“深刻的定理曾经稀缺而艰难，因此成为一种识别深刻思想的有效机制。AI已经打破了这个体系。”
内容提要
数学家Bryna Kra指出，AI大幅降低了生成复杂数学证明的成本，产出速度远超学界消化能力。她以研究近三十年的Nivat猜想为例，近期收到多篇疑似AI辅助的证明，作者却拒绝解释论证。她认为证明不仅关乎正确性，更承载理解与洞见，数学界需调整激励机制，重视验证、阐释与集体理解，而非仅奖励定理产出。
延伸解读
AI 如何改变数学证明的生产与评价
Bryna Kra 指出，AI 大幅降低了生成复杂数学证明的成本，使得产出速度远超学界消化能力。她以研究近三十年的 Nivat 猜想为例，近期收到多篇疑似 AI 辅助的证明，作者却拒绝解释论证。这导致传统以定理产出衡量成功的机制失效，因为证明不仅是正确性证书，更承载理解与洞见。数学界需调整激励机制，重视验证、阐释与集体理解。
Nivat 猜想：从局部模式到全局周期性的三十年探索
Nivat 猜想是组合数学与动力系统交叉领域的难题，描述无限网格着色中局部模式数量限制导致全局周期性的现象。Kra 与 Van Cyr 在 2012 年证明了模式数不超过窗口面积一半时的部分结果，而 Kari 和 Szabados 发展了代数方法。两种方法间的概念桥梁一直未被找到，但 AI 擅长综合不同方法，可能加速突破。
数学界的激励错位与改革方向
当前期刊、招聘和奖项体系仍奖励定理产出，但 AI 使定理生产不再稀缺。Kra 认为，同行评审已不堪重负，年轻研究者面临快速产出的压力，而深度反思和阐释缺乏回报。她建议期刊区分发现、证明、形式化和解释的贡献，将阐释视为重要成就，并重新调整激励以反映真正价值。
数学作为煤矿中的金丝雀：对其他领域的启示
Kra 将数学视为煤矿中的金丝雀，因为数学命题可被严格验证，AI 的冲击在此实时显现。她警告，当 AI 颠覆数学这类领域的标准时，科学、法律、公共政策和艺术等证据与解释更具争议的领域将面临更大挑战。机器生成数学不取代人类专长，反而揭示其价值，各领域需重新评估何为有价值。
Q&A
AI如何打破了数学界以定理产出衡量成功的体系？
AI大幅降低了生成复杂数学证明的成本，产出速度远超学界消化能力。过去深刻的定理稀缺而艰难，成为识别深刻思想的有效机制；现在AI能快速生成看似专业的证明，使定理不再稀缺，原有体系被打破。
Nivat猜想是什么？为什么它重要？
Nivat猜想是组合数学与动力系统交叉领域的一个问题：想象一个无限方格，每格染红或蓝，若固定大小的矩形窗口中出现的颜色模式数量不超过某个值，则整个染色在某个非零平移下重复（即周期性）。它重要是因为它连接了局部行为与全局周期性，且抵抗了数学家近三十年的努力。
Bryna Kra收到疑似AI辅助的证明后，为什么感到担忧？
她收到多篇声称证明Nivat猜想的论文，作者拒绝通过Zoom解释论证。她担忧的是：即使证明正确，若作者无法解释证明的机制、贡献和影响，就缺失了理解与洞见。证明不仅是正确性证书，更是故事、图片、洞见和解释，能改变我们思考的方式。
数学界应如何调整激励机制以应对AI带来的变化？
数学界需要重新调整激励机制，重视验证、阐释与集体理解，而非仅奖励定理产出。具体包括：期刊应区分并认可发现、证明、形式化和解释的角色；作者必须能解释证明的机制和思路；阐释应成为重大智力成就的重要组成部分。
AI在数学研究中可以扮演什么角色？
AI可以降低证明生成成本，快速组合不同技术，翻译符号，比较部分结果，尝试数千种组合而不气馁。它已是一个强大的数学工具，能帮助发现新联系。但人类 authorship 仍重要，包括智力责任、理解新概念、回答问题和将结果融入知识体系。
为什么说数学是煤矿中的金丝雀？
因为数学的论断可以被仔细检查，所以当AI破坏数学中久经考验的标准时，我们能实时目睹这种颠覆。这预示着其他证据和解释更具争议的领域（如科学、法律、公共政策和艺术）也将面临类似挑战，需要找到评估价值的新方法。
