观点

陶哲轩谈无自我数学:AI Agent 会不会取代数学家

陶哲轩讨论 AI 参与数学研究后,作者声誉、验证机制和责任链该如何变化,以及 AI Agent 在数学工作流中的实际角色。

字号

陶哲轩讨论 AI 参与数学研究后,作者声誉、验证机制和责任链该如何变化。本文还拆解 AI Agent 在数学工作流中的实际角色。

陶哲轩为什么谈“无自我数学”

陶哲轩在文章《Egoless Mathematics in the AI Era》中讨论了 AI 辅助数学研究可能带来的评价变化。

文章发布于 2026 年 11 月 2 日,作者是数学家 Terence Tao。

这次不是新模型,也不是新的数学 benchmark。

他讨论的是:借助 AI 辅助,减少个人资历、权威和声誉对数学研究及评价的影响。

文章进入 Hacker News 首页,获得 61 分和 49 条评论。评论区最明显的问题不是“AI 能不能证明定理”,而是:

  • 谁来验证证明?
  • 谁为错误负责?
  • 没有作者光环后,数学质量怎么判断?
  • AI Agent 到底应该扮演什么角色?

原始文章:Egoless Mathematics in the AI Era

讨论入口:Hacker News 评论

陶哲轩为什么谈“无自我数学”

传统数学评价里,作者姓名不是装饰。

一个人的履历、学校、导师、论文记录,甚至过去是否解决过某类问题,都会影响读者判断一个结论是否值得信任。大佬提出一个证明,默认会获得更多注意力;无名研究者提出同样的证明,往往需要先证明自己值得被听见。

这不完全是坏东西。数学共同体需要筛选大量不成熟想法。资历也是长期积累的信号。

但它也有副作用:评价对象容易从“这个证明是否成立”,滑向“这个证明是否来自一个有能力的人”。

陶哲轩所说的 egoless mathematics,不是让数学家失去自我,也不是把论文匿名发表就完事。它指向的是评价机制:尽可能让结论本身,以及可检查的验证链,承担信任。

AI 在这里提供了一个实验场。

如果 AI 能参与检索、反例搜索、证明检查和形式化验证,那么部分判断可以交给可复现的流程,而不是先看作者是谁。

这不是一篇介绍 Claude、GPT-5 或某个新模型的论文。它谈的是 AI 进入数学工作流后,旧有评价体系应该怎么调整。

Agent 承担的不是纯计算

大众讨论 AI 数学,常把任务压缩成一句话:给模型一道题,看它能不能解出来。

这更像 benchmark。适合测能力,不适合描述实际工作。

真实数学工作通常包含很多不体面的环节:

  • 查定义是否一致
  • 找相关定理和旧证明
  • 枚举边界条件
  • 搜索反例
  • 检查某个引理是否偷偷依赖了额外假设
  • 把自然语言证明改写成可验证的形式
  • 在失败后保留过程,判断是方向错还是局部计算错

AI Agent 的价值不只在“生成答案”。更实用的角色,是充当不知疲倦的审计员。

下面这段 Python 展示了候选证明进入 Lean 检查的思路:

# pip install lean-client
from lean_client import LeanClient

client = LeanClient()

proof = r'''
import Mathlib.Data.Real.Basic

example (x : ℝ) (h : x = 0) : x + 1 = 1 := by
  simp [h]
'''

result = client.check(proof, timeout=30)
print(result)

代码本身不证明陶哲轩观点。但它展示了一个可信工作流:结论先进入验证器,再进入人工评审。

LeanClient 的实际接口可能随库版本变化。更稳妥的做法,是把证明交给项目现有的 Lean CI,而不是临时相信模型生成的客户端代码。

无论工具怎么变,验证顺序都应该是:

  1. AI 搜索和整理候选路线。
  2. 不同 Agent 尝试找反例。
  3. Lean、Coq、Isabelle 等系统检查可形式化部分。
  4. 专家检查无法形式化的建模与假设。
  5. 记录每次修改及其依赖。

这里的关键不是“无人”。人、AI Agent、证明助手共同构成一条验证链。

数学评价将从“作者光环”转向证明信用

如果人、AI 和多个 Agent 共同完成证明,署名会发生什么变化?

