黑白田野上散落着排列规律的圆形草垛，画面简洁几何感强

一个老命题被换掉了前提

陶哲轩（Terence Tao）在 2026 年 10 月加州理工的报告《Math 2.0》里，把数学史切成两段。传统数学（「数学 1.0」）建立在证明稀缺的前提上：解出并证明一个开放问题很难、很罕见，需要长期专业训练。他强调，数学界的机构、传统与激励，大都是围着这个稀缺假设搭起来的。而现在前提变了——他称之为「证明过剩」的时代。

为什么偏偏是数学被打得最狠

报告给了三个属性。一是客观可验证：数学家可能对哪类问题有意思吵个不停，但对「什么算一个正确完整的证明」有共识，甚至能用 Lean 这类证明助手让机器直接检查。二是高度可数字化：证明不需要物理载体，不需要真实世界的数据做输入，也不需要实验验证输出。三是大规模高质量数据。三者叠加，让数学成为最适合当下机器学习技术的任务之一，前沿实验室因此把数学解题能力排在别的应用之前。陶哲轩由此说 AI 能力是「锯齿状」的：可验证方向上惊人，在主观、依赖真实世界交互、数据稀缺的方向上远远不够。

被忽略的偏差，和被错置的目标

报告有一页专讲报告偏差：社交媒体上刷到的全是「AI 又解了一道难题」，没人报道失败的尝试，外界于是以为数学界已全线沦陷。他的判断是当前数学前沿的绝大多数问题依然没被解决。他呼吁更透明、更科学的评估，如实披露资源消耗和负面结果。接着是全文最有分量的一处：解题虽然是研究数学最显眼的目标，却只是更有价值长期目标的一个代理指标（proxy），在证明稀缺的年代大体准确，到证明过剩的年代已经错位，继续盲目优化解题对数学的长期健康有害。他用「灯塔」打比方：开放问题不是终点，而是指引人探索周围地形的灯塔；被自动化工具过早抵达灯塔，反而让「没走的那条路」无人问津。

他举的 Math 2.0 用法，和一次思想实验

新的实验数学已经出现：Equational Theories Project（2024–2025）用众包加自动化判定处理了 2200 多万条泛代数里的真 / 假命题；2026 年的 Inverse Galois Problem 挑战赛，第一阶段找出 24 次多项式对应的全部 25000 个伽罗瓦群。他列的 AI 用法也很不一样：做开放式阐述问题、把论文整理成可实时更新的活网络、建 Mathlib 那样的形式化库、用 AI 找新的原理与方法而不仅是新证明。他还留了个思想实验：让 AI 找能通过三期临床的癌症疗法，它给出前所未见的化学组合、附上 Lean 证书、还真通过了试验——在给自己注射之前，你会不会希望至少有一位人类专家、哪怕部分地理解背后机制？报告最后一句是：实现 Math 2.0 的主要瓶颈不是技术，而是想象力。

对做企业数字化、小团队的实际启发

「三个属性」可以当选 AI 场景的筛子：任务是否可客观验证、是否可数字化、是否有足够高质量数据。三条都占的（代码测试、单据核对、结构化比对、规则审查）大胆交给 AI，同时把验收写成能自动跑的检查；只占一条或都不占的（客户判断、现场协调、组织里的隐性知识）别指望模型替你收尾。另外，报告偏差要主动纠偏：给客户做方案时别拿「AI 又搞定一个」的案例当论据，要拿自己场景的失败率说话。让 AI 加速到达，而不是替你理解。