For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/zh-HK/articles/christian-szegedy-on-ai-and-the-future-of-9df759e7.md.
兩千多年來，數學一直推崇一種特定的英雄：花費多年時間攀登、解決無人能解問題的人。
歐幾里得、高斯、希爾伯特、懷爾斯——數學的神話充滿了由個人或小型團隊取得的突破，而這些突破需要非凡的毅力與技術能力。
Christian Szegedy 相信，那個時代正在改變。
這位 xAI 共同創辦人兼資深 AI 研究者在 10 月 4 日分享的一篇長文中指出，人工智慧正開始改變數學發現的基本經濟模式與文化。他的核心比喻很簡單：數學家過去是在未繪製地圖的荒野中徒步探索，而 AI 正逐漸成為飛機。
這架飛機仍然很原始。它昂貴、不可靠，且尚無法抵達每一座高峰。
但如果它以 Szegedy 預期的速度進步，數學中的重要活動可能會從親自攀登一座困難山峰，轉向繪製整片區域、指揮自動化探索者艦隊，以及決定哪些地形值得研究。
Christian Szegedy 分享了一篇關於 AI 時代數學未來的長篇個人文章。
這正是他聲稱數學即將「畢業」背後帶有挑釁意味的含義。
這並不表示數學將不復存在。
他的意思是，數學可能不再主要是一項由相對少數專家從事的手工技藝，而會成為科學與科技更龐大的工業化基礎。
並非所有人都同意。
Stephen Wolfram 在僅僅幾天前發表的文章中提出了近乎相反的觀點：AI 可以自動化更多數學工作，但讓純數學具有意義的目標、概念與敘事，仍然來自系統之外——來自人。
這場分歧真正爭論的並非 AI 是否正在變得更擅長數學。
而是當機器能完成更多證明之後，數學究竟是為了什麼。
Szegedy 的立場並不是對幾個令人印象深刻的模型展示所做出的突然反應。
數十年來，他的職涯一直橫跨數學與機器學習。
他在匈牙利研習數學，於波昂大學取得應用數學博士學位，之後在 Google 工作超過十年。
深度學習中多項廣受引用的發展都與他有關。
Szegedy 相關的代表性研究包括 Inception、對抗樣本與批次正規化。
他是提出 Inception 架構論文的第一作者，參與了早期對抗樣本研究，並與 Sergey Ioffe 共同撰寫批次正規化論文。
2023 年，Szegedy 加入 xAI 的創始團隊。
2023 年的 xAI 公告強調，創始團隊成員來自 Google Research、DeepMind、OpenAI、Microsoft Research 及其他實驗室。
但數學始終是他思考的核心。
在 2020 年發表的研究中，Szegedy 主張，自動形式化（autoformalization）——將一般數學語言自動轉譯為可由機器驗證的形式化陳述——可能成為通往通用 AI 推理的重要路徑。
該論文將自動形式化系統描述為：能夠閱讀非形式化數學內容，並在極少人工介入下，將其轉換為抽象且可由機器檢查的形式。
《A Promising Path Towards Autoformalization and General Artificial Intelligence》闡述了 Szegedy 對機器可讀數學的論點。
他最初的時間表相當積極。
根據 Szegedy 後來的自述，他曾預期超人類 AI 數學家會在 2029 年左右出現。到 2024 年時，他已表示進展看起來比自己預期更快。
Szegedy 在 2024 年寫道，進展正快於他先前設想的 2029 年時間表。
2024 年 2 月，他曾公開談及一項賭注：在 2026 年 6 月前出現超人類 AI 數學家。
2024 年，Szegedy 曾公開談論一項關於超人類 AI 數學在 2026 年年中前出現的賭注。
接著，2026 年出現一連串結果，讓這個問題更難被忽視。
原始文章指出了 2026 年多項 AI 輔助數學里程碑。
這些細節很重要，因為它們並非同一類型的成就。
