哲学随笔11#

18 August 2026

它学得会写下来的:书不尽言,言不尽意

书不尽言,言不尽意。 ——《周易·系辞上》

这几年我这个系列写的,翻来覆去其实是同一句话:“它不懂。”我拿康德那句“无直观则概念空”当过好几次锤子,敲得挺顺手。直到今年五月,我读到一条消息,头一回觉得那把锤子的柄上,好像有了裂纹。

五月二十号,OpenAI 说他们内部的一个模型,把“单位距离猜想”给推翻了。

这个猜想说的是:平面上摆 n 个点,最多能有多少对点,距离恰好是 1?将近八十年前由 Erdős 提出,此后学界的共识是——“大致就是 n 个,多出来的那点可以忽略”。然后那个模型给了一族无穷多个例子,把“可以忽略的那点”顶成了多项式级别的一大截;不是擦个边,是推翻。核心想法和证明初稿由一批外部数学家核验、补充、写成论文,之后还有人在它的技术上做出了更显式的版本1。

同一个月,DeepMind 的 AlphaProof Nexus 解掉了 9 个悬而未决的 Erdős 问题,还证明了 492 个公开的 OEIS 猜想里的 44 个;审稿人给的评语是“genuinely sophisticated”。紧接着 Epoch AI 拿各种大模型把同一批猜想过了一遍,又解决了一百多个2。

到七月,陶哲轩写了一篇东西。他说,一个多世纪以来,学界头一回面对这样严峻的局面,而且只有短短几个月来应对;同行们得携起手来,重新定义“数学家该做什么、怎么做,以及所做之事的意义”。他在文中用了一个“工作假设”——假定 AI 工具在不远的将来,能以可接受的成本、质量和监督强度,完成相当一部分研究级的数学工作——然后从这个假设往下推3。

我得承认,这是这半年里唯一真正把我那句话顶到墙角的事。

原因不在于它的成绩单,而在于它挑的地方。数学恰恰是最不需要感官的那门学问——没有手感,没有重量,没有一个数学对象需要你去闻一闻。我原来那句“无直观则概念空”,在过去总能站得住,是因为它总能指着那些非靠身体长不出来不可的东西说话:颜色、疼、一只锤子的顺手4。可到了数学这里,我这根锤子没地方落。

而且陶哲轩点出来的那条优势,比我预想的更扎人。他说,AI 没有先入之见。

这话得解释一下,因为它听上去像句好话。数学家群体是会形成集体偏见的:所有人都觉得某个问题的答案是“正的”,就没有人认真去看反面。AI 不带这个包袱,所以它敢往反方向走,偶尔还能给出出人意料的简单解法3。

其实,它是一句反着说的话。

先入之见是从哪儿来的?从活在世界里来。一个人为什么会有“这个方向不可能”的直觉?因为他见过足够多的东西、摔过足够多的跤、跟足够多的人较过劲——那些经验沉下来,长成了一种不经过推理的判断。我们管它叫直觉,也叫偏见;它其实是同一个东西的两面。人会被共识困住,是因为人在共识里活了很久。

所以它赢下的这一条,恰恰是它不在世。它的“没有偏见”不是因为它看得更清楚,而是因为它没有立场可失——它不怕推翻共识,因为它从来不在任何一个共识里。

还有一层,我想得越久越觉得清楚:数学之所以最先被攻下,是因为它是我们人类手里,唯一能把“懂”完整写下来的领域。而“能写下来”这四个字底下,还压着三条很实际的东西。

第一条:在这个领域里,“对不对”是可以机械检查的。 一个证明摆在那儿,要判断它成不成立,并不需要谁真的去“懂”它——只要一行一行地核对:这一步推理合不合规则,用到的定理是不是已经证过的。近几十年甚至有一套专门的形式化语言(Lean 这类),把整篇证明写成机器能逐行验的文本。于是就有了一个极不对称的局面:找一个证明极难,验一个证明极便宜。难的那一头,要“看见”方向;便宜的那一头,只要肯照章办事、不嫌麻烦。而机器最擅长的,恰恰就是不知疲倦地做便宜的那一头。

第二条:它可以试,而且试得不瞎。 一个预训练过的大模型,肚子里装着人类攒了几千年的数学文本——教科书、论文、习题解答、定理库。这些东西压进权重之后,形成了一个巨大的“下一步大概该写什么”的先验。它说不清为什么这一步看着对,可它在统计上闻得出来。所以它的搜索不是盲搜,是带着一份人类数学直觉的统计副本在搜;再加上推理时可以让它多想一会儿、并排多试几条路,再用上面那个几乎免费的验证器把错的筛掉——难的那一头,就被它用“广撒网、快证伪”给顶下来了。

