王虹站上菲尔兹奖领奖台，《王的猜想》登上《广西日报》头版。
与此同时，AI已能攻下奥数金牌题，尝试解决开放数学问题。
答案似乎正在变得触手可及，人类却比任何时候都更需要回答一个问题，什么才值得被追问。
一份涨价的报纸，一场沉默的投票
《王的猜想》本是《广西日报》为数学家王虹写的人物特稿。
上个月，35岁的王虹在费城捧起菲尔兹奖，成为该奖自1936年创立以来第三位女性得主，她与邓煜同届登顶，中国籍数学家第一次拿到这枚奖牌，一拿就是两枚。
两天后，总编辑拍板打破常规排版，用头版头条加半版的篇幅刊出这篇特稿，标题里一个王字，既是姓氏，也是加冕。
报纸一份难求，报社宣布加印并开售，二手平台上的转让价从15元一路挂到65元。
有人称之为当代版洛阳纸贵，可洛阳纸贵发生在手抄年代，如今复制一段文字的边际成本约等于零，人们偏偏愿意为一张纸排队。
王虹与Joshua Zahl在2025年2月发表127页论文攻克三维挂谷猜想，这条消息半年前就在学术圈传遍了，任何大模型都能在3秒内复述得一字不差。
有意思的转折藏在同一组数据里，Graphite同时指出，过去12个月AI内容的增长势头明显放缓。
原因无关模型能力停滞，而在于从业者逐渐发现，单纯堆量的AI稿件在搜索排名中表现糟糕，换不来真金白银的流量。
AI万能叙事本质上是一套面向资本市场的修辞，它许诺产能，回避定价。
《王的猜想》被炒到65元，恰好把定价的答案写在了纸上，产能恰恰是这个时代最不稀缺的东西。
创造力常在弯路里生长，效率模型容易删掉它
人们曾用一道数学题审问机器是否聪明，如今考卷本身正在失去威严。
2024年，Google DeepMind的AlphaProof与AlphaGeometry 2已触及国际数学奥林匹克银牌水平。
2025年，Gemini Deep Think在六道题中完成五道，以35分越过金牌线。
它无需专家把题目译成形式化语言，能直接阅读自然语言，并在赛场规定时间内写出证明。
奥数终究像一座围墙整齐的花园，题目由人挑选，规则清楚，答案可以逐行验算。
真正让数学界脚下发响的，是AI开始走进开放问题。
今年5月，DeepMind在arXiv上发了一篇论文，介绍了一个专门用来辅助数学研究的形式化证明系统，叫做AlphaProof Nexus。
这个AI又帮忙证明了一些数学难题，它在353个形式化的Erdos开放问题里解出了9个，在492个OEIS猜想中证明了44个，而且还实际参与到了图论、优化理论、加性组合、量子光学等多个方向的研究中。
单位距离问题上，一个内部模型还找到新构造，撬动了延续约八十年的主流猜测，数学家随后完成核验与人类可读的整理。
这已经超出文献搬运和推导补缀，机器能够踏入无人走过的路径，也会拼出专家未曾想到的方法。
继续把AI说成复读机，多少有些把头埋进沙里的体面。
竞赛夺牌常被讲成数学家即将退场，一次反例也能被包装成科研自动化的号角。
局部跃升被拉长成整条价值链的替代，复杂分工被压扁为模型大小、算力多少和交卷快慢。
科学、工程与创作都比考试辽阔，答案只是中途的一盏灯，前面还有问题为何被提出，后面还有结果为何重要。
AI值得敬畏，人类真正稀缺的，仍是提出好问题，并知道何处值得点灯。
答案正在工业化，问题意识反而更加昂贵
OpenAI在5月公布，内部模型对平面单位距离问题给出突破性反例，外部数学家完成了检查。
近期公开的圈双覆盖猜想证明稿还声明，证明由GPT-5.6 Sol Ultra完成，Codex参与写作。
把这些成果统统解释成「高级复读」，只是另一种拒绝现实。
陶哲轩在2026年国际数学家大会的演讲中预判，数学可能从「证明稀缺」进入「证明充裕」，大量结果会堆积在等待验证、写作和消化的环节。
机器抬高了证明的吞吐量，人类共同体的理解速度没有同步翻倍，新的拥堵由此产生。
