AI Crisis in Math: Navier-Stokes, Riemann Hypothesis & Complexity Theory | Lex Fridman Podcast #503

节目频繁使用 solved、proof、formalization 等词。若不拆口径，外部传播很容易把不同成熟度的结果混为一谈。

口径 A：模型生成了候选证明

这是最弱的一层。模型给出一段看似完整的自然语言推理，可能包含新想法，也可能存在隐蔽缺口。即使领域专家第一眼认为可信，也只能称为候选证明。OpenAI 在较早的 First Proof 项目中就公开更正过最初认为可能正确、后来经社区分析发现错误的尝试。这说明“前沿模型自评正确”不能作为终点。

口径 B：形式系统检查通过

Lean 等证明器接受代码，意味着在给定公理、定义和依赖库之下，推理链条成立。这一层对数学正确性提供了很强保证，但仍要检查目标陈述是否忠实对应原问题，是否引入了不当假设，是否把关键语义藏进定义。Anthropic 的 FLT 工作特别强调，比较器确认根定理与 Mathlib 的陈述一致，并且只使用标准公理。这些信息正是为了弥补“代码通过但题目被换了”的语义风险。

口径 C：独立专家完成实质复核

专家不仅检查终点陈述，也要理解核心机制、确认依赖、判断是否已有同类结果，并尝试发现形式系统之外的工程问题。对于 1300 万行代码，逐行人工阅读并不现实；复核会转向依赖图、关键引理、生成流程、编译可复现性和抽样审计。独立复核还承担归因职责：哪些思想来自既有论文，哪些由模型组合，哪些来自人类高层指令。

口径 D：共同体与制度正式接受

期刊接受、学科共同体形成稳定共识、Clay 等机构认定，是更慢的社会过程。它们不一定比形式系统更能判断逻辑真假，却要处理问题范围、原创性、规则符合性和奖励资格。尤其是 Millennium Prize 这类奖项，有自己的发表、等待和审查条件。公司宣布解决问题，不等于奖金已经授予。

这四层不是互斥关系，而是证据链。对管理者和研究传播者，稳妥表述应是：“某机构公布了某结果，并提供了可机检证明；其形式正确性已有何种检查，独立复核与制度认定处于什么阶段。”直接写“AI 已经彻底解决”会丢失最重要的边界。

如果把圆桌观点转成组织动作，优先级不应是立即采购更多模型账号，而是重构研究流和评价流。

1. 建立“问题—结果—理解”三层台账

第一层记录问题定义、历史背景、当前障碍和重要性；第二层记录候选证明、形式化状态、复核状态和依赖；第三层记录人类已掌握的核心机制、可迁移方法和教学材料。这样可以避免一个状态字段“solved”吞掉全部信息。

一个结果如果第二层很强、第三层很弱，不应被视为工作结束，而应自动生成解释、重构和教学任务。相反，一个尚无完整证明、但已形成新定义和可迁移框架的项目，也应获得明确贡献记录。

2. 为 AI 生成结果设置注意力预算

模型运行成本会下降，但专家时间不会同步下降。任何批量研究系统都应在提交专家前完成自动去重、与已知文献对齐、目标陈述校验、形式化检查、影响范围初筛和失败模式说明。不能因为生成便宜，就把审阅成本外部化给共同体。

可以设置分级闸门：低层由自动系统筛选；中层由领域研究员抽样；高层只有在潜在影响足够大、复现材料齐全时才进入资深专家队列。评价指标不是“模型一天产出多少证明”，而是“每占用一小时专家时间，增加多少可信且可理解的知识”。

3. 把解释性重构列为正式研究产出

对超长机器证明，设立专门项目提炼最小核心、替换临时拼装、识别重复模式、给出特殊例子和失败路径。产物可以包括：十页的人类证明蓝图、关键依赖图、可交互示例、面向研究生的课程单元，以及进入 Mathlib 的规范化组件。

这类工作过去常被视为“服务性劳动”，很难获得与原创定理相当的声望。AI 时代若不改变评价，最重要的知识压缩工作会长期缺人。

4. 调整博士生选题组合

博士培养不应把全部赌注押在单个开放问题上。更稳健的组合可以包含四类任务：一个长期机制问题，一个可在半年内形成反馈的技术问题，一个跨领域建模问题，以及一个解释/形式化/基础设施项目。

