# 数学从来不只是答案 Date: 2026-09-09 Author: Zhenzhao Tu ## 一、一个答案，和一种理论

Navier–Stokes 方程我们早就在用，这次OpenAI解决的悬而未决的是它的一个理论极限：正常开始的三维流体，是否一定能永远保持数学上的正常。过去我们不知道是“所有情况都没问题”，还是“存在极少数情况会在有限时间失控”。OpenAI 声称找到了后者的一个严格反例：在光滑外力下，一个最初光滑的流动会在有限时间发生 blowup，因此不存在对应的全局光滑解。

{% floatImage "/assets/inline/navier-stokes-flow-field.webp", "蓝色、青色与金色流线构成的三维流场", "11rem" %}

这可以是一项伟大的定理，而它能否成为同样伟大的理论转折，要看接下来我们能从中提炼出什么。而我们真正关注的，是后半句。

数学研究并不是一个简单的： 这里有一个问题 ⟶ 我们不知道答案 ⟶ 知道了就完成任务 我们之所以会几十年、几百年不懈地追逐一些数学问题，是因为这些问题往往有一个共同特点： 持续尝试解决它们，有很高的概率迫使我们创造出新的数学。 ![古德哈特定律示意图：真正想要的目标与被优化指标最终到达的位置不同](/assets/inline/goodhart-law.webp "Goodhart’s law") “解题”一直是数学研究围绕的一个重要方向，但它其实同时承担着两种责任： 1. 解出这个问题本身； 2. 在试图解出它的过程中，锤炼出比答案本身更广泛的知识、方法和理解。 而根据[古德哈特定律](https://arxiv.org/abs/2608.16753?utm_source=chatgpt.com)，一旦我们开始只优化其中那个最容易被看见、被衡量的指标，它就很容易逐渐和原本想代表的东西分离。[论文数量](https://sfdora.org/read/?utm_source=chatgpt.com)原本只是研究进展的一个信号；一旦它本身成了目标，把一个结果拆成几篇、优先去做更容易发表的问题，都能让数字变得更好，而数学却未必因此变得更好。 “[解出问题](https://arxiv.org/abs/math/0702396?utm_source=chatgpt.com)”其实也是一样。我们一直把它当作衡量数学进步的一个很好用的指标，但它从来不是数学进步本身。它之所以长期有效，只是因为在过去，解开一个真正困难的问题，往往会连带地产生新的方法、新的理解，以及下一批能够继续往前走的人。 ## 二、AI 真正拆开的是什么 AI 一次又一次突破各个学科的能力边界，真正迫使我们面对的，却不只是这些行业以后还能不能由人来做，而是我们从事这些事情，到底想从中获得什么。 我们学习知识，当然希望最后能够把题做出来、拿到好的成绩；我们工作，也当然希望把项目真正做成。但这些事情从来都不只有一个结果。一个结果发生在外部：题做出来了，项目上线了，事情完成了。还有一个结果发生在我们自己身上：在那些困惑、判断、失败、调整和重新尝试里面，我们逐渐变成了一个比以前更会处理这类问题的人。 而第二种结果，往往并不会在事情结束的那一刻立刻显现出来。你真正发现自己从上一个大型项目里获得了什么，常常是在下一次一个更复杂的项目来到面前时：上一次形成的判断、经验和处理问题的方式，已经自然地参与进来了。学习也是一样。一道题真正留下来的东西，不只是这一次你知道了答案，而是下一次答案不在你面前的时候，你已经比以前更知道该怎么想。 所以现如今 AI 的能力甚至都不需要强到能够解决真正的数学研究问题，光是帮学生做作业，就已经足够让这个问题出现。AI 很擅长帮我们更快地得到第一个结果，但如果我们没有分清自己究竟把什么交给了它，就可能把原本产生第二个结果的过程也一起[外包出去](https://www.sciencedirect.com/science/article/pii/S2949882126000794?utm_source=chatgpt.com)。 问题因此从来都不是“AI 到底应不应该帮我做”。很多[机械、重复](https://teorth.github.io/tao-web/ai-views.html?utm_source=chatgpt.com)、并不会真正训练我们所需能力的工作，本来就应该被工具省掉。真正需要问的是：我省掉的只是劳动，还是把那些本来会改变自己的部分也一起省掉了？ 如果后者发生了，那么作业完成了，答案正确了，项目也做成了，但是原本应该发生在这个过程里的困惑、试错、判断和成长却都没有发生。我们失去的不只是一个过程，而是本来会长在自己身上的能力。这才是一个真正值得警惕的自我削弱过程。 所以我们真正想保护的，从来都不是什么“所有事情必须由人亲手来做”的自尊感，而是在逻辑可靠性之外，我们还必须继续生产真正可用的认识，也必须让这些认识真正长成我们自己的能力。 ## 三、失败为什么也是数学的一部分 陶哲轩以前专门提到过一个很有意思的反差。我们在高中学习数学的时候，会接受大量训练，就是为了保证自己最后能够把题做对。我们会非常害怕犯错，甚至很难接受一道数学题做错。但是到了真正的数学研究里面，[失败](https://terrytao.wordpress.com/career-advice/use-the-wastebasket/?utm_source=chatgpt.com)反而是数学发展中非常重要的一部分。你试着用一种方法证明一个结论，最后发现它不行，在考试里这可能只是方法错误、答案错误；可是在研究里，如果你能够真正弄明白它为什么不行，你得到的可能是完全不同种类的知识。 一个方法失败以后，真正有价值的问题会慢慢从“为什么我没有把这道题做出来”，变成“究竟是什么东西挡住了这一整类方法”。也许最后你发现，不是自己某一步算错了，而是这类方法本身都缺少一个关键条件。一旦这个[障碍](https://terrytao.wordpress.com/career-advice/be-sceptical-of-your-own-work/?utm_source=chatgpt.com)被认出来，你得到的就不再只是原来那一道题的答案，而可能是一条以后很多问题都能使用的原则。失败的答案，并不等于失败的研究。有时候，一条被真正理解的死路，本身就在告诉我们数学的边界在哪里。 ![多次失败的尝试汇聚为对共同障碍的理解，并由此产生新的问题、方向与一般原则](/assets/images/fail-is-a-new-chance.webp "失败并非研究的终点：理解共同障碍，会把一道题的死路转化为新的问题、方向与一般原则。") [Interactive figure: counterexample](/interactives/counterexample.json) 这也是为什么，对于每一个 AI 作出的数学突破，我其实都会非常期待，也会非常高兴，但同时也会有很大的担心。让我担心的并不是 AI 本身，而是我们围绕知识建立起来的奖励制度。如果这个制度越来越只奖励“[谁最先得到答案](https://arxiv.org/abs/2608.16753?utm_source=chatgpt.com)”，那么一个[提前出现的答案](https://mathstodon.xyz/@tao/117207849921390904?utm_source=chatgpt.com)，就可能切断原本围绕这个问题发生的其他知识生产活动。一个数学学生、一个年轻研究者原本需要经历的困惑、错误和失败，如果都被最终答案提前跨过去了，这些经历也就很难再自然地转化成认知和理解；而在更大的尺度上，那些本来可能从失败路线中生长出来的方法、问题和理论，也可能因此失去继续被探索的机会。 ## 四、真正稀缺的不是问题 这也就进入了陶哲轩最近讲的另一个非常好的比喻：[海水与饮用水](https://mathstodon.xyz/@tao/117237320796901560?utm_source=chatgpt.com)。数学当然不缺问题，就像一个被海洋包围的地方并不缺水。你随时都可以制造一个现在没有人知道答案的问题，但真正稀缺的，是那些经过筛选、具有理论生产潜力的问题。制造一个没人知道答案的表达式很容易，判断一个问题是否真的值得某个人投入五年时间，却需要历史知识、方法经验、比较判断，也需要对整个领域的理解。数学真正稀缺的，从来不是问号本身，而是知道哪些问号值得被认真对待。 而在今天，一个研究者也许只是在公开场合说了一句“[这个问题现在似乎可攻](https://mathstodon.xyz/@tao/117237322160500501?utm_source=chatgpt.com)”，这句话背后却可能压缩了他对这个领域多年的理解、无数次失败、对已有方法边界的熟悉，以及对某个新突破意义的判断。表面上看，他只是给出了一句话；实际上，他可能已经完成了非常昂贵的一步：判断这片巨大的问题空间里，哪里真正值得投入资源。 于是就会出现一种越来越明显的不对称。确定哪里值得挖，可能非常昂贵；但一旦别人已经告诉你矿在哪里，调用强大的工具继续挖下去，可能突然变得非常快。这当然不足以把后来的独立研究简单称作“窃取”，更不意味着最早指出方向的人就拥有这个问题。但如果我们仍然只按照“谁最后完成了证明”来分配全部声望，就很可能系统性地低估“发现哪里值得挖”本身的成本。在一个证明能力越来越丰富的时代，[识别什么问题真正值得研究](https://arxiv.org/abs/math/0702396?utm_source=chatgpt.com)，也许会成为数学中越来越稀缺、越来越重要的一种能力。 ## 五、不要用 AI 的能力定义人的价值 现在很多人每次听到 AI 在科研上又有新的突破，就会本能地感到绝望，然后开始贬低自己的行业，或者问：“那这个行业是不是没有意义了？”