Terence Tao 對 AI 與富有成果數學問題枯竭的見解

非可再生數學問題的危機

目前 AI 正以非可再生的方式挖掘富有成果的開放數學問題。雖然可能的數學問題總數是無限的，但實際上「值得解決」的問題——那些能揭示深層洞見、發現新連結或推動領域前進的問題——是有限且稀少的。

Terence Tao 將此比作一個地區面臨嚴重的飲用水短缺，卻被廣闊的海洋包圍：雖然可以無限生成平凡問題（例如，計算圓周率的 $10^{10^{10}}$ 位數），但能帶來真正數學進展的問題卻極為稀少，且正被自動化解題提取工具消耗殆盡。

難度地景的扁平化

數學中的每一項技術進步都會降低解題難度，通常會擴展可達的範圍。然而，當前的 AI 時代特徵是「難度地景」的扁平化，卻未創造出清晰的新邊界。

數學幾何的喪失

在數學中，「難度地景」——即對哪些問題容易、哪些需要努力、哪些目前不可能解決的理解——是研究者的指南針。當 AI 工具無差別地解決問題時，會使這片地景扁平化，讓人類無法辨識領域的幾何結構，也難以找出最具前景的新問題所在。

無明確邊界的困境

與以往工具不同，目前並無清晰界線可區分「AI 可行」與「AI 困難」的問題。這問題因 AI 公司拒絕公開負面結果或達成解決的具體過程而加劇，使研究者對技術的極限一無所知。

對開放科學的『焦土』風險

AI 快速解決問題的能力，對開放科學文化與新數學家的培養構成系統性風險。

掠奪效應

由於 AI 可以以遠超個人能力的規模部署，僅僅傳出某位研究者正在研究一個有前景的問題，就可能觸發大規模的 AI 驅動努力，搶先解決該問題。這產生了『掠奪』的誘因，可能迫使數學家對研究方向保持保密，逆轉數百年來開放科學合作的傳統。

對早期職涯研究者的影響

這種環境對博士生與早期職涯研究者尤其有害。AI 生成結果的速度導致『出版通膨』，使年輕數學家對自身工作的價值與取得終身教職所需的專業程度感到焦慮，因為在一個解決方案唾手可得的世界中，原始答案已變得廉價。

重新定義數學價值：結果 vs. 洞見

Tao 主張，數學界必須將價值體系從解決問題的行為，轉向從解題過程中提取洞見。

原始解答的問題

一個原始解答——尤其是由 AI 生成、可能是一堆難以理解的 Lean 程式碼——未必能推動領域前進。如果解決方案找到了，但其背後機制仍是一團謎，那麼通往新數學的『入口』雖已開啟，內部卻未被探索。

目標的轉移

隨著獲取答案的成本趨近於零，數學價值必須向上提升：

• 從解決一個問題 $\rightarrow$ 理解一個結構
• 從證明一個定理 $\rightarrow$ 解釋某類現象發生的原因
• 從競爭一個入口 $\rightarrow$ 探索其背後的世界

社群觀點的綜合

數學與技術社群的討論突顯了對 Tao 論點的若干反駁與延伸：

"如果一個問題被『解決』（例如，符號驗證完成）卻未獲得任何洞見，對專業界來說似乎並無多大吸引力。" — @dvt

"數學家難道不能透過逆向工程 AI 生成的證明，獲得新的洞見嗎？就像國際象棋選手透過研究引擎的走法，學習新概念一樣。" — @olalonde

爭議的關鍵點

• 國際象棋類比：有人認為數學正走著國際象棋的路徑，引擎最初威脅了遊戲，但最終成為工具，將人類的棋藝提升到更高層次的理解。
• 資源論點：有人反對問題是不可再生的說法，認為 AI 可用來提出新的根本性問題，從而『更新』開放問題的供應。
• 制度回應：有人建議機構（如 Clay Mathematics Institute）拒絕承認缺乏人類可讀、具洞見的證明的正式化成果，以激勵 AI 實驗室產出可用知識，而非僅僅追求『榮耀』結果。