【新智元导读】陶哲轩沉磅预言：AI终将成为「数学界的AlphaGo」。未来，AI将不再只是工具，而是冲击菲尔兹奖的选手！这一次，他描述了AI冲击菲尔兹奖的路线图。 若是只是用AI来天生某个辅助推算，已经在产生中。但若是是像「菲尔兹奖」这样的顶尖成就，AI参加并被视为关键贡献者，那可能还必要一段功夫。 物理学家有个妄想，但愿AI能发现新的物理定律。理论上把所有尝试数据喂进去，它能找到我们以前没把稳到的模式。但现有AI甚至在从数据中发现已知定律方面，也还很吃力�；蛘咚�，若是它能做出这些成就，人们也会疑惑是否只是由于在训练数据中某处隐含地提到过某条定律。 数学家只纪录了被证了然的器材，或是最终被验证的猜测，或是被反例颠覆的。但没有纪录那些被提出、看起来有点路理，但后来人们迅速意识到不合、并将其建改的猜测。 从前数学合作只能靠邮件和手稿，但此刻数学家能够像法式员那样在GitHub上合作，一路构建巨大的数学「代码库」。这将会扭转整个数学钻研的方式，就像LaTeX扭转了数学写作一样。 Lean工具和AI自动补全不休进取，从最初大局化证明必要原来的十倍功夫，到此刻也许是七倍、六倍，总有一天会跌破一倍。当大局化证明更高效、可合作，甚至更靠得住时，天然就会成为主流。 AI目前最大的短板是它不知路自己什么时辰走错了路。它可能会说：「我要解决这个问题，我把它分成两种情况，用这个步骤试试。」 好比AlphaZero在围棋和国际象棋上的进取，某种水平上是由于它造就了一种对棋局的「嗅觉」：这个局面白方占优，那个局面黑方占优。 若是AI能造就出对证明战术可行性的「嗅觉」，好比「我把问题分成两个子工作，这两个子工作看起来比原问题单一，并且有很大机遇是对的，这条路值得试。」 或者「不能，你把问题搞得更复杂了，两个子问题比原问题还难。」——这其实是常有的事，随机尝试通�；岚盐侍獗涓丛�，简化问题反而很难。 手写证明比大局化快10倍。但现代AI工具和更好的开发环境（像Lean的开发者做得很好，职能越来越多，越来越敦睦），将功夫从10倍降到9倍、8倍、7倍…，有一天会降到1倍。 忽然间，写论文吓酌Lean大局化，或者边和AI对话边天生证明，会变得天然。期刊可能会接受这种大局，甚至加快审稿。若是论文已经用Lean大局化，审稿人只必要评价了局的沉要性和文件联系，不用太不安正确性。 现实上，解决任何合理数学问题的步骤是：若是有10个让你头疼的难点，把9个难点关掉，只保留一个，而后解决它。你就像用了9个舞弊码，问题就简化了。 有时人们过于关注实现那个项目最后一步的人，无论是数学还是其他领域，但这些成就现实上是几十年甚至几个世纪、成立在无数前人为作基础之上的。