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/articles/christian-szegedy-on-ai-and-the-future-of-9df759e7.md.
两千多年来，数学一直推崇一种特殊的英雄：那个花费数年时间攀登、解决无人能够解决问题的人。
欧几里得、高斯、希尔伯特、怀尔斯——数学的神话中充满了由个人或小型团队完成的突破，这些突破需要非凡的坚持与技术能力。
Christian Szegedy 认为，那个时代正在改变。
这位 xAI 联合创始人兼长期 AI 研究者在 10 月 4 日分享的一篇长文中指出，人工智能正开始改变数学发现的基本经济规律与文化。他的核心比喻很简单：历史上，数学家靠步行探索一片未绘制地图的荒野；而 AI 正在成为一架飞机。
这架飞机仍然很原始。它成本高昂、不够可靠，尚且无法抵达每一座山峰。
但如果它以 Szegedy 预期的速度持续改进，数学中最重要的活动可能会从亲自攀登一座艰难高峰，转向绘制整片区域、指挥自动化探索者舰队，以及判断哪些地形值得研究。
Christian Szegedy 分享了一篇关于 AI 时代数学未来的长篇个人文章。
这正是他所称数学即将“毕业”这一挑衅性说法背后的含义。
这并不意味着数学将不复存在。
他的意思是，数学可能不再主要是一种由相对少数专家从事的手工艺活动，而会成为科学与技术之下规模更大的工业化基础。
并非所有人都认同这一观点。
Stephen Wolfram 在数日前发表文章，提出了几乎相反的看法：AI 可以自动化更多数学工作，但让纯数学具有意义的目标、概念与叙事仍然来自系统之外——来自人类。
这场分歧的真正焦点，并非 AI 是否在数学上变得更强。
而是，当机器能够承担更多证明工作之后，数学究竟是为了什么。
Szegedy 的立场并非对几次令人印象深刻的模型演示做出的突然反应。
几十年来，他的职业生涯一直往返于数学与机器学习之间。
他在匈牙利学习数学，在波恩大学获得应用数学博士学位，随后在 Google 工作了十多年。
深度学习中的多项广受引用的发展成果都与他的名字相关。
Szegedy 相关的代表性研究包括 Inception、对抗样本和批量归一化。
他是提出 Inception 架构论文的第一作者，参与了对抗样本的早期研究，并与 Sergey Ioffe 共同撰写了批量归一化论文。
2023 年，Szegedy 加入 xAI 的创始团队。
2023 年的 xAI 公告重点介绍了一个创始团队，其成员拥有 Google Research、DeepMind、OpenAI、Microsoft Research 等机构的背景。
但数学始终是他思考的核心。
在 2020 年发表的一项研究中，Szegedy 提出，自动形式化——即将常规数学语言自动翻译为机器可验证的形式化陈述——可能成为通向通用 AI 推理能力的重要路径。
该论文将自动形式化系统描述为：能够阅读非形式化数学内容，并在尽量少的人为干预下将其转换为抽象、可由机器检查的形式。
《通往自动形式化与通用人工智能的一条有前景的路径》阐述了 Szegedy 对机器可读数学的论点。
他最初给出的时间线很激进。
根据 Szegedy 后来的个人说法，他曾预计超人类 AI 数学家会在 2029 年前后出现。到 2024 年时，他已经表示，进展速度看起来比他预想的更快。
Szegedy 在 2024 年写道，进展速度快于他此前设想的 2029 年时间线。
2024 年 2 月，他曾公开谈及一项赌约：超人类 AI 数学家将在 2026 年 6 月之前出现。
2024 年，Szegedy 公开讨论了一项关于超人类 AI 数学能力将在 2026 年年中前到来的赌约。
随后，2026 年出现的一系列结果让这个问题变得更难被忽视。
原文列举了 2026 年 AI 辅助数学领域的几个里程碑。
细节很重要，因为这些并不是同一种类型的成就。
