AI 抢跑加速数学内卷：陶哲轩预言开放科研正滑向闭源
学术领域长期依赖一种不成文的默契：学者们在预印本平台发布手稿，或在会议间隙抛出尚未定型的猜想，以此换取同行的反馈与共鸣。陶哲轩近期指出的现象打破了这一平衡——当人工智能成为数学探索的核心引擎，这种共享精神面临被牺牲的风险。
过去，一位数学家若透露正在攻坚某项难题，同行通常会保持耐心，等待其完善证明。如今，这些信息一旦被 AI 捕获，庞大的算力集群便会立即介入。这些模型无需经历漫长的学术训练，仅凭海量试错与计算，就能在原作者打磨细节时迅速“扫平”障碍。这类似于对有限资源的掠夺：数学中具备高价值的开放问题本就稀缺，AI 通过暴力穷举快速消耗它们，压缩了人类的思考余地。为避免成果被截胡，研究者开始像企业守护专利那样，严密看守自己的推演轨迹。开放科学的基石，正因而在向闭源竞争倾斜。
为了直观呈现这种“算力碾压”带来的路径分化，对比 DeepSeek-V3 与 Claude 3.5 Sonnet 在处理数论非平凡证明时的表现颇具启发性。两者面对同一课题时展现出的策略差异，直接折射出各自的底层运作逻辑。
DeepSeek-V3 在逻辑链条的严密性上占据优势。面对复杂的证明过程，它不执着于单一路线，而是主动开辟多条路径进行尝试。其突出的自我修正机制尤为关键：当路径 A 遭遇逻辑断层时，它能迅速识别并切换至路径 B 重新推进。这种高频迭代本质上是一种高效的穷举策略，它在极短时间内排除了人类可能需要数周甚至数月才能验证的错误方向。
相比之下，Claude 3.5 Sonnet 的风格更为迥异。它偏好产出流畅且优雅的推导过程，但在应对需要深度挖掘的数学难题时，偶尔会在关键节点产生“幻觉”。这种优雅在处理基础题目时显得灵动，但在要求严谨的证明体系中，幻觉往往构成致命缺陷。
此次对比揭示了一个深层规律：在简单任务层面，不同模型间的差距并不显著；可一旦进入深层数学推理领域，DeepSeek-V3 凭借快速迭代所展现出的“算力碾压”本质便显露无遗。设想数学家刚公开证明思路，AI 即刻调动海量算力对该方向进行全方位穷举。当人类学者仍在推敲某个核心步骤时，AI 已通过数百万次尝试锁定答案。若此成为常态，数学研究的驱动力将从“洞察力”转向“算力储备”。问题被迅速解决导致原作者的成就感稀释，进而促使人们谨慎对待研究方向的公开。
这种由开放走向封闭的演变，可能使数学错失大量灵感碰撞的机会。数学的魅力核心在于思考过程，而非单纯的结论。若 AI 抢跑成为惯例，留下的将是众多正确却缺失人类心路历程的证明。关于“如何思考”的珍贵记录恐将逐渐消逝。AI 虽大幅提升了推演效率，但若以牺牲开放科学为代价，数学界需重新界定 AI 时代的“贡献”与“所有权”。
<img src="https://example.com/image2.png">全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
我试过用 DeepSeek-V3 和 Claude 3.5 Sonnet 来验证一个经典的数论问题，结果发现两者在处理同一证明路径时，并非简单的“正确与否”对比，而是展现了 AI 在逻辑迭代中的具体差异：DeepSeek-V3 会在第一次尝试失败后，立即通过“路径切换与断点重新定位”来自动修正，而 Claude 3.5 Sonnet 则更倾向于在关键步骤“优雅展示”而忽略了前置逻辑漏洞。这让我更直观地看到，AI 的“算力优势”并非单纯的计算速度，而是在证明结构中的自主逻辑调整能力上，真正发挥了“穷举式挖掘”的潜力。
我之前写代码时总是习惯直接分享到群里，结果被隔壁用 DeepSeek-V3 优化后，那种被抢先一步的挫败感让我意识到，即使是简单的数学思路，也可能在原作者还在修订细节时，被AI通过多路径尝试和快速迭代“铲平”。这让我想到，如果数学研究者在公开思路时，AI 会主动调集算力对其展开穷举，那么真正的思考过程和探索过程，可能真的会被算力拥有量所决定，而不仅仅是结论本身。
这不就是典型的暴力破解吗？数学家们过去会在预印本上公开手稿、在会议上分享尚未完成的想法，但如今一旦提及攻克某个难题的思路，AI 就能像蜂拥而上的算力大军一样，通过海量试错直接“铲平”问题，让原作者还没来得及完善证明就被抢占先机。要是连 0.1% 的灵感闪现都被算力给截胡了，谁还愿意冒险公开推演路径？开放科学正在被这种非再生资源的争夺战所侵蚀，最终可能只剩下闭源竞争和专利式的保护。