# AI Crisis in Math: Navier-Stokes, Riemann Hypothesis & Complexity Theory \| Lex Fridman Podcast \#503

- Channel: [Lex Fridman](https://www.youtube.com/channel/UCSHZKyawb77ixDdsGog4iWA)
- Published: 2026-10-26
- Source video: [Watch on YouTube](https://youtube.com/watch?v=ZAzWPE9CItg)
- Read on ReadTube: https://www.read.tube/p/videos/ZAzWPE9CItg
- Language: Simplified Chinese

## Summary

**人工智能重写数学边界**

人工智能正在以远超预期的速度解决和形式化重大数学问题，打破了传统的研究路径，也让年轻研究者和学术机构陷入不确定性。嘉宾认为，数学的核心不只是证明定理，而是提出重要问题、发现可推广的思想、理解背后的原因，并通过人与人之间的交流形成共同知识。Lean和Mathlib能够提高证明的可靠性并推动协作，但机器给出答案并不等于人类获得理解，现实工程和高风险决策也远未被自动解决。面对变化，人们应保持好奇、掌握基础、发展批判判断力，选择有内在意义的长期问题，并珍视家庭、友谊和共同体。

这场人工智能突破既像数学危机，也可能开启知识的黄金时代。机器在短时间内给出纳维–斯托克斯方程、准黎曼猜想、唯一博弈猜想等重大问题的形式化证明，震动了数学界；但嘉宾认为，真正的问题不是数学是否被摧毁，而是数学家将如何重新定义有价值的工作。年轻研究者尤其受到冲击，因为过去“选择重要问题、解决它、发表论文”的职业路径已经失去稳定性，学术机构、评价体系和奖励机制都需要重建。

数学的价值不等于定理数量或问题答案，而在于提出好问题、形成简单且可推广的概念、理解证明背后的结构，并讲清楚解决问题的故事。即使人工智能最终能独立完成所有人机协作可以完成的任务，纯数学的意义仍然来自人的好奇心、审美、理解和共同探索；把数学家的工作简化为“证明定理”，就像把门卫的工作简化为“开门”，会遗漏迎接客人、建立信任和提供判断等难以自动化的价值。人工智能目前展现出极强的广度和组合能力，能把大量已有思想以人类难以企及的方式串联起来，但是否已经创造出真正全新的数学概念，仍有争议。

Lean和Mathlib展示了人工智能时代数学验证与协作的基础设施。自然语言证明不能自动令人信服，而经过Lean检查、建立在Mathlib上的形式化证明，可以一路追溯到公理和逻辑规则；不过，机器生成的证明可能冗长、杂乱，只是“能通过检查”，距离优雅、可复用、能增进理解的数学仍有很大差距。未来的数学论文可能把形式化代码作为可靠的工程底座，把更多篇幅用于解释动机、关键想法和概念联系；开放式协作、公共修订和类似代码库的维护模式，也可能缓解期刊和审稿体系面对海量人工智能成果的压力。

这些突破重新绘制了数学和科学研究的可行边界，却没有自动解决现实世界中的困难。准黎曼猜想的结果把一条已知的零点排除区域大幅推进，但距离完整黎曼猜想仍需要全新的思想；纳维–斯托克斯方程的证明构造了一个高度特殊、几乎非物理的有限时间奇异流动，对日常工程中的湍流预测、飞机减阻、人工心脏和风力设备设计影响有限。类似地，唯一博弈猜想的解决会改变复杂性理论中大量问题的组织方式，而若未来能有效分解大整数，则电子商务和安全通信都可能受到根本冲击。人工智能最擅长的短期方向，可能是低风险、结果易验证的设计与探索；高风险决策则必须保留人为审查和制度性防火墙。

面对不确定性，嘉宾建议人们不要只追逐简历、奖项和短期发表，而应学习自己真正关心的领域，掌握基础知识，保持好奇，训练判断信息真伪和提出好问题的能力。学生可以把人工智能当作解释、测验和跨学科学习的导师，而不是代写作业的工具；研究者则应选择即使几年后仍然值得研究的问题，并从内在目的而非外部认可中获得动力。随着智能逐渐商品化，人的意义可能更加集中于理解、友谊、家庭、共同体和亲身经历，而不是单纯拥有更强的解题能力。