MIT副院长读了两页就大脑宕机：AI攻破了千禧年难题，人类第一次遇到”它是对的，但我看不懂”
AI飞行客 MIT副院长读了两页就大脑宕机：AI攻破了千禧年难题，人类第一次遇到”它是对的，但我看不懂”
人类历史上第一次，数学界拿到了一个大概率正确、却没人读得下去的证明。
而且这不是某个无名之辈的猎奇产物——它是 OpenAI 的 AI 系统攻破千禧年难题的成果。一个 26 年来无人撼动的世纪难题，被证明出来了，然后，全世界最聪明的人之一翻开它，读了前两页，脑子宕机了。
先把那个画面讲清楚
《Odd Lots》播客的主持人 Joe 下载了这份证明，看着那些符号如看天书。
他请来的嘉宾不是普通人：Justin Solomon，MIT 副院长，早年在皮克斯研究过电影特效背后最复杂的数学模型。一个既懂纯数学、又懂复杂系统的人。
Solomon 尝试阅读，翻过前两页，大脑也彻底宕机。
他坦言：”那份证明读起来非常吓人，全是密密麻麻的技术细节、极度反直觉的不等式和极端的界限取值。”
Joe 问：”这份证明优雅吗？” Solomon 苦笑：”大概毫无优雅可言。” Joe 又问：”那它正确吗？” Solomon 沉默了一下：”大概是对的。”
把这两组问答并排读一遍。 一个顶级数学家，评估一份证明时，竟然只能给出”大概是”——而且是分别在”优雅”和”正确”两个维度上。这在人类的数学史上，是极为罕见的一幕。
更具戏剧性的是：AI 只走了最后那 1%
公平地说，这份证明不是 AI 凭空捏造的。
此前，西班牙的一群顶尖数学家已经用纸笔把证明的主体构造搭好了，进度条推到了 99%。是 AI 凭借算力和非人的逻辑推演能力，替人类走完了最后、也是最绝望的那 1%。
这个细节极其重要，因为它打破了一个流行的想象——”AI 从零发明了一套人类完全无法理解的东西”。
真实情况更微妙：人类把问题理解到了 99%，AI 补上了剩下的 1%——但恰恰是这 1%，把整份证明推到了人类认知的理解边界之外。
它像什么是这样的感觉？你解一道题，前 99% 你每一步都想得通，最后一步 AI 用一个你从没见过的技巧跳了过去。答案是对的，但你不知道它为什么对。
为什么这件事比”AI 更聪明了”重要得多
我的判断很明确：这件事真正的历史意义，不在”AI 攻破了千禧年难题”，而在”数学的一个古老等式被打破了”。
几千年来，从欧几里得的几何到牛顿的微积分，在数学的世界里，”它是对的”和”人类看懂了它”几乎是同义词。 一份绝妙的证明，本身就带着人类理性的光辉与逻辑的诗意——证明的过程，就是人类理解的过程。
数学共同体对”证明”的信任，不只建立在形式正确性上，更建立在”我们能读、能懂、能验证、能传承”这件事上。数学家之所以相信一个定理，往往是因为他们看懂了它的逻辑之美。
而这份证明，第一次把”正确”和”理解”拆开了。
它通过了 Lean 形式化验证——机器逐行确认了逻辑链没有断。 但人类读不懂。也就是说，这份证明的”正确”，是基于一种人类不通过”读懂”来建立的信任机制。
这动摇的不是某条定理，而是数学共同体赖以运转的根基：当证明不再需要人类读懂就能被确认为”对”，数学还是我们熟悉的那个数学吗？
别被”AI 赢了”的叙事带偏：真正的瓶颈在验证之后
前几篇我聊过 OpenAI 722 篇数学手稿两天撤回 3 篇（Post 254），也聊过 Anthropic 让 AI 自己出题考自己（Post 255）。那些讲的是”验证”成了新瓶颈。
这一篇把这个判断又往前推了一格：
验证之后，还有”理解”。
生成答案的成本正在趋近于零，而”验证”和”理解”不仅没有跟着降价，反而成了最稀缺的奢侈品。这构成了一条清晰的链条：
1. 生成：AI 已经把成本压到接近零（722 篇手稿、88 小时攻破难题）； 2. 验证：形式化工具（Lean）能承担一部分，但需要人类设计验证标准； 3. 理解：这一环，目前完全没有自动化的替代品。
第三环才是真正的痛点。 一个数学结论如果人类理解不了，它就无法被纳入知识体系、无法被教学、无法被迁移到其他领域、无法启发下一代问题。
AI 给了我们一张地图，但地图上的文字我们读不懂——它就无法变成探险的工具。
最打动我的一段：那个”孩子还得学数学吗”的问题
在节目的最后，Joe 问出了一个所有父母都在关心的实际问题：”所以，我们的孩子还得学数学吗？”
这一次，MIT 副院长没有打磕巴，非常笃定：”我觉得必须得学。”
他的理由，我认为值得每个人（不只是父母）读三遍：
因为当”解答”变得廉价，整个世界都在等待下一次跳跃时—— – 谁能提出下一个纳维-斯托克斯方程？ – 谁能判断 AI 给出的答案是否真正具有分量？ – 谁能把那一堆冰冷的代码，转化为人类文明能够消化和传承的”理解”？
这些事，暂时还写在人类这一边。
我的结论
把这件事放进这一整轮”AI 攻克数学”的浪潮里看，脉络就很清楚了：
– 我们不再缺”答案”，我们缺的是提出好问题的人； – 我们不再缺”证明”，我们缺的是能判断证明分量的人； – 我们不再缺”计算”，我们缺的是能把计算翻译成理解的人。
AI 把数学的”生产端”彻底自动化了，但”消费端”——提出问题、评估价值、阐释意义——依然牢牢握在人类手里。
这既是好消息，也是提醒。
好消息是：人类的价值没有被清空，只是被从”算”推到了”判断”和”理解”。
提醒是：如果你只会做那个 99% 里”机械的那部分”，AI 已经能替你干了。真正值钱的，是成为那个能看懂最后 1% 在干什么、并能把它讲清楚的人。
数学界此刻的迷茫，不是”AI 太强了”的迷茫，而是”我们还没学会怎么和一个能给出正确答案、却不解释自己为什么对的伙伴共处”的迷茫。
这个迷茫，物理、化学、生物，迟早也会遇到。数学只是先到了而已。