陶哲轩定义的数学 2.0 时代其实是在提醒我们不要把 AI 当成单纯的刷题机器

现在很多人用 AI 解数学题的逻辑其实很单一，就是通过不断调整 Prompt 强行让模型吐出一个正确答案。这种做法在陶哲轩看来是一种极其狭隘的优化，因为这本质上是在追求单点突破，而忽略了数学作为一个学科的整体演进。如果一个证明过程虽然正确，但没有任何解释性，或者不能为后续的研究提供启发，那么这种“正确”在数学 2.0 时代将不再是核心竞争力。

为什么单纯追求正确答案会导致数学研究不可持续

在所谓的数学 1.0 时代，数学界的某种潜规则是抢先解决公开难题。谁第一个证明了某个猜想，谁就赢了，至于这个证明过程是否优雅、是否容易被他人理解，在优先级上排在“抢先”之后。在这种逻辑下，数学家的成就感来自于那个最终的 Yes 或 No。
但现在情况变了，AI 的推理能力在快速迭代。如果大家依然把 AI 当作一个高效的“答案生成器”，那么很快会出现一种局面：AI 能给出无数个正确但不可读的证明，而人类数学家成了这些证明的核对员。这种模式会让数学研究陷入一种死胡同，因为数学的真谛不在于那个结论，而在于通往结论的路径以及在这个过程中产生的深刻洞见。
如果一个证明由 AI 独立完成，且其逻辑链条过于复杂，导致社区里没有任何人能真正通过阅读它而获得成长，那么这个证明虽然在逻辑上成立，但在学术价值上却是低效的。这就是为什么陶哲轩强调要“去中心化”纯粹的问题解决能力，把目光转向更宏观的维度。

数学 2.0 应该把价值锚点放在哪里

既然纯粹的解题能力不再是稀缺资源，那么数学 2.0 时代的重心就得转移。一个最关键的转变就是提升“阐释（Exposition）”的地位。
在传统的学术评价体系里，写一个精妙的证明比写一篇易懂的综述要高级得多。但在 AI 时代，如果 AI 能搞定逻辑推演，那么能够将复杂的数学思想清晰地传达给他人、能够把碎片化的证明串联成一个有机整体的能力，反而成了更稀缺的资源。这意味着未来的数学研究者需要扮演的角色不再是单纯的“攻坚手”，而更像是一个“架构师”或“翻译官”，负责把 AI 挖掘出的深层逻辑转化为人类可理解的数学语言。
除了阐释能力，社区构建和方向指引也将成为核心。AI 可以通过海量计算尝试各种路径，但它目前还无法决定“什么样的方向才是真正有意义的”。决定研究方向、定义新问题、在数学社区中引导讨论，这些需要人类直觉和审美判断的工作，将决定数学 2.0 的上限。
我们可以想象这样一个场景：AI 在后台尝试了数百万种证明路径，最终找到了一个正确答案。此时，数学家的工作不再是绞尽脑汁去推导那个答案，而是去分析这个答案为什么成立，它揭示了什么样的深层结构，以及这个结果能否启发我们在另一个完全不同的数学领域中找到新的突破口。

从个体竞争转向整体协同的思维模型

数学 1.0 的核心是竞争，是关于“第一”的博弈。而数学 2.0 的核心应该是协同。当 AI 承担了大量的计算和初步证明工作后，数学研究的门槛实际上在降低，但深层理解的门槛却在提高。
这种转变要求我们改变对待 AI 的方式。不要试图通过优化 Prompt 来让 AI 替你完成作业，而要尝试利用 AI 来拓展你的思考边界。例如，与其问 AI “这个问题怎么证明”，不如问它“在这个证明过程中，哪些步骤是反直觉的”，或者“这个结论与之前的哪个定理存在潜在的联系”。
这种思维方式的转变，实际上是将 AI 从一个“工具人”提升到了“思考伙伴”的位置。在数学 2.0 的语境下，一个优秀的数学研究者应该是能够引导 AI 探索新方向，并能将 AI 的产出转化为社区共享知识的人。

面对这种变革我们该如何行动

对于大多数对数学和 AI 感兴趣的人来说，这意味着我们不能再满足于一个正确答案。如果你在利用 AI 学习数学，当 AI 给你一个证明时，你应该强迫自己去质疑那个证明的结构，尝试寻找更简洁的替代路径，或者尝试将这个结论应用到另一个场景中。
具体的实践路径可以分为三步：

• 第一步，从关注结果转向关注路径。 当你得到一个 AI 生成的正确答案时，不要直接跳过，而是要求它解释每一步的逻辑动机，分析为什么在这个点上需要引入这个辅助线或这个引理。
• 第二步，练习阐释能力。 尝试把 AI 给出的复杂证明用最简单的语言重新写一遍，确保一个非专业人士也能大致理解其中的逻辑流向。这种转化过程才是真正的学习，也是数学 2.0 所倡导的价值。
• 第三步，培养方向感。 关注那些 AI 无法触及的、需要直觉判断的领域。多看综述，多思考不同数学分支之间的潜在联系，而不是死磕某个具体的问题。

这种转变虽然在短期内可能让那些习惯于“刷题”的人感到不适，但从长远来看，它极大地解放了人类的创造力。我们不再需要把生命浪费在繁琐的逻辑核对上，而是可以将精力投入到真正具有启发性的探索中。
数学 2.0 实际上是对数学本质的一次回归。数学从来不是关于答案的科学，而是关于模式、结构和逻辑之美的科学。AI 恰恰给了我们一个机会，让我们在能够快速获取答案的时代，重新审视什么是真正的数学进步。