问题：随着人工智能工具和形式化证明系统不断进步，数学研究出现了新的矛盾：结论更容易得到，但过程更难沉淀。陶哲轩指出，机器辅助证明往往能从假设迅速推到结果，却很少呈现探索路径、关键直觉以及失败尝试，难以满足传统期刊与同行评议对“可理解、可复查、可传承”的要求。结果是：证明可能没问题，但不容易被研究共同体真正吸收、传播和复用，新工具的能力与现有学术生态之间因此产生摩擦。 原因：矛盾的根源于，现有研究体系长期按人类思维方式搭建。期刊发表、学术会议、师徒训练、引用与声誉机制，好比为“步行者”设计的道路网络，强调循序推导、叙事表达和可教学性。人类证明速度慢，但这种慢会自然生成“学科地图”：哪些方法可复用、哪些结构值得抽象、哪些困难提示新方向。这些隐性收获本身就是数学进步的重要部分。如果只是把新技术硬套进旧格式，相当于让高速交通工具挤进狭窄街巷——看似兼容——实际会抬高协作成本，也可能继续助长对指标化成果的追逐。 影响：一上，新工具降低了想法生成与试探的门槛，研究者能更快检索文献、做计算实验、生成可视化并测试猜想，理论候选的数量明显增加。另一方面，“想法供给激增”并不会自动带来知识的“有效增长”，筛选、核验与整合的压力随之上升：同一问题可能冒出大量相互竞争的论证草案，而真正可靠且具解释力的结果，反而更依赖严密的验证链条和清晰的表达框架。如何信息过载中形成共同认可的质量标准，正在成为新的学术治理问题。 对策：陶哲轩用城市规划作类比，主张把重点从“让新工具迁就旧道路”转向“建设匹配的新基础设施”。第一，推动形式化证明工具在关键领域落地，用可机读的规则系统验证复杂命题，提高可靠性与可复查性。第二，探索建立自动生成的初步证明与引理库，由研究者在此基础上做结构化整理、解释性写作与理论提升，形成“机器搭骨架、人类补血肉”的协作模式。第三，在评价与传播环节，研究共同体需要发展新的发布形态与审稿重点：不仅看最终结论，也重视可复用的证明模块、可追踪的推理记录、可验证的代码与数据，把“可理解”和“可验证”同时纳入学术成果标准。第四，培养跨学科能力，让研究者既能进行数学表达，也能掌握形式化语言与验证流程，使训练体系与工具演进同步。 前景：业内人士认为，人工智能不会取代数学的核心创造环节，但会推动研究组织方式发生结构性调整。未来一段时期，数学知识生产可能呈现“候选更多、验证更重、协作更广”的特征：一上，形式化验证与开放资源库有望提高结果可信度、减少重复劳动；另一方面，学术共同体也需要在开放与审慎之间取得平衡，建立透明的责任边界和可持续的贡献记账方式，避免注意力过度转向数量化产出。更重要的是，新基础设施的目标不应把研究变成流水线，而应保留可被人类“步行式探索”的空间——让关键洞见能被理解、被教学、被延展。
在科研范式重塑的过程中，陶哲轩的思考指向一个关键问题：技术进步不该只是对传统流程的替换，而应推动新旧体系更有机地衔接；如何在不改变学科本质的前提下吸收技术创新，将成为未来学术发展的重要课题。这种探索不仅关乎数学，也为人工智能时代各学科的转型提供了参考。