无外力的 Navier-Stokes 奇点与广义黎曼猜想

AI 生成的关于黎曼猜想(及其广义形式)和 Navier–Stokes 奇点这类深层问题的形式化证明,正在技术人员和数学家中引发既兴奋又恐惧的反应。评论者讨论:机器产出的、少有人能看懂的多 GB 级证明究竟意味着什么;这是否削弱了人类在创造数学抽象中的角色;以及这种能力还会如何延伸到密码学、劳动和政治等其他领域。许多人认为,这标志着一个转折点:数学将更像是在 AI 构建的景观中进行经验性探索,而人类越来越像解释者,而非发现者。

情绪反应与职业焦虑

  • 很多人形容自己既兴奋又恐惧;有些人感到一种存在性的“敬畏上帝式恐惧”,另一些人则表现出冷漠或愤怒。
  • 一些程序员和科学家担心自己的技能正在贬值,觉得自己被排除在前沿工作之外,甚至考虑转行做手艺活。
  • 也有人表示自己毫不受影响,或者真的感到振奋,把这看作“还好我们活在这个时代”。
  • 还有人表达了抑郁和政治上的愤怒,原因是自主性缩减、财富集中,以及对一种严酷、由 AI 驱动的资本主义的担忧。

RH/GRH 的意义与新证明

  • 评论者讨论其实际影响:许多数论学家本来就默认 RH 成立,因此大多数“如果 RH 则 X”的定理现在只是变成了无条件成立。
  • 也有人强调,更深层的意义在于由此发展出的新工具和新方法,而不只是 RH/GRH 本身为真。
  • 一个关键的焦虑是:长达数 GB 或几十万行 Lean 代码的证明,也许能验证结果,却未必能带来人类可理解的洞见,这对优雅性和解释性的理想构成挑战。

AI 证明、Lean 与验证

  • 讨论 Lean 如何保证正确性:kernel 会检查类型和逻辑,但仍然存在一个独立问题,即形式化后的命题是否真的与原本的自然语言定理一致。
  • 若有多个彼此独立的 kernel 接受了 GRH 证明,可以降低但不能完全消除对 kernel bug 或形式化错误的担忧。
  • 有人对比了直接在 Lean 中生成的证明与先用自然语言写出、再形式化的证明。
  • 对超长形式化证明(“LLM slop”)以及过去那些虽经形式检查但最终有缺陷的构造,仍然存在怀疑。

新的抽象与“失控数学”

  • 一个主要话题是:AI 能否创造真正新的数学概念,还是只能在既有框架内蛮力推进。
  • 有人认为 AI 已经在一个人类难以把握的抽象层级上运作;理论可能主要变成供人类理解模型做了什么的工具。
  • 也有人强调抽象本身的社会性:什么算“有趣”以及什么能被重复利用,是由社区来决定的。
  • 有人设想一种“失控数学”场景:机器以远超人类理解速度生成大量彼此交织的理论,把人类数学家变成由 AI 构建的定理宇宙的解释者,甚至“考古学家”。

更广泛的社会与安全影响

  • 有人担心 AI 的数学能力未必能像这样干净地推广到缺乏清晰公理、更加混乱的经验领域。
  • 也有人担忧类似技术很快会影响密码学,可能破解公钥系统并 destabilize 数字基础设施。
  • 未来劳动力市场也引发争论:机器人与廉价人力谁更占优势;UBI 或福利在政治上是否可行;以及 AI 收益会更多流向企业主还是工人。