外媒称，UCLA 教授、菲尔兹奖得主陶哲轩近日公开警告，AI 正以快于数学界补充新问题的速度，消耗那些真正能推动学科前进的开放难题。按他的说法，风险不在于模型会写出更多证明，而在于它可能过快压缩研究者长期探索的空间。
高价值难题正在变少
陶哲轩指出，数学题可以无限生成，但真正重要的并不多。很多未解问题虽然存在，却未必能带来新方法，也难以推动相关领域继续前进。研究者过去依靠经验判断，哪些题目值得投入数月甚至数年时间。
他认为，AI 正在打乱这种节奏。过去新工具会降低部分问题的难度，但也会在能力边界之外打开新方向。如今模型上限并不清晰，研究者很难判断哪些问题仍适合长期投入，哪些可能很快被模型直接解出。
AI 实验室已展开解题竞速
报道提到，今年 5 月，OpenAI 的模型给出了 Erdős 单位距离猜想的反例，触及这道存在约 80 年的数学问题。包括菲尔兹奖得主 Tim Gowers 在内的外部数学家随后进行了验证。
几乎在同一时间，Anthropic 研究人员也用尚未发布的 Claude Mythos 测试了同一道题。公司工程师称，该模型给出的证明更短；也有数学家认为，其版本整体略逊于 OpenAI，但同样找到了可行解法。
报道还称，Anthropic 此后完成了费马大定理历史证明的形式化处理。几天后，OpenAI 又解出一道约 90 年历史的问题，而且距离一名研究者公开自己证明仅过去数小时。这种速度，正是陶哲轩担心的地方。
建议提高推理过程权重
陶哲轩提出，可将部分题目标记为“需分析”。在这种标准下，单独给出正确答案的价值会被压低，研究者需要同时说明推理过程，以及这一过程对邻近问题能提供什么启发。
他认为，只追求尽快提取答案，短期内确实能解决手头问题，但代价是削弱下一轮研究所需的问题生态，也不利于理解已有成果为何成立。按报道说法，这一建议目前尚未形成正式规则，而大型 AI 实验室的持续推进，可能会让数学界更快面对评价标准之争。