Tao：被 AI 以不可再生方式“开采”的开放数学问题

AI 对数学与“有限”开放问题的影响

• 许多人把 AI 证明系统看作对现有数学生态的一次冲击，尤其是当它们迅速“压平”著名问题时。
• 核心观点：稀缺资源不再是解答，而是前沿上的好问题，而这些问题是通过社区协作花了几十年才整理出来的。
• 有人认为，在当前 AI“开采”的速度下，开放问题实际上已经变成了不可再生资源；也有人说，总能不断提出新的难题和有趣问题。

解答 vs 理解

• 反复出现的主题是：问题的价值在于过程以及所发展出的概念工具，而不仅仅是最终证明。
• AI 生成的 Lean 证明被描述为巨大、晦涩或“粗糙”，往往需要人类去“消化”才能提炼出洞见。
• 担忧这一点的人认为，直接跳到答案会跳过历史上孕育新想法的探索性“岔路”。

竞争、抢跑与开放性

• 一个强烈担忧是：关于某个问题进展的传闻会触发大规模、秘密化的 AI 群体行动，从人类研究者手中抢跑成果。
• 这会抑制分享部分进展，并可能把数学推向保密或“行会”式行为，破坏开放科学规范。
• 有人把这比作内幕交易，或者把 AI 提供方既是工具提供者又是竞争研究者时的利益冲突。

职业、训练与动机

• 人们担心 AI 会摧毁“中等难度”问题的训练场，使培养新数学家变得更困难。
• 有人质疑：如果前沿问题靠算力就能便宜地完成，为什么还要读数学博士？
• 也有人反驳说，人类会从解题转向提出问题与解释问题，并且必须放下“唯一作者”的自我。

与编程、棋类和科学的类比

• 有人将其类比为：
  • 引擎出现后的国际象棋，棋手仍然存在，但角色发生了变化。
  • 软件行业中，AI 有可能抹掉初级工作的价值，并制造出难以阅读的“垃圾代码”，最终还得由资深人员去收拾。
  • 实验科学中，除了原始结果之外，复现与理解仍然重要。

知识产权、训练数据与伦理

• 关于用先前聊天记录/论文训练模型是否属于“盗窃”还是合理使用，争论很激烈。
• 有人怀疑实验室会利用用户提示和私人的研究方向来优先选择问题并抢先产出结果；但证据并不明确，也存在争议。

尚不清楚 / 提出的开放问题

• AI 自身能否生成真正新的、对人类有趣的猜想和问题景观？
• 数学是否会围绕把“消化”和概念综合与首个证明同等看重而重新组织？
• 如果人类在几乎每个认知领域都变得不如人意，长期的社会影响会如何，目前仍未解决。