单看最后一位作者,信息量已经不够。更合理的记录单位可能是“证明贡献”:

{
  "claim_id": "proposition-17",
  "dependencies": ["lemma-4", "lemma-9"],
  "agents": ["search-agent", "counterexample-agent"],
  "formal_check": "lean-ci-passed",
  "human_review": ["reviewer-a"],
  "open_questions": [
    "是否需要额外假设 connectedness?"
  ]
}

这不是要求所有人共享完整 prompt。目的是让读者知道:

  • 哪一步由模型提出
  • 哪一步经过工具验证
  • 哪一步只有人工检查
  • 哪个结论仍依赖未验证假设
  • 换模型、换检索数据后,结论是否还成立

数学信用因此会从一个人的声誉,转移到一组可追溯证据上。

这和当前“作者负责制”并不冲突。数学共同体仍需要有人负责。但责任可以落到具体环节,而不是笼统地压在最终署名人身上。

对于 AI Agent 产品团队,这比再做一个数学榜单更重要。要证明自己有用,Agent 应该展示验证覆盖率、发现漏洞的数量,以及能否区分“形式上通过”和“数学上成立”。

反共识风险:去权威化可能制造新权威

“无自我”很容易听上去很公平。但把作者光环拿掉,不代表权力自动消失。

它可能只是换了位置:

  • 模型提供方决定基础模型的能力和访问成本
  • 训练数据决定哪些数学传统更容易被学到
  • 评审规则决定什么能被证明、什么被接受
  • 云平台决定验证工具能否运行
  • 数据中心决定谁能负担大规模搜索

如果少数机构同时控制模型、数据、算力和评审标准,那么最终仍可能由匿名系统替少数人做决定。

更麻烦的是,模型会制造“看起来可信”的论证。表达流畅不等于推理成立。引用真实论文不代表引用支持当前结论。形式化通过也可能只说明代码忠实表达了错误命题,而不是命题本身正确。

所以 egoless mathematics 不能只做匿名审稿。它还需要公开验证条件、模型版本、数据来源和失败记录。否则只是去掉人的名字,没有去掉人的控制权。

Hacker News 讨论暴露了什么

文章登上 Hacker News 首页,获得 61 分和 49 条评论。这个比例不算爆炸,但对一篇偏数学思想的文章来说,说明开发者愿意讨论系统设计,而不只讨论模型参数。

评论里的工程问题很具体:

  • 如何让多个 Agent 独立寻找同一反例,而不是共享同一个错误?
  • 怎么保存证明状态,支持回滚和复现?
  • 评审者是否必须阅读模型生成的每一步?
  • 形式化验证覆盖不了自然语言建模时,信用如何计算?
  • 私有推理日志与公开可验证记录如何分开?

这些问题的共同点是:没有人把“模型给了答案”当作终点。

开发者关心的是证据链。谁运行了检查。检查用了什么版本。失败能不能重现。责任能不能定位。

这也解释了为什么陶哲轩的文章值得 AI Agent 从业者读。它把目标从“更强的答题机器”,移向“可信的研究与验证系统”。

编辑思考

这件事重要,不是因为 AI 已经能独立解决重大猜想,而是它可能改写数学研究的信任分配方式。过去,声誉是判断证明质量的重要信号;现在,AI 介入后,读者更需要有证据可查的责任链。我的预测是,数学 Agent 的核心产品形态不会只是“解题聊天框”,而是审计与复现工具:持续搜反例、追踪引理依赖、记录验证版本,并把人工检查与机器检查分开标注。

这次与过去的自动定理证明不同。过去系统通常接受一个已经编码好的命题;现在 Agent 可以参与提出、检查和修改证明,评价对象变成整个工作流。不过也存在不确定性:如果模型、数据、算力和评审标准仍由少数平台控制,去权威化可能只是制造了更难识别的平台权威。

来源: https://terrytao.wordpress.com/2026/11/02/egoless-mathematics-in-the-ai-era/