5 月，OpenAI 宣布其一個模型推翻了平面單位距離問題中一個被猜測的上界。這個問題可追溯至 Paul Erdős 在 1946 年的研究。
該結果並未完整解決單位距離問題。
它所做的是推翻一項核心猜想：平面中點集的單位距離點對最大數量之成長速率。
這個區別很重要，但結果同樣重要：一個通用 AI 系統為真正全新的數學構造作出了貢獻。
7 月，數學家 Levent Alpöge 公開分享了一個與 Claude Fable 5 共同開發的反例，該反例在三維及更高維度中否定了雅可比猜想。
二維情況仍然未解。
這個反例足夠精煉，可以直接驗證，而外部數學家也迅速檢查了該構造。
這是另一類 AI 數學成果：不是既有證明的形式化，而是發現一個針對長期猜想的明確反例。
其後，Anthropic 宣布完成第一個經電腦檢查的費馬最後定理完整形式化。
Claude 大致自主地花了 11 天，將既有的人類證明轉譯至 Lean。
這在歷史意義上並不是對該定理的新證明——Andrew Wiles 與 Richard Taylor 早已在 1990 年代確立了相關數學。
突破在於形式化。
龐大的高等數學內容被轉換為 Lean 能夠逐步檢查的形式。
OpenAI 的內部數學工作將規模推進得更遠。
該公司表示，在針對重大數學問題啟動大規模多 Agent 工作後，其系統在第一批 Agent 啟動約 88 小時後，對納維－斯托克斯千禧年獎問題提出了一項解決方案。
OpenAI 自身的技術說明指出，產出納維－斯托克斯結果的團隊涉及約 10,000 個並行 Agent。
之後使用 GPT-6 Astra 進行 Lean 形式化與驗證，另花費了 17 小時。
此結果在歷史上之所以重要，部分也在於過程的規模：整個更廣泛的工作中包含數百萬則 Agent 之間的訊息，以及數千億個生成輸出 Token。
9 月 21 日，OpenAI 亦表示，同一個內部模型已解決數學領域超過 100 個長期未解問題。
來源文章將 Szegedy 先前的預測，與 2026 年一系列快速出現的 AI 數學成果並列。
這些結果的確切狀態與長期重要性並不相同。
有些是已知數學的形式化。有些是新的反例或構造。有些是仍持續接受數學審查的大型研究主張。
但它們共同改變了討論的速度。
Szegedy 的論點是，已不再合理地把 AI 數學視為靜止不變的系統來討論。
Szegedy 在文章開頭分享了一段高中畢業時的個人回憶。
在多年參與數學競賽與接受系統化訓練後，他的期末考結束了。
短暫的一段時間裡，他感到自由。
接著，出現了一種更接近空虛的感受。
不再有競賽。不再有老師指派下一道題目。曾經塑造他身分認同的系統突然消失。
他想向數學家傳達的是，其中一些人可能很快也會經歷類似的轉變。
為了解釋原因，他將純數學比作在沒有地圖的荒野中探索。
探索者從事三類工作：
在歷史上，最受推崇的人往往是攀登者。
一個擊敗所有人的猜想會成為一座山。解決它足以定義一個人的職涯。
朗蘭茲綱領就是一個例子：它開拓了極其廣大的數學領域，同時也創造出傳奇性的個人成就。
工具建造者同樣受到尊重，但數學文化的情感核心往往仍是那個最後由一人或小型團隊攻克的困難定理或猜想。
Szegedy 認為，猜想本身通常不是最深層的重點。
它們也是試驗場。
研究者攻克難題，部分原因在於這迫使他們發明新技術、新概念與觀察地貌的新方式。
吸引力不僅在於形式結果。
還在於某個原本不起眼的岩石被發現其實是一座山，而從山頂又能看見一片新的區域的時刻。
Szegedy 的核心比喻是飛機。
萊特兄弟的首次飛行只持續了幾秒鐘。
若以現代客機的標準衡量，它幾乎毫無用處。
但若因那台原始機器而斷言飛機永遠無法跨越海洋、承載數百萬人或改變地理格局，便是一個錯誤。
Szegedy 認為，今日的數學 AI 系統處於類似的早期階段。
它們昂貴。
它們會犯錯。
它們尚無法飛往所有地方。
部分結果仍需要大量運算、審慎的人類引導、形式化驗證或專家審查。
但真正相關的問題，不是今天的機器能否抵達每一座數學高峰。
