一位华人数学家站在加州理工的讲台上，几十分钟就把撑了近百年的学术老规矩给敲碎了。

2026年10月，数学圈被这场演讲炸得够呛，连物理、计算机系的教授都在群里转发。有人说这是数学界的＂分水岭时刻＂，一点都不夸张。

这场演讲叫＂数学2.0＂，10月份在加州理工举办。陶哲轩是2006年的菲尔兹奖得主，拿奖那年才31岁，长期在加州大学洛杉矶分校教书。他开场一句话就把基调定死了——数学过去一直靠＂证明稀缺＂这件事撑着，这个时代过去了。

台下坐着白发教授，也有抱着笔记本的年轻博士生，表情一个比一个严肃。有听众事后形容，那种气氛像在参加葬礼。要听懂这句话的分量，得先弄明白数学家过去怎么干活。

近一百年来，这个行当的家当少得可怜：一支笔、一摞草稿纸、一颗聪明脑袋，再加一壶咖啡。费马、欧拉那套玩法延续到今天，几乎没怎么变过。

安德鲁·怀尔斯证明费马大定理，关在普林斯顿的小阁楼里闷头干了七年，草稿堆到膝盖那么高，这算正常节奏。数学一直是慢工出细活的手艺活儿。

陶哲轩给出的理由很冷静。数学有三样东西，别的学科羡慕不来。

头一样叫客观可验证。两个数学家可以为＂哪道题漂亮＂争得面红耳赤，但一道证明对不对，几乎没有讨价还价的空间。更狠的是，这种对错可以交给Lean这类证明辅助语言，让电脑一行一行机械扫过去。人为误差也省了。这种确定性，在别的学科里简直是奢侈品。

第二样叫高度数字化。做数学不需要实验室，不需要离心机，更不需要对撞机。纸笔加一套标准定义就能开工。

第三样是数据够多。近百年的数学期刊、专著、arXiv预印本，九成以上都躺在数据库里，格式工整、逻辑干净。

这三样凑一块儿，几乎是给现代机器学习量身定做的训练场。别的学科想被AI啃也啃不动，数学把软肋全露给了算法。

变化来得比谁都想得快。两三年前，大模型连初中竞赛题都算不利索，让它做个鸡兔同笼还得人工纠错。2024年7月，谷歌DeepMind旗下的AlphaProof和AlphaGeometry 2在国际数学奥林匹克标准题上拿到银牌水准，六道题做对了四道。

进入2025年，OpenAI、Anthropic、DeepMind几家把算力一股脑砸进数学解题赛道，顶尖模型能跟奥赛金牌选手掰手腕了。进步速度肉眼可见。这就把数学从＂证明匮乏时代＂硬拽进了＂证明充沛时代＂。

过去解一道公开难题有多难？黎曼猜想摆了一个半世纪，庞加莱猜想从1904年提出，熬到2003年俄国人佩雷尔曼贴出证明，中间等了近百年。

学术体制、职称评定、经费分配，全围着＂稀缺的证明＂打转。眼下算力够、模型强，一批过去让人头大的问题几天就能被咬下来，提问的人甚至不必是科班出身。社交网络这边更热闹。

每隔几天就有人发帖，什么＂AI又攻破百年难题＂＂博士生用大模型三小时解掉导师卡十年的问题＂。X平台和Reddit上天天刷屏，普通人看得热血沸腾。

可陶哲轩在现场放了一张图，把气氛直接浇冷——那是二战时期美籍统计学家亚伯拉罕·沃德画的战机弹孔分布图。幸存者偏差四个字，就是从这张图里来的。会场一下子安静了。这张图的故事圈内都熟。

盟军原本想给弹孔多的部位加装甲，沃德指出该加强的恰恰是弹孔稀少的区域。中弹后能飞回来的战机，说明中弹部位不致命；被打中要害的，早就坠毁了，根本进不了统计样本。

陶哲轩把这张图抛给听众，意思很明白：大家看到的AI胜利，只是飞回来的那一批。失败的尝试没人去报道，模型烧了几百万token最后吐出一堆胡话，这种事上不了头条。

真相挺扎实。哪怕砸进去天量算力，数学前沿绝大多数核心问题还悬着。P与NP、BSD猜想、霍奇猜想，这些硬骨头没一个被AI啃下来的影子。所谓＂AI统治数学＂，离现实还有一大截距离。他还点出一个关键——AI能力极不均衡。

闭环里能被客观验证的事情，它强得吓人；碰到主观判断、现实交互或者数据稀缺的场景，马上现原形。让它证恒等式顶呱呱，让它判断哪个方向有前途就抓瞎。更让他担心的，是数学界可能一头栽进＂指标陷阱＂。