5 月，OpenAI 宣布，其某个模型推翻了平面单位距离问题中一个被猜测的上界。该问题可追溯至 Paul Erdős 在 1946 年的研究。
这项结果并未完全解决单位距离问题。
它所做的是推翻一个核心猜想：平面点集中单位距离点对最大数量的增长率。
这一差别很重要，但结果本身同样重要：一个通用 AI 系统为全新的数学构造作出了真正贡献。
7 月，数学家 Levent Alpöge 公开分享了一个与 Claude Fable 5 共同开发的反例，该反例证伪了三维及更高维度中的雅可比猜想。
二维情形仍然悬而未决。
这个反例足够紧凑，可以直接验证，外部数学家也迅速核查了这一构造。
这是另一类 AI 数学成果：并非对既有证明进行形式化，而是发现一个针对长期猜想的明确反例。
随后，Anthropic 宣布完成了费马大定理的首个完整、经计算机检查的形式化。
Claude 在大部分时间自主工作的情况下，用 11 天将既有的人类证明转换为 Lean 形式。
这在历史意义上并非对该定理的新证明——Andrew Wiles 和 Richard Taylor 早在 20 世纪 90 年代就已完成相关数学证明。
突破在于形式化。
一大批高等数学内容被转换为 Lean 可以逐步检查的形式。
OpenAI 的内部数学项目将规模推进得更远。
该公司表示，在针对重大数学问题启动一项大型多智能体工作后，其系统在首批智能体启动约 88 小时后，就对纳维—斯托克斯千禧年大奖难题提出了一个解决方案。
OpenAI 自己的技术说明称，产出纳维—斯托克斯结果的团队涉及约 10,000 个并发智能体。
随后，使用 GPT-6 Astra 进行 Lean 形式化与验证又花费了 17 小时。
这项结果在历史上具有重要意义，部分原因正在于其过程规模：在更广泛的工作中，产生了数百万条智能体间消息和数千亿个生成输出词元。
9 月 21 日，OpenAI 还表示，同一内部模型已经解决了数学领域 100 多个长期未解问题。
原文将 Szegedy 早先的预测与 2026 年一系列快速出现的 AI 数学成果并列呈现。
这些结果的准确状态与长期意义各不相同。
有些是对已知数学成果的形式化。有些是新的反例或构造。有些则是仍在接受数学界审查的大型研究主张。
但它们共同改变了这场讨论的节奏。
Szegedy 的观点是，已经不再合理把 AI 数学当作静态系统来讨论。
Szegedy 在文章开头回忆了自己高中毕业时的一段个人经历。
经过多年的数学竞赛与结构化训练后，他完成了最终考试。
有那么一小段时间，他感到自由。
随后到来的却更像是一种空虚。
再也没有竞赛。没有老师布置下一个问题。原本塑造他身份认同的体系突然消失了。
他向数学家传达的信息是，其中一些人可能很快也会经历类似的转变。
为解释原因，他把纯数学比作在没有地图的荒野中探索。
探索者要做三类工作：
从历史上看，最受赞颂的人往往是攀登者。
一个击败所有人的猜想会成为一座高山。解开它足以定义一个人的职业生涯。
朗兰兹纲领便是数学工作的一个例子：它既开拓了辽阔的研究领域，也造就了传奇般的个人成就。
工具建造者同样受到尊敬，但数学文化的情感核心通常仍围绕着那道艰难的定理或猜想——某个人或小团队最终征服了它。
Szegedy 认为，猜想本身往往并非最深层的重点。
它们也是试验场。
研究者攻克难题，部分原因是此举迫使他们创造新的技术、新的概念与观察这片领域的新方式。
吸引人的不只是形式化的结果。
而是那个原本模糊的岩石被发现其实是一座山峰，并且从峰顶可以看到一片新区域的时刻。
Szegedy 的核心比喻是飞机。
莱特兄弟的首次飞行仅持续了几秒钟。
若以现代客机为标准衡量，它几乎毫无用处。
但如果当时看到这台原始机器就断言飞机永远无法跨越海洋、运送数百万人或改变地理格局，那将是一个错误。
Szegedy 认为，今天的 AI 数学系统也处于类似的早期阶段。
它们成本高昂。
它们会犯错。
它们尚无法飞往所有地方。
有些成果仍需要巨量计算、谨慎的人类指导、形式化验证或专家审查。
但相关的问题不是今天的机器能否到达每一座数学高峰。
而是，如果机器持续进步，会发生什么。
