觀點

AI 在數學領域嚴重錯位:陶哲軒重砲開火

競賽數學逼近滿分,實戰研究卻頻頻翻車。菲爾茲獎得主親自撰文,揭穿 AI for Science 的漂亮話術。

字級

2026 年 9 月 11 日,陶哲軒在個人部落格發表了《A severe misalignment》(一場嚴重的錯位)。同日,《經濟學人》也刊出了 AI 與數學的專題報導。

一位菲爾茲獎得主、一家老牌嚴肅媒體,同一天把矛頭指向同一件事:LLM 在數學上的實際表現,跟外界吹捧的程度,根本對不起來。

這件事在 Hacker News 上炸開鍋。mathandai.org 的討論串拿到 403 分、467 則留言,直衝首頁。對數學這種偏學院派的話題來說,這熱度相當反常。

我把陶的部落格和《經濟學人》的報導都仔細讀過一遍,挑出幾個最值得聊的重點。

競賽數學 vs 實戰研究:AI 跨不過去的鴻溝

先看看現況。

AIME、IMO 這類競賽,LLM 已經能打到接近滿分甚至摘牌了。GPT-5、Claude Opus 4.5、Gemini 3 Pro 這些頂級模型,在 2025–2026 年的 IMO 上拿銀牌早就不稀奇,拿金牌才勉強算得上新聞。

但一旦題目換成「開放式的研究問題」——例如:

  • 給你一個猜想,要你構造反例
  • 給你一篇 30 頁的證明,要你指出哪一步的「動機」有問題
  • 給你一個數學領域,要你判斷哪條研究路徑值得花三年深耕

模型就開始崩。不是「答錯」那種崩,是「答得煞有介事但完全文不對題」那種崩。

陶哲軒在部落格裡把這類問題稱為 "research-flavored but not research-grade"。看起來像研究題,其實只是披著研究外皮的競賽題——模型搞得定後者,前者沒輒。

陶哲軒到底在吐槽什麼

陶哲軒不是泛泛地罵「AI 不行」,他點出的是幾個非常具體的罩門。

第一,對數學的「品味」(taste)無感。

數學家選題有極強的判斷力:哪個問題「漂亮」,哪個方向「有肉」,哪個猜想「夠格」。這類東西在論文裡是隱性的,藏在作者「選這個題不選那個題」的決策裡。LLM 看 1000 篇論文,能歸納出方法,但歸納不出「為什麼 Grothendieck 當年選 scheme 而不是別的東西」。

第二,不會評估證明的優雅程度。

同一道題可能有五種證法。一種是蠻力硬算 50 頁,一種是 2 頁寫完還優雅得很。陶的原話大意是:LLM 能告訴你「證明對不對」,但說不出「這個證明好不好」。

第三,無法判斷一條研究路徑值不值得花時間。

這是最致命的一點。研究的核心能力是判斷該放棄什麼。90% 的嘗試方向是死路,數學家靠經驗、直覺、品味把它們篩掉。LLM 沒有這種「放棄能力」,它只會把每條路徑都生成一份看似合理的方案。

陶指出,這三點加起來,就是為什麼「模型在 IMO 拿金牌」跟「模型能當研究助手」之間,隔著一道幾乎無法跨越的鴻溝。

為什麼這件事對 AI for Science 更要命

數學是 AI for Science 裡最乾淨的試驗場。

為什麼?因為:

  • 資料無雜訊——不像生物實驗有批次效應,不像材料合成有設備差異
  • 目標可驗證——證明對就是對,沒有「差不多對」這種模糊空間
  • 回饋訊號清晰——Lean 編譯器幾秒就能驗完

換句話說,如果 AI 在數學這個「最乾淨」的領域都搞不定開放性問題,那在生物學、材料學、地球科學這些資料雜、目標軟、回饋慢的領域,只會更慘。

過去兩年,「AI for Science」是 AI 圈最性感的 PPT 主題之一。AlphaFold 之後,各家都在大談「AI 加速科研」。但陶這次戳破的事實是:benchmark 分數 ≠ 科研價值。一個能在 AIME 拿滿分的模型,跟一個能幫你推進博士論文的研究助手,根本是兩個物種。

這件事又被實錘了一次。

一個被忽略的反方向:AI 對數學家的真正用處

陶哲軒沒有否認 AI 有用。恰恰相反,他自己在部落格提到,他一直在用 AI 做這些事:

  • Lean 程式碼輔助——形式化驗證很痛苦,AI 能先寫出初稿
  • 文獻檢索——arXiv 每天新增 200+ 篇數學論文,AI 摘要跟分類做得不錯
  • 語法檢查、LaTeX 排錯——這些無聊的雜務 AI 乾得比人好

錯位在於:現在的產品和評測體系把 AI 包裝成「數學家」,但它實際上是「更快的計算器+文獻檢索」。

定位錯位才是真正的問題。

舉個具體例子。如果你用 Lean 搭配 AI 做形式化驗證,會發現 LLM 真的是好幫手——形式化語言語法嚴格、有編譯器回饋、目標明確,這正是它的甜點區。但如果你叫同一個模型去「讀懂」Erdős 一篇論文的「動機」,它八成會給你一篇語法完美但完全離題的摘要。

AI 不是數學家,AI 是數學家的 IDE。這個定位被市場刻意模糊了,因為賣 IDE 沒人買單,賣「AI 數學家」才有 VC 願意掏錢。

編輯觀點

這件事重要在哪?不在於「陶哲軒說 AI 不行」,而在於他用一個具體、可驗證的領域(數學),戳破了一個被普遍接受的敘事(AI = 科研助手)。

我的判斷是:這次討論的影響力會遠遠超出數學圈。原因有三個。

第一,數學是標竿。如果 AI 在最乾淨的領域都搞不定「品味」和「放棄能力」,AI for Science 整體的故事都得重寫。這會直接影響 NIH、DARPA、各國科研經費的分配邏輯——他們正在認真評估「AI 加速科研」的撥款方向。

第二,評測體系會被反噬。AIME、IMO 這種「有標準答案」的 benchmark,跟「研究能力」之間的落差,會被更多領域的人意識到。SWE-bench、HumanEval 這些程式設計 benchmark,本質跟 AIME 一樣——它們測的是「會不會做」,不是「該不該做」。Devin 之類的產品會面臨同樣的拷問。

第三,產品定位會被強制重置。陶那句「AI 是更快的計算器+文獻檢索」會被反覆引用。未來 18 個月,所有「AI Scientist」「AI Researcher」類產品的行銷話術,都會被要求回答同一個問題:你的模型能判斷「該放棄哪條路徑」嗎?

這次跟過去哪些事不同?過去兩三年,「AI 在 X 領域超越人類」的新聞每隔幾週就來一次(AlphaFold、IMO 金牌、ICPC 冠軍)。但陶這次是從領域內部、由一個仍在做研究的頂尖數學家,而不是 AI 公司的競爭對手,直接點出問題。這種批評的份量,跟 Anthropic CEO 出來說「我們要謹慎」完全不同。

不確定的地方:陶沒有給出「如何判斷 AI 研究能力」的可操作 benchmark——他只說了「研究能力不等於競賽分數」,但沒回答「那等於什麼」。這個空白,接下來會被各種人填補,填出來的東西會決定下一輪 AI for Science 的錢往哪裡流。


參考來源:

來源: https://mathandai.org/