这样的组合不是降低学术标准，而是分散“某个题突然被模型解决”的职业风险。更重要的是，它训练学生从多个角度定义贡献，而不是把身份锁死在单一终点。

5. 更新作者与贡献规则

未来论文需要清楚记录：模型版本、工具链、提示与高层指令、自动搜索规模、人类在哪些节点作出判断、证明如何复现、形式化是否由同一系统生成。作者署名之外，可引入类似软件项目的贡献 taxonomy：概念提出、问题选择、证明生成、验证、形式化、重构、解释、维护。

透明记录不是为了贬低 AI 或人，而是让共同体知道结果是怎样产生的，并据此判断可复制性、责任和真实创新点。

节目中的建议可以进一步整理为四类能力，而不是泛泛地说“保持好奇”。

1. 基础压缩能力

包括代数、分析、概率、算法、编程和领域基础。它们的价值是把大量步骤压缩成可直接调用的心智模块。没有这些模块，人很难判断模型回答是否异常，也难以提出精确追问。

训练标准不应是“永远不用工具”，而是关键概念能独立重建、简单情形能手算、结果数量级能估计、错误能定位。工具用于扩展边界，不用于替代最小判断能力。

2. 问题定义能力

把模糊现象转为可研究问题：明确对象、边界、评价函数和反例。AI 在已定义目标上越来越强，目标定义本身因而升值。Steven 对湍流坐标的追问就是典型例子：不是笼统要求“理解流体”，而是寻找能支持预测和控制的低维表征。

3. 证据与顾问能力

知道什么时候需要形式证明，什么时候需要实验，什么时候需要外部事实核验；能把模型当作可能有能力、也可能自信犯错的顾问。具体动作包括要求列假设、构造反例、换一种证明、对照原始来源、让第二套系统独立复核，以及亲自检查最关键的语义接口。

4. 共同体能力

能够解释、倾听、评审、维护和协作。若证明生成趋于自动化，真正稀缺的是把不同角色组织成可信流程。数学家的未来优势未必只来自更深的个人技巧，也来自能否建立一个让他人和机器共同工作的环境。

这四类能力的共同点是：它们不与某一代模型的能力边界绑定。即使模型继续快速进步，基础压缩帮助人判断，问题定义决定方向，证据能力控制风险，共同体能力把结果转化为公共知识。

第一，谁有权决定哪些开放问题可以被批量搜索和公开？对纯数学而言，“延迟发布以保护探索路径”是否合理，还是会滑向人为制造稀缺？节目表达了损失感，但没有给出可执行边界。

第二，AI 生成证明的归因如何计算？若核心路线来自几十年人类文献，模型完成长链组合，少数研究员提供高层指令，传统作者制无法准确表达贡献。

第三，博士与博士后岗位的数量和任务会怎样变化？嘉宾讨论了培养内容，却没有估算劳动力需求。若证明供给快速增加，而验证与解释岗位没有相应资金，人才焦虑不会仅靠价值观调整解决。

第四，形式化正确性如何与安全发布衔接？节目用多项式时间分解大整数说明某些数学结果可能直接冲击密码系统。谁负责识别双重用途，何时需要与政府、基础设施方协调，仍缺少公开规范。

第五，人类是否真的会把节省下来的时间用于理解和共同体？技术史并不保证效率提升自动转化为更深思考，也可能转化为更高产出压力。若评价体系不变，研究者只会被要求用 AI 产出更多，而不是理解更深。

这些未答问题说明，数学 AI 的下一阶段不是单纯的模型竞赛，而是治理实验。能力跃迁已经发生；能否把它变成稳定的公共知识，取决于制度设计是否同样快速。

对机构而言，最需要避免的误区是把模型能力展示直接当成组织能力。前者证明系统能够生成结果，后者要求机构具备选题、复核、解释、归因、发布和人才培养的完整闭环。没有这套闭环，更多算力只会更快制造待审阅材料，而不会等比例增加可用知识。

## 核验说明

本纪要依据视频英文原始字幕与节目公开章节整理。节目对 2026 年多项近期结果的描述，已用 OpenAI、Anthropic 及参与者所属机构的公开页面做交叉核对。需要特别区分：公司发布与形式化检查是重要证据，但不等同于所有数学家已完成独立复核，也不等同于期刊、Clay Mathematics Institute 或其他奖项机构已经作出最终认定。文中对数学职业、教育、Fields Medal、完整黎曼假设和 P vs NP 时间表的内容，均属于嘉宾判断或未来推测，不作为已核实事实。