翻开数学史，解题从来是最耀眼的成绩单。希尔伯特1900年在巴黎抛出23个问题，到今天还被当作标尺。可解题顶多是个替代指标，真正的目标是人类对数学规律的深层理解。

两件事看着重合，差别其实大得很。只盯着成绩单，容易把真东西弄丢。这个坑一旦掉进去，爬出来就难了。

陶哲轩把开放问题比作海上的灯塔。灯塔的用处是指引大家探索周围那片未知海域，而不是让人一股脑冲上去占领它。攀登路上摸索出来的方法和工具，往往比答案本身更值钱。

群论诞生于伽罗瓦解五次方程的失败，拓扑学从庞加莱对三维球面的追问里长出来，这种例子数不过来。借助自动化工具过早撞上灯塔，周围整片学术生态就可能干涸荒芜。

想想看，佩雷尔曼证明庞加莱猜想顺手带出的Ricci流技术，如今撑起微分几何的半壁江山。当年要是AI三秒给出答案，这些副产品也许就胎死腹中，整个学科版图都得缩水一大块。

一道被机器秒杀的难题，可能也让人类错失本该在求解路上发现的新大陆。这笔账算下来，赚了短期热闹，赔了长期家底，怎么看都不划算。为了把道理说透，陶哲轩抛出一个思想实验。

假设我们命令一个顶级AI，找出一款能通过三期临床试验的抗癌药。它烧掉海量算力，合成出一组人类从没见过的分子。数学模型预测它能杀癌细胞，预测通过了形式化验证，药物也真的通过了试验。

可全世界没一个人知道它为什么有效。你敢把它推进自己血管里吗？这个问题扎心。大多数人下意识会摇头。

AI很可能只是钻了临床试验流程里某个小空子，给出一个＂对齐失败＂的解。它答对了考题，可答案跟真实治疗机理毫无关系。纯数学的处境一模一样。

传统体系里，问题孕育理解，理解产出可靠证明，再把这份确定性输送到物理、工程、密码学里去。证明的作用从来不只是答案，更像一座桥。

现在AI从问题直接跳到答案，把人类理解这一环整个跨过去了。短期看爽快，长期算账就麻烦。数学是众多学科的地基，地基里埋下一堆看不懂的黑箱，上头盖的楼住着就心里打鼓。

密码学、人工智能安全、金融衍生品定价，全靠数学的可解释性撑着。这不是学术洁癖，是实打实的工程问题。

陶哲轩开出的药方叫＂数学2.0＂。核心思路就一条：让数学摆脱＂以解题为中心＂的老轨道，AI的位置是帮人理解，不是替人思考。一个方向叫＂开放阐释＂。为那些证明极其晦涩的大定理，寻找更直观的新证法。

怀尔斯那套费马大定理证明走了一百多页，普通博士生看着都头大，这种硬骨头正适合AI来协助啃。

加州理工的学生们已经动手了。按演讲里透露的安排，11月中旬他们要办一场数学马拉松，用开源AI工具重新审视经典成果，看能不能把那些让人望而生畏的证明拆成人类能一口吞下的小块。

另一条路是实验数学。2024年到2025年，一个叫等式理论项目的协作把通用代数里超过2200万个命题的真伪一口气判定完了，参与者里有数学家、程序员、业余爱好者。

今年推进到第一阶段的逆伽罗瓦问题挑战，已经为24次多项式的全部约2.5万个伽罗瓦群找到了一一对应的实例，眼下正往31次推。

这种工业规模的数学实验，过去单打独斗根本不敢想。

还有一类玩法叫消融实验。撤掉某个已证定理所用的高级工具，看AI能不能用更初等的方法重新找到证明，或者放宽前提条件，看结论还能保住多少。这类活儿对人类理解极其关键，像拆一台精密钟表再装回去，每个齿轮都得看清楚。

扩建Mathlib这种大型形式化数学库，开发可解释、更安全的开源数学模型，这些工作眼下都在推进当中，参与的实验室越来越多。演讲收尾时，陶哲轩说了一句让全场沉默的话——迈向数学2.0的最大阻碍，不在算力，也不在学术体制。

真正的瓶颈，是我们自己的想象力。这话放在2026年10月这个节点上，格外戳人。AI浪潮扫过军事、金融、生物医药，没一个行业能躲开类似的问号。

数学只是最先感受到地震的那一个，别的学科迟早要补课。

从中国的视角看，这件事更值得我们多想一步。国内数学界这些年在形式化证明、AI辅助数学方面也在加紧布局，北京大学、清华大学、中国科学院都有相关小组在推进。谁能把数学2.0的方法论吃透、落地，谁就在下一轮基础科学竞赛里占得先手。

陶哲轩这场演讲像一记警钟，也像一张请柬。地图正在被重画，上车的时间窗口不会太长。百年老规矩被撕碎的声音，听得见的人其实不多。