当证明先于理解到来（陶哲轩问题思考） 我们经常花费大量时间寻找答案，却很少意识到，自己正在回答的问题，可能从一开始就已经被别人定义好了。 一个问题被提出以后，人们便开始寻找原因、收集证据、比较观点，试图得出合理的结论。整个过程可以非常严谨，参与讨论的人也可能足够聪明。但有一件事始终藏在背后：为什么要这样提出问题？我们依据什么判断答案的好坏？那些看起来理所当然的标准，究竟从哪里来？ 数学家陶哲轩对人工智能进入数学研究的担忧，恰好提供了一个观察这些问题的机会。 过去，一位数学家可能花费十年时间研究一个难题。在漫长的探索中，他不断尝试、失败、修正，逐渐理解问题内部的结构。有时，一道难题最终没有得到解决，研究过程却产生了新的方法、概念和理论。 如今，人工智能开始参与数学证明，甚至可能在某些任务上迅速超越人类。陶哲轩关注的一个问题是，当证明的产生速度超过人类理解和消化它们的速度，数学研究会发生什么？ 这种担忧有充分的理由。一个命题得到证明，并不意味着数学家已经理解它为什么成立，更不意味着能够把证明中的思想用于其他问题。数学的发展还依赖概念的建立、方法的迁移，以及不同理论之间的联系。 但这里也藏着一个值得审视的前提：为什么我们习惯于认为，理解必须伴随人类亲自完成证明的过程？ 假设人工智能用十分钟解决了一道人类研究几十年的难题。数学家随后分析证明，提取其中的方法，发现新的结构，再由此建立新的理论。这条路径与过去不同，却未必缺少创造，也未必降低理解的深度。 过去，我们往往沿着发现问题、探索问题、解决问题、形成理解的路径推进。未来，结果可能先于理解出现，人类再从结果出发，反向寻找规律与解释。 两条路径究竟哪一种更有利于知识增长？目前没有充分依据作出普遍判断。 工业时代，机械加工逐渐替代传统手工艺。手工艺人可能担忧，机器完成了原先需要多年训练才能掌握的工作，技艺便会失去传承和改良的机会。但机械化也打开了材料、设计、工艺控制和生产组织的新空间。人的创造活动随着工具改变而改变。 当然，数学与工业制造并不完全相同。数学研究中的探索过程本身可能产生无法预先指定的发现，而制造活动通常具有更明确的产品目标。这个差异确实可能限制人工智能替代传统研究方式的效果。 但我们仍然需要追问：那些探索中产生的新发现，是否只能通过原来的路径获得？人工智能生成证明以后，人类反向研究，是否可能发现过去难以抵达的理论联系？ 这些问题需要研究，而不能仅凭对传统探索方式的珍视来回答。 继续向下思考，还会发现一个更深的变化。 长期以来，独立解决重大数学难题，通常意味着研究者具备卓越的数学能力。因此，学术共同体围绕重要成果建立评价、荣誉与资源分配机制。一个人解决了什么问题，往往也成为衡量其学术贡献的重要依据。 当人工智能能够完成越来越多的证明工作，这种联系可能发生变化。 一个人提交了正确的证明，并不必然意味着他理解证明；研究者花费十年获得的成果，也未必比借助人工智能迅速发现的新理论具有更高的知识价值。 如果评价体系依然围绕证明数量、难题突破和个人成果运转，就可能出现一种偏差：研究活动越来越擅长完成可以被评价的任务，却未必同样重视知识是否真正得到理解和发展。 这与古德哈特定律所揭示的问题相通：当某项指标被过度追求，它就可能逐渐失去衡量原有目标的能力。 再往后，便触及科研体系中的身份问题。 一个研究者花费几十年建立的能力，可能早已成为他理解自身价值的重要依据。某一天，这些能力突然能够被机器部分替代，随之动摇的可能还有职业身份、学术荣誉，以及对研究意义的理解。 但我们不能因此推断，陶哲轩或其他数学家的担忧只是为了维护既有地位。这样的心理解释缺乏直接证据，也容易遮蔽他们提出的真实科学问题。 同样，我们也不能因为相信技术进步，就默认新的研究方式一定更好。 人工智能是否能够产生可靠证明，是技术与数学验证问题；是否促进人类理解和理论创新，是需要进一步研究的问题；人类是否必须亲自完成探索，则还涉及价值判断。 这些问题需要分别处理。证明可以接受逻辑审查，理解能力可以通过后续应用、方法迁移和新问题的解决来观察，而研究过程本身应当具有多高的价值，则需要公开讨论其评价依据 在这里，我们终于接近那些长期隐藏在幕后的前提 为什么解决难题比提出问题更容易获得承认？为什么独立完成比借助工具完成更值得尊重？为什么我们习惯于把研究者的个人成就，与知识本身的增长联系在一起？ 这些标准可能有合理的历史原因，但当技术条件改变，它们也应当重新接受检验 而当我们开始追问这些问题时，实际上已经进入了元认知的范围：把自己的思考过程、判断标准和默认前提，也放到观察的位置上 它让我们在研究一个问题时，除了判断答案是否正确，为什么如此定义这个问题，又凭什么认定某种答案更有价值