么值得喝。
这个判断非常大胆。因为它动的是数学界的根。什么样的工作值得尊重。
你可能会想，这跟我有什么关系？我又不搞数学。但你看看周围。陶哲轩说的这个结构，正在每一个行业重演。媒体行业，AI可以批量生产文章，但谁来判断哪篇值得读？法律行业，AI可以起草合同、检索判例，但谁来理解一个案件的真正分歧在哪里？医疗行业，AI可以分析影像、推荐诊断方案，但谁来和患者沟通，把冰冷的数据变成一个人能接受的治疗计划？教育行业，AI可以出题、改作业、甚至讲课，但谁来判断一个学生到底是记住了，还是理解了？所有这些行业，都面临同样的消化瓶颈。生产端被AI加速了，但理解端还是人类的速度。
陶哲轩用了一个历史类比，大意是说，19世纪的基础设施面对汽车的发明。你可以想象，汽车刚发明的时候，城市的道路系统是为马车设计的。汽车跑得比马快，但道路、交通规则、停车场都还没跟上。结果不是更高效的交通，而是更严重的拥堵和混乱。今天的学术体系、企业管理体系、教育体系，就是那个为马车速度设计的城市。AI的速度已经是汽车了，但我们的道路还是马车时代的。
这不仅仅是效率问题。这是一个认知生态的问题。当生产远远超过消化的时候，会发生什么？信号被噪声淹没。一个真正有价值的数学发现，可能淹没在一百个AI批量生成的，正确但无聊的证明里。就像你在一个短视频平台上，一天刷到五百条视频，每一条都制作精良，但你记住了几条？
而且这个问题还有一个更隐蔽的后果。当没有人消化一个证明的时候，这个证明虽然存在，但它并没有真正进入人类的知识体系。它只是一个被机器验证过的符号序列，躺在某个数据库里。数学史上很多重大突破，不是在证明被写出来的那一刻发生的，而是在某个人读懂了这个证明，看到了它和其他领域的联系，然后把这个联系讲出来的那一刻发生的。如果没有人做这个工作，那些证明就像沉入海底的宝藏。它们在，但它们不在。
这是人类文明从未遇到过的新困境。过去的稀缺是知识不够多、答案不够快。现在的稀缺是注意力不够用、理解不够深。回到陶哲轩本人。他在演讲的建议里说，要淡化抢第一的做法，更看重消化。菲尔兹奖得主，主动呼吁大家少去争第一个证明，多去做消化。这本身就是一个信号。
你想一想这对教育意味着什么。我们现在的教育体系，从小学到博士，本质上是在训练人的生产能力。解题速度、论文数量、代码产出。考试考的是，你能不能在规定时间内，产出标准答案。学术评价看的是你发了多少篇论文。企业面试问的是你能写多少行代码。整个体系都在筛选更快的生产者。
但如果陶哲轩是对的，如果未来最稀缺的能力是消化和理解，那我们正在用整个教育系统，培养一种即将贬值的能力。我们在训练人类和AI竞争它最擅长的事情，而忽略了训练人类做AI最不擅长的事情。这不只是数学界的问题。这是每一个家长、每一个老师，每一个正在规划职业路径的年轻人，都应该认真思考的问题。当这个时代最顶尖的头脑，开始重新定义什么叫有价值的工作，我们或许也该停下来想一想。在AI可以替你生产几乎一切的时代，你真正不可替代的能力是什么？
不是更快地产出。AI永远比你快。不是更多地记忆。AI的参数空间，比你大脑的突触数量，大几个数量级。是理解。是消化。是把碎片拼成一幅你能看懂的图景，然后告诉别人，这幅图景意味着什么。
陶哲轩的主张，大意是数学界需要把声望从证明的生成者，转移一部分给证明的验证者和消化者。帮助别人理解的工作，不该比抢先证明的工作更不被看重。这说明什么？说明旧的规则体系在新的生产力条件下，已经开始奖励错误的行为了。
最后，我想说一个更底层的事情。人类的文明进步，从来不是因为知道得更多。信息的积累不等于智慧的增长。古希腊人知道的事实比我们少得多，但他们对世界本质的追问，今天依然是我们思考的起点。牛顿知道的物理公式，不到今天教科书的百分之一，但他把苹果落地和月球轨道连起来的那个瞬间，重新定义了人类理解世界的方式。那个瞬间不是生产，是消化。是一个大脑完成了跨领域的认知连接。
AI正在帮我们以前所未有的速度知道更多。但理解更深这件事，至少到目前为止，还是只能发生在一个碳基大脑的神经网络里。发生在你和一个概念之间，那个沉默的、缓慢的，无法加速的相遇过程中。陶哲轩说的数学的旧规则失效了，本质上是在说一件更大的事。当生产不再是瓶颈，理解就成了最稀缺的资源。而我们整个文明的激励体系，还在拼命奖励生产。这个错配，才是我们这个时代真正的危机。不是AI太强，而是我们还没学会和它共处。
你觉得在AI加速一切生产的时代，我们最应该重新分配的，是什么？欢迎你把想法留在评论区。我是王利杰，我们下期见。