第三条:数学是少数能自动给机器打分的领域。 证明对不对,形式检查器说了算;答案对不对,一算便知。这几年的训练里有一种做法就是吃这个饭的:不请人打分,让模型自己出题、自己做、自己判,对得多就长本事。数学恰好是这类训练最不缺奖励信号的地方——别的领域要找人当裁判,数学自带一个。

这么一摆,它的优势就清楚了:不怕丢脸、不会厌倦、能同时试几千条路,而且每试一次都马上知道自己错没错。 人类数学家的慢,有很大一部分是慢在“要活成一个有品味的人”上;它不需要品味,它只需要一个能判对错的裁判——而数学刚好自带一个。

凡是能被写成这个样子的,它就能做。这几年我越来越觉得,机器拿得下的,永远是能被表征的那一层5;而数学,恰好是我们表征得最干净的一块地。

写到这儿我得停一下,因为很容易滑到一句便宜的结论上去——“那它做的还算不算数学?”——我不想这么问。它给出的那个反例族,人类数学家核验了,还愿意在它的技术上接着往下做。这不是“像数学”,这就是数学。我要还嘴硬说“这不算懂”,那我不是在判断,我是在改判定规则。

那还剩什么?我想起《系辞》里那两句:“书不尽言,言不尽意。”

写下来的,装不满说出来的;说出来的,又装不满心里那个意思。三层,一层比一层浅——而它能接住的,只有最外面那一层“书”:形式、符号、一步接一步的规则。

这半年被它拿走的,正是这一层——而且拿得比我原先以为的多得多。它不光读得懂“书”,还能自己写“书”:一个证明,说到底就是一份写得规规矩矩的书。可再往里,“言”那一层呢——为什么要这样证,这一步为什么值得走;再往里,“意”那一层——哪个问题值得做,哪条路看起来是对的,哪一个证明算漂亮。这些从来没有被完整地写下来过,所以也就没有东西可以交给它。

我原来以为,“意”是我们守得住的那样东西。现在我不敢把话说满了:今年它推翻的,就是八十年前大家都以为“应该是对的”的那个共识;那么今天还留在“意”这一层里的哪一条,明天被谁写成“言”、再写成“书”,最后教给它,我一点也不会奇怪。

我敢说的只剩一句:“书”是可以写的;“言”和“意”,我们至今不知道怎么交给一个只拿得到“书”的东西。而它每攻下一块地,那块地在被攻下之前,我们都以为它是“说不清、也写不下来”的那一种。

后记:写这一篇的心情跟我前段时间的几篇时不太一样。前几篇我是在拆别人的说法,这一篇更像是在收自己的话。写完再看,我发现自己把“它不懂”这句话缩小了一圈:它懂的范围,比我以前愿意承认的要大,而且这个范围还在往外长。我唯一还站得住的,是康德那半句——它拿走的都是“概念”,而“直观”那一半,它至今没有一个入口。可如今这话说出来,比三年前虚多了。

  1. OpenAI 于 2026-05-20 公布其内部模型推翻了“单位距离猜想”(Erdős,1946):模型给出核心想法与证明初稿,一批外部数学家随后核验、修订并发表,Will Sawin 等人又在其技术上给出了更显式的版本。完整论证见随后发表的《Remarks on the disproof of the unit distance conjecture》。 ↩

  2. Google DeepMind 的 AlphaProof Nexus(2026-05)解出 9 个悬而未决的 Erdős 问题,并证明了 492 个已形式化的 OEIS 猜想中的 44 个;此后 Epoch AI 用多个大模型在这一批猜想上又解决(或推翻)了 147 个。 ↩

  3. 陶哲轩《人工智能时代的数学》(2026-07)。文中的“工作假设”,以及“AI 没有先入之见”的观察,均出自该文。 ↩ ↩2

  4. 康德“无直观则概念空,无概念则直观盲”,我是在《概念这回事:一只叫“狗”的词引发的官司》里借塞拉斯那三步细讲过的。 ↩

  5. “能被表征的,机器就能做”——这条分水岭,见《知几而神生:得之于手而应于心》。 ↩


Fork me on GitHub