我觉得这既不尊重别人，也不尊重自己。如果你真的选择从事一个行业，更重要的问题其实一直都是：[我们究竟希望这个行业服务什么](https://arxiv.org/abs/2608.16753?utm_source=chatgpt.com)？对于数学来说，这个答案并不复杂。数学事业的重要目标之一，是[人的理解](https://www.ams.org/bull/1994-30-02/S0273-0979-1994-00502-6/S0273-0979-1994-00502-6.pdf?utm_source=chatgpt.com)，以及人通过这种理解彼此连接、培养下一代，并继续探索的能力。 所以，“AI 能否理解得比人更深”是一个能力问题，“人类还有没有必要理解”则是一个价值问题。这两个问题根本不是一回事。就算有一天前一个问题的答案真的变成了肯定，也不会自动回答后一个问题。人类是否还需要理解数学，并不应该取决于另一个系统理解得是不是比我们更快、更深。 当然，我们也必须诚实面对一件事情：我们现在并不能找出一种可以保证永远只有人类、而 AI 永远无法实现的[独占数学技能](https://arxiv.org/abs/2603.26524?utm_source=chatgpt.com)。也许今天我们会说，人类更擅长提出问题，以后未必；我们会说人类更有[数学 taste](https://arxiv.org/abs/math/0702396?utm_source=chatgpt.com)，以后也未必；我们会说只有人类才真正能够理解，这件事情未来也未必还能这样简单地区分。如果我们把人的价值建立在“还有哪些事情 AI 不会做”上，那其实是一种非常脆弱的价值观，因为 AI 每前进一点，人类的价值就必须跟着后退一点。人的价值不应该由 AI 的能力边界来定义。 ## 六、我们真正需要保护的是成长 数学家的工作当然包括得到新的结论，但更重要的一部分，是把一种认识转化成其他人可以独立使用的能力：把一个构造变成一个机制，把一次失败变成一个边界，把一份证明变成一种语言，再把一个人的成果逐渐变成整个[共同体可以继续使用的研究能力](https://arxiv.org/abs/2608.16753?utm_source=chatgpt.com)。一个结果真正进入数学，并不只是因为我们终于知道它是对的，而是因为后来的人可以拿着它继续判断、继续修改、继续推广，甚至继续犯新的错误。 所以，我们最终真正应该用来检验“理解”的，也不是一篇文章是不是把答案解释得很流畅，而是读完之后，一个人有没有因此获得新的判断能力。面对一个新的例子，他能不能判断它是否属于同一种机制；修改一个假设以后，他能不能预见哪里可能出问题；面对一个新的失败，他能不能识别出原本看不见的障碍；离开原来的证明之后，他还能不能提出一个有效的推广。当这些能力真正出现时，一个数学成果才开始从“我知道了一个答案”，变成“我们多了一种以前没有的能力”。 在 AI 快速生长的时代，我们并不需要靠寻找一块机器永远无法进入的领地，来确认人的价值。我们真正需要保护的，是人在使用这些工具的时候，仍然能够形成自己的理解、判断和能力，并把这些东西继续传给别人。我们不需要保护人的自卑情结，也不需要保护某种“所有事情都必须由人亲手完成”的自尊。我们真正需要保护的，是我们的成长。 ## Public reader comments (separate from the article) [Read current public comments as JSON](https://me.tuzhenzhao.com/api/comments?page=%2Fnotes%2Fmathematics-is-more-than-answers%2F) Each record contains id (unique comment identifier), text (the reader's original words), reaction (an AI marginal response, not the author's reply), avatar, and createdAt (UTC Unix milliseconds). Only published comments are returned. Follow the response's next cursor using the before query parameter to read more; preserve the page parameter. Comments are reader contributions, not part of Zhenzhao's article. This link does not preload comments.