更上游的稀缺是问题品位，AI能够批量提出候选假设，甚至找到人类没有见过的构造，候选数量却无法自动兑换成研究意义。
ICML 2026立场论文《LLMs can’t jump》把这种差异称为「跳跃」，大模型擅长从材料中归纳规律，也正在攻克由前提推出结论的演绎过程，科学发明还包含溯因推理，也就是面对异常时提出新的解释框架。
论文借爱因斯坦的电梯思想实验说明，创造有时并无海量异常数据可供压缩，它来自身体经验、反事实想象与概念重组。
眼下的模型在前一类活动中进步惊人，后一类活动仍缺少稳定、可验证的机制。
把能力曲线的斜率直接外推成「万事皆可替代」，更像资本故事里的直线，而真实创新常常走弯路。
科学突破最昂贵的部分，是决定什么值得追问
一项科研成果抵达论文首页之前，往往经历漫长而混乱的过程。
研究者观察到异常，从异常中辨认问题，再判断问题是否重要。
许多探索会在途中失去方向，也有不少正确答案终其一生无人问津。
AI已经能够介入其中的大部分环节，它可以阅读文献，生成候选猜想，寻找反例，借助Lean等系统完成形式化验证。
随着推理成本下降，这些能力会越来越像实验室里的基础设施，如同显微镜、仿真软件和高性能计算集群。
然而，一台显微镜不会决定人类应该观察哪一块组织。
数学问题的意义也不写在题目表面，一个猜想可能文字简短，却连接着多个学科。
Google在2026年将AlphaEvolve推向更广泛的商业应用，覆盖半导体、物流、基因组学和高性能计算等领域。
它的工作流程依然要求使用者提供基础算法、问题定义和评分函数，系统随后围绕这些目标搜索更优程序。
这套流程已经相当强大，同时也暴露出一个容易被宣传语言遮蔽的事实。
优化器能够寻找更高的分数，却无法独自决定什么应该被计入分数。
芯片设计中的性能、功耗、面积、良率与成本相互牵制，把功耗降低1%，是否值得增加制造复杂度。
为追求峰值性能牺牲可靠性，产品还能否进入汽车和工业市场。
某个算法在仿真中表现卓越，放进供应链与生产节拍后是否仍然成立。
这些选择不能靠一个抽象的最优值裁决，目标函数背后都藏着商业利益和工程经验。
当答案生产越来越自动化，定义问题的权力便会变得更集中，也更昂贵，这种权力可以称为「问题主权」。
人机协作的新边界，是问题主权与责任归属
今年的《莱顿人工智能与数学宣言》提出，AI可能成为数学发现的强大伙伴，数学共同体仍需维护证明、署名、透明度和对洞见的追求。
AI进入芯片设计、药物发现、材料研发和先进制造之后，验证机制、知识产权、责任划分与目标设定都会成为现实问题。
当模型给出一种芯片架构，失败应由谁负责。当AI推荐一种材料配方，企业依据什么确信它可以进入产线。
当算法生成一项专利构想，训练数据中的前人贡献如何被识别。
当自动化系统不断优化效率，那些无法被写入评分函数的安全、尊严与公共利益由谁守住。
技术越接近创造环节，人类越不能只做鼓掌者或者旁观者。
下个重要数学猜想也许会由AI生成，证明也可能主要由机器完成，但有人仍会判断猜想是否重要，证明是否可信，又将把世界推向何处。
结尾：
下一个《王的猜想》很可能布满AI的指纹，录音由模型整理，资料由智能体检索，某个数学引理甚至由机器率先发现。
可让一根针值得旋转，让一个人的来路值得书写，仍需有人先感到好奇、珍视与责任。
技术能够扩大创造的半径，方向依旧来自人的内心罗盘。
部分资料参考：中国记协网：《〈王的猜想〉何以打动人心》；广西日报：《王的猜想》；中国新闻网：《王虹获菲尔兹奖，三维挂谷猜想背后的数学之美》，Leiden AI & Mathematics：《Leiden Declaration on AI and Mathematics》，arXiv：《AI and the Automation of Mathematical Discovery》
END
往期精选：
请点下【♡】给小编加鸡腿