用他的比喻来说，怀疑者的回应听起来像这样：
那些岩石很容易。我们攀爬它们只是为了给真正的高山做准备。你的飞机永远到不了真正的山峰。
Szegedy 认为，这是一种静态思维错误。
今天看起来还很原始的模型，几个月后可能就会过时。
如今需要海量计算资源的工作流，未来可能会便宜到能够常规运行。
一旦发生这种变化，他认为数学将不再像一片只有精英攀登者能够进入的荒野。
输入一句想法，We0 AI 即可生成展示站、页面与 CMS。发布上线后并帮你获取客户和流量。
用户注册赠送一次完整项目生成
适合先体验一次完整生成流程，快速看到项目初稿。
它会开始像一块能够被勘测的大陆。
在这里，Szegedy 的论点从技术层面转向文化层面。
如果 AI 系统成为低成本且可靠的数学探索者，那么旧有环境就会改变。
私人“飞机”将变得广泛可用。
大型组织可以派出舰队。
自动化系统可以扫描数学可能性的巨大区域、测试猜想、形式化证明、搜索结构，并连接此前彼此分离的文献。
原文将这一转变描绘为一种未来：数学景观将从空中被绘制地图，而不再只是通过步行来探索。
Szegedy 预计这一过程将是混乱的。
既有研究者可能会反感大型公司进入那些曾属于小型学术共同体的领域。
他们可能会觉得，建立在优雅、耐心与个人能力之上的文化正在被工业化。
他并未完全否认这种反应。
得与失可以同时发生。
他的主张是，变化无论如何都会到来。
如果定理证明不再那么稀缺，学术奖励机制可能会发生转移。
Szegedy 认为，以下三种能力可能会变得更有价值：
攀登一座无人能够攀登的高峰这一英雄行为，可能会变得不那么重要。
判断哪些山峰重要的能力，可能会变得更加重要。
这也是为什么在他的比喻中，“毕业”是一个恰当的词。
这门学科并未终结。
它正在离开一个发展阶段，进入另一个阶段。
他更宏大的预测是，数学将不再像安静的学术专门领域，而更像科学、工程与技术之下的基础设施。
对 Szegedy 文章的一项回应来自斯坦福数学家 Jared Duker Lichtman。
他写道，自研究生阶段起就一直在等待这一时刻，并认为只有颠覆而没有替代方案会留下真空——但一幅清晰的未来图景能够带来新的活力。
他提出的下一步非常具体：
将所有已知数学翻译为形式化代码。
Jared Duker Lichtman 认为，将既有数学形式化是一个明确的下一步。
这一议程直接连接到 Szegedy 早期关于自动形式化的研究。
机器可读的数学语料库可以提供：
Anthropic 对费马大定理的形式化同时展现了希望与困难。
对高等数学进行形式化可能需要海量生成代码与基础设施。
但如果模型在这一过程中变得更强，成本可能会迅速下降。
Szegedy 的观点并未得到普遍接受。
在他的文章发布前五天，Stephen Wolfram 发表了一篇长文，回应了这样一种更广泛的主张：AI 可能使人类数学研究变得不再必要。
Stephen Wolfram 认为，AI 可以改变数学工作，但不会使纯数学过时。
Wolfram 的立场始于对数学的不同定义。
如果数学主要是产出形式化证明，那么能力不断提升的 AI 可以自动化其中很大一部分活动。
但 Wolfram 认为，纯数学同样关乎决定：
AI 可以生成海量可能的定义、定理和形式结构。
这并不会自动使它们成为对人类有意义的数学。
在 Wolfram 看来，数学的目标来自形式系统之外。
人类决定自己关心什么。
他还警告，形式验证可以完美地证明错误的形式化陈述。
证明助手可以确立：编码后的命题 A 可从假设 B 和 C 推出。但这并不自动保证 A 就是数学家原本想表达的内容。
这是对“更多自动形式化就意味着数学被解决”这一观点的重要制衡。
Wolfram 的结论很明确：纯数学不会被完成。
在他的框架中，计算不可约性保证了新事实与新惊喜的无穷供给。
AI 是加速器，而不是终点。
帝国理工学院数学家 Kevin Buzzard 曾用“悲伤”的语言描述数学界内部的情绪反应。
Buzzard 描述了数学界对 AI 快速进步的截然不同反应。