而是，若機器持續進步，將會發生什麼。
在他的比喻中，懷疑者的回應聽起來會是這樣：
那些岩石很容易。我們攀登它們只是為了準備真正的高山。你的飛機永遠無法抵達真正的山頂。
Szegedy 認為，這是一種靜態的錯誤。
今日看起來原始的模型，可能在幾個月內就過時。
目前需要巨額算力的工作流程，未來可能便宜到可被日常執行。
他認為，一旦發生這種情況，數學就不再像是只有菁英攀登者才能進入的荒野。
輸入一句想法，We0 AI 即可生成展示站、頁面與 CMS。發佈上線後並幫你獲取客戶和流量。
用戶註冊贈送一次完整項目生成
適合先體驗一次完整生成流程，快速看到專案初稿。
它會開始像一塊能從空中勘測的大陸。
此處 Szegedy 的論點從技術層面轉為文化層面。
若 AI 系統成為便宜、可靠的數學探索者，原有的環境就會改變。
私人「飛機」將變得普遍可得。
大型組織能夠派遣艦隊。
自動化系統可以掃描龐大的數學可能性區域、測試猜想、形式化證明、搜尋結構，並連結過去彼此分離的文獻。
來源文章將這種轉變描繪為一種未來：數學地貌將從高空被繪製，而不再僅靠徒步探索。
Szegedy 預期這個過程會很混亂。
既有研究者可能會反感大型公司進入那些原本屬於小型學術社群的領域。
他們可能會感到，一種建立於優雅、耐心與個人技能之上的文化正被工業化。
他並未完全否定這種反應。
有些東西可以同時被獲得，也可以同時被失去。
他的主張是，這項改變無論如何都會發生。
若證明定理變得不那麼稀缺，學術獎勵可能會轉移。
Szegedy 認為，三種技能可能會變得更有價值：
攀登一座無人能攀登的山峰這種英雄行為，可能會變得較不重要。
判斷哪些山峰重要的能力，可能會變得更重要。
這就是為何在他的比喻中，「畢業」是一個有用的詞。
這門學科並未結束。
它正離開一個發展階段，進入另一個階段。
他更大的預測是，數學將不再像一門安靜的學術專科，而會更像是科學、工程與科技底層的基礎設施。
對 Szegedy 文章的一個回應來自史丹佛數學家 Jared Duker Lichtman。
他寫道，自研究所時期起他就在等待這一刻，並主張沒有替代方案的顛覆會留下真空，但對未來的清晰圖像可以創造新的動能。
他提出的下一步很具體：
將所有已知數學轉譯為形式化程式碼。
Jared Duker Lichtman 認為，將既有數學形式化是明確的下一步。
這一議程直接連結到 Szegedy 早期的自動形式化研究。
機器可讀的數學語料庫可以提供：
Anthropic 對費馬最後定理的形式化，同時展現了前景與難度。
形式化高等數學可能需要大量生成程式碼與基礎設施。
但若模型在這一流程上變得更好，成本可能迅速下降。
Szegedy 的觀點並未被普遍接受。
在他的文章出現前五天，Stephen Wolfram 發表了一篇長文，回應 AI 可能使人類數學研究不再必要這一更廣泛的主張。
Stephen Wolfram 認為，AI 能改變數學工作，但不會讓純數學過時。
Wolfram 的立場始於對數學的不同定義。
如果數學主要是在產出形式證明，能力日益提升的 AI 可以將大部分活動自動化。
但 Wolfram 認為，純數學也關乎決定：
AI 可以生成數量龐大的可能定義、定理與形式結構。
這不會自動讓它們成為對人們有意義的數學。
在 Wolfram 看來，數學的目標來自形式系統之外。
人類決定自己在乎什麼。
他也警告，形式驗證可以完美證明錯誤的形式陳述。
證明助手可以確立：在假設 B 與 C 下，經編碼的命題 A 可以推導出來。但這並不自動保證 A 正是數學家原本想表達的內容。
這為「更多自動形式化就等於數學已被解決」的想法提供了重要的制衡。
Wolfram 的結論很明確：純數學不會被完成。
在他的框架中，計算不可約性保證了無盡的新事實與驚喜。
AI 成為加速器，而不是終點。
帝國理工學院數學家 Kevin Buzzard 曾以「哀傷」的語言，談論數學界內部的情緒反應。
Buzzard 描述了一個對 AI 快速進步有著截然不同反應的數學社群。
