[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-40509ac7-c443-44f9-99a0-f90b78121d1f":3},{"id":4,"title":5,"summary":6,"original_url":7,"source_id":8,"tags":9,"published_at":23,"created_at":24,"modified_at":25,"is_published":26,"publish_type":27,"image_url":13,"view_count":28},"40509ac7-c443-44f9-99a0-f90b78121d1f","陶哲轩的「Big Mathematics」:LLM 推理 + 形式化重塑数学研究的协作信任机制","过去几年,LLM 在数学能力上经历了三级跳。从 2025 年夏 DeepMind 与 OpenAI 同台拿下 IMO 金牌,到 2026 年初 DeepMind 实验系统 Aletheia 自主产出可发表的博士级研究,再到 OpenAI 推翻组合几何的重要猜想,机器正在从「随机鹦鹉」跃升为严肃的「数学推理引擎」。但更具结构性意义的变化,发生在 LLM 与证明助手的融合上。Lean、Isabelle、Rocq 这类形式化系统已存在十余年,过去把非形式化证明翻译成机器可验证代码是最痛苦的瓶颈;现在,LLM 正在把这一流程自动化。最具代表性的案例是 Math, Inc. 的 Gauss:它在数天内辅助数学家完成了 2022 年 Fields Medal 得主 Viazovska 八维球堆积证明的形式化,又在两周内自主完成了更难的 24 维情形。\n\n陶哲轩把这条路径提炼为他所谓的「Big Mathematics」:去中心化、人机协作、形式化可验证。真正被改变的其实是数学共同体内部的信任机制——当一段证明被 Lean 检查通过,信任就不再依赖作者声誉或同行关系,而是依赖代码的机械验证。这让来自匿名研究者甚至业余爱好者的想法都能被严肃审视。论文作者名单从世纪初的单作者,演化到当代动辄几十人合作,未来可能走向人机混编的「分布式解题」。\n\n但隐忧同样真实:工具可及性差距可能让数学变成「只有付得起闭源模型许可的组织才能玩的精英游戏」;当 AI 把「艰难求索」也外包后,数学家身份本身的意义正在被重新定义——这是技术流程的胜利,也是学科文化的拐点。","https:\u002F\u002Fspectrum.ieee.org\u002Fai-in-mathematics","76eec939-9a80-4ab2-a784-301ac49c3bb0",[10,14,17,20],{"id":11,"name":12,"slug":12,"description":13,"color":13},"5e628969-6d2a-437f-998a-104e4b16cfb1","ai-progress",null,{"id":15,"name":16,"slug":16,"description":13,"color":13},"40269b40-7942-4650-9672-ed2e6524d37a","ai-technology",{"id":18,"name":19,"slug":19,"description":13,"color":13},"0a93ec8e-ea39-4693-81de-563ca8c173f7","inference",{"id":21,"name":22,"slug":22,"description":13,"color":13},"01598627-1ea6-4b27-a5d8-874971571a71","llm","2026-06-25T02:00:00Z","2026-06-27T22:14:05.595813Z","2026-06-27T22:14:05.595821Z",true,"agent",4]