人们的反应从兴奋到拒绝不等。
一些数学家几乎不愿意或完全不愿意使用 AI 工具。
另一些人则迅速把它们纳入日常研究。
对于职业生涯早期的研究者而言，心理影响可能尤其强烈。
如果一名研究生花费数周或数月卡在一个引理上，而一个模型立即解出了它，技术上的胜利可能会让人感到个人身份被动摇。
这正是 Szegedy 从自己的毕业故事中反复提及的情绪。
一种曾经塑造身份认同的技能，可能突然变得不再稀缺。
Szegedy 的回应是，这种悲伤是真实的，但未来仍然存在数学工作——只是未必是具有同样地位层级的同一种工作。
1930 年，David Hilbert 在柯尼斯堡的一次著名演讲结尾说：
“我们必须知道。我们将会知道。”
这句话后来与他的纪念碑联系在一起。
原文用它来结束这场讨论。
希尔伯特的著名表述成为数学界相信知识可能性的象征。
AI 可能正在让这种雄心显得更为具象。
数学非常适合自动化，因为许多结果最终都可以被归约为机器能够逐步检查的对象。
这里不存在需要校准的实验室仪器。
在所选择的基础系统中，一个形式化证明要么通过检查，要么不能通过。
这并不意味着数学发现很简单。
它意味着，数学提供了一个格外清晰的环境，可以在其中测试推理能力不断增强的系统。
这或许正是如此多引人注目的前沿 AI 研究成果首先出现在数学领域的原因。
这门学科可能会成为最早被 AI 深度工业化的基础科学之一。
这究竟是“毕业”、转型，还是仅仅是又一种强大工具进入该领域，仍然是一个开放的哲学问题。
Szegedy 与 Wolfram 至少在一点上达成一致：旧有工作流正在快速变化。
他们的分歧在于，一旦证明本身变得廉价，究竟还有哪些部分不可约地属于人类。
他的意思是，数学可能会从以稀缺的个人定理解题成就为中心的文化，转向大规模 AI 辅助的探索、制图、形式化与应用。数学不会消失；改变的是其生产模式与社会奖励机制。
Szegedy 是 2023 年 xAI 最初创始团队的一员。在加入 xAI 前，他曾在 Google 工作多年，并为 Inception、对抗样本、批量归一化和自动形式化等有影响力的研究作出贡献。
自动形式化是指将非形式化数学语言自动翻译成精确的形式化陈述，使证明助手能够进行检查。多年来，Szegedy 一直认为，这可能成为实现更强自动化推理能力的关键路径。
Anthropic 于 2026 年 9 月宣布，Claude 在 11 天内以 Lean 产出了既有费马大定理证明的完整、经计算机检查的形式化版本。这是一项重要的形式化成就，但并非对费马大定理本身的新发现。
OpenAI 表示，一个内部多智能体系统在约 88 小时后提出了解决方案，随后在 Lean 中完成形式化。该公司已发布技术材料，但如此量级的成果仍需要广泛审查，正式认定流程也不同于公司的公告。
Wolfram 认为，纯数学不只是产出证明。人类仍然决定目标、概念、叙事与问题；他相信计算不可约性保证了新数学事实和结构会源源不断地出现。
这场辩论的双方都认为人类将继续参与，只是角色可能不同。选择值得研究的问题、建立概念框架、评估意义、指挥 AI 系统以及解释发现，相对于手工构建每一份证明而言，可能会变得更加重要。
数学拥有异常清晰的验证机制。Lean 等形式化定理证明器可以逐步检查证明，因此相较于许多实验科学，它能够更清晰地将生成与严格的逻辑验证分离开来。
Christian Szegedy 的论点并不是数学正在终结，而是塑造数学声望数百年的稀缺性结构可能正在终结。
如果能力不断提升的 AI 系统能够大规模搜索、证明、形式化与协同，那么手工解决一个困难定理，可能会不如选择重要领域、建设可靠的数学基础设施，以及将大量机器生成的发现转化为人类理解那样居于核心。
Stephen Wolfram 的回应则在别处划定边界：证明可能会变得更容易，但有意义的数学仍取决于人类关心的目标、概念与叙事。
真正的问题不再是 AI 是否会改变数学，而是当证明本身日益自动化时，数学中哪些部分仍然稀缺——因而仍然有价值。
从一句话开始，几分钟内拿到完整网站。