反應涵蓋興奮到拒絕。
有些數學家幾乎不想與 AI 工具有任何關係。
另一些人則正快速將其整合進日常研究。
對職涯早期的研究者而言，心理影響可能尤其強烈。
若一名研究生花費數週或數月卡在一個引理上，而模型立即解決它，這項技術上的勝利可能讓人感到個人身分受到動搖。
這正是 Szegedy 從自己畢業故事中反覆提及的情緒。
一項曾經構成身分認同的技能，可能突然變得不再稀缺。
Szegedy 的回應是，這種哀傷是真實的，但未來仍有數學工作——只是未必是相同的工作，也未必擁有相同的地位階層。
1930 年，David Hilbert 在哥尼斯堡一次著名演講的結尾說道：
「我們必須知道。我們將會知道。」
這句話後來與他的紀念碑連結在一起。
來源文章以此作為這場辯論的結尾。
希爾伯特的名言成為人們相信知識可能性的數學信心象徵。
AI 或許正在讓這種抱負顯得更為具體。
數學特別適合自動化，因為許多結果最終可被化約為機器能逐步檢查的物件。
這裡沒有需要校準的實驗室儀器。
在所選定的基礎系統中，一個形式證明不是通過檢查，就是不通過。
這並不表示數學發現很簡單。
它表示數學提供了一個特別清晰的環境，可以在其中測試能力持續提升的推理系統。
這或許正是許多可見的前沿 AI 研究成果率先出現在數學領域的原因。
這門學科可能成為最早被 AI 深度工業化的基礎科學之一。
究竟應將此稱為「畢業」、轉型，還是僅僅是另一種強大工具進入該領域，仍是一個開放的哲學問題。
Szegedy 與 Wolfram 至少在一點上達成一致：舊有的工作流程正在快速改變。
他們的分歧在於，當證明本身變得廉價後，哪些部分仍然是不可約地屬於人類的。
他主張，數學可能從以罕見的個人定理解題成就為中心的文化，轉向大規模 AI 輔助的探索、繪圖、形式化與應用。這門學科不會消失；改變的是其生產模式與社會獎勵。
Szegedy 是 2023 年 xAI 最初創始團隊的一員。在加入 xAI 前，他曾於 Google 工作多年，並對 Inception、對抗樣本、批次正規化與自動形式化等具影響力的研究作出貢獻。
自動形式化是指將非形式化數學語言自動轉譯為精確形式陳述的過程，讓證明助手可以檢查。Szegedy 多年來一直主張，這可能成為通往更強大自動化推理的關鍵路徑。
Anthropic 於 2026 年 9 月宣布，Claude 在 11 天內以 Lean 產出了既有費馬最後定理證明的完整、經電腦檢查的形式化。這是一項重大的形式化成就，但並不是對費馬最後定理本身的新發現。
OpenAI 表示，一套內部多 Agent 系統在約 88 小時後產出了一項解決方案，並在之後於 Lean 中將其形式化。該公司已發布技術資料，但如此量級的結果仍需要廣泛審查，正式認可流程也不同於公司的公告。
Wolfram 認為，純數學不只是產出證明。人類仍會選擇目標、概念、敘事與問題；他也認為計算不可約性保證會持續出現無盡的新數學事實與結構。
辯論雙方都預期人類仍將參與，但角色可能不同。選擇值得研究的問題、創造概念框架、評估重要性、指揮 AI 系統，以及解釋發現，可能相較於手動構造每一個證明而變得更重要。
數學具有格外清晰的驗證機制。Lean 等形式化定理證明器可以逐步檢查證明，使得生成與嚴格的邏輯驗證能比在許多實驗科學中更清楚地分開。
Christian Szegedy 的論點並不是數學正在終結。
而是塑造數學聲望數百年的稀缺性結構，可能正在結束。
如果能力不斷提升的 AI 系統能以規模化方式搜尋、證明、形式化與協同，那麼手動解決一個困難定理的重要性，可能將低於選擇重要地形、建立可靠的數學基礎設施，以及把大量機器生成的發現轉化為人類理解的重要性。
Stephen Wolfram 的回應則將界線畫在別處：證明可能會變得更容易，但有意義的數學仍依賴人類所關心的目標、概念與敘事。
真正的問題不再是 AI 是否會改變數學，而是當證明本身日益自動化時，數學中哪些部分仍然稀缺——因而仍然有價值。
從一句話開始，幾分鐘內拿到完整網站。
