陶哲軒談 AI 與數學時，最尖銳的提醒指向人才養成：AI 可以加速產生與驗證證明，但若研究機構因此省掉研究生的入門題目，論文會增加，能提出下一個原創問題的人卻可能變少。 這是他在 2026 年 8 月 27 日公開訪談裡提出的風險，不是已經發生的定論。
這段警告出現在一場長達 80 多分鐘的數學訪談末尾。前面大半時間，陶哲軒把現代數學拆回六個直覺支柱。《Six Math Essentials》預計在 2026 年 10 月 27 日出版，全書 128 頁。書裡談數字、代數、幾何、機率、分析與動力系統。這六項沒有涵蓋完整數學，提供的是六種看世界的方法。
六根支柱，各自處理一種現實難題
| 支柱 | 陶哲軒給的直覺 | 它替現實處理什麼 |
|---|---|---|
| 數字 | 把數量、大小與尺度變成可攜帶的符號 | 精確比較成本、效益與風險 |
| 代數 | 用變數取代特定數值，進一步研究運算規則 | 把同一套推理搬到矩陣、旋轉與模型 |
| 幾何 | 從角度、距離與形狀推回碰不到的尺度 | 導航、測距、高維資料與通訊編碼 |
| 機率 | 接受結果有分布，不強求每次都能精準預測 | 臨床試驗、金融風險與重複事件 |
| 分析 | 管理誤差、極限、無限大與無限小 | 判斷近似何時可靠、尾端風險何時失控 |
| 動力系統 | 研究簡單規則反覆作用後的變化 | 天氣、交通、演化、穩定與混沌 |
陶哲軒對數字的描述很樸素。數字把一批羊、一桶水或一段距離，壓縮成別人也能操作的共同語言。自然數不夠用，人類加入零與負數；分數仍不夠，無理數和複數接著進場。這些擴充一開始常是為了解方程，後來卻成了電磁學與量子力學的日常語言。
代數再抽象一層。7 或 17 退到背景，加法、乘法與其他運算的規則成為主角。矩陣也因此能沿用部分代數結構。大型語言模型大量依賴矩陣運算，現代 AI 的底層仍踩在很古老的抽象能力上。
幾何把人的感官伸得更遠。古人不能拿尺量太陽與月球，卻能用相似三角形估算距離。到了數位通訊，高維空間裡的球體堆積又變成錯誤更正碼的數學親戚：工程師要把不同訊號隔得夠遠，才不會在雜訊中認錯資料。
機率、分析與動力系統則處理三種常被混在一起的不確定。機率問各種結果出現得多頻繁；分析追蹤測量誤差與極限；動力系統研究狀態如何隨時間演變。兩體運動可以寫出漂亮公式，三體問題卻會走向混沌。精確規則並不保證長期可預測。
純數學常比用途早到幾十年
1960 年，物理學家尤金．維格納（Eugene Wigner）把這種現象稱為「數學在自然科學中不可思議的有效性」。數學家可能先為了內部一致性研究複數或曲面；隔了 10 年、20 年，甚至 50 年，物理學家才發現那正是描述新現象所缺的語言。
克卜勒猜想提供了一個更曲折的版本。約翰尼斯．克卜勒在 1611 年提出球體最密堆積問題。湯瑪斯．黑爾斯（Thomas Hales）的電腦輔助證明在 1998 年送出，2005 年刊於《Annals of Mathematics》；Flyspeck 團隊之後把整份證明形式化，2014 年完成機器核驗。從直覺、證明到可逐步檢查的知識，時間跨度超過 400 年。
這條慢路正是陶哲軒不想被效率指標抹掉的部分。基礎數學、應用科學、工程與產業之間，需要人把概念翻譯、挑錯、重組，再教給下一批研究者。最後那個產品很容易被看見，前面幾十年的失敗與整理則藏在帳面之外。
AI 已經加速證明，理解卻沒有同步加速
陶哲軒把 AI 的長處概括為廣度。人類專家會花很久挑一兩個值得深挖的問題；AI 可以同時嘗試大量問題與方法組合。假設系統處理 1,000 題，只解出 5%，仍得到 50 個答案。麻煩在於，那 50 題可能不是數學界最需要的 50 題。
他把目前的瓶頸叫作「證明消化不良」（proof indigestion）。證明的生命週期至少包含生成、驗證、編輯、同儕評閱、納入教科書與教學。AI 正把前兩段推得更快，後面幾段仍仰賴人判斷哪一步最難、哪個結果值得關心，以及它和既有知識如何接起來。正確只是入場券，理解才讓結果成為公共知識。
陶哲軒自己目前主要把 AI 用在文獻搜尋、檢查證明、寫程式與校稿。他認為人機互動還沒有長期合作者那種節奏：熟悉的研究夥伴能接住沒說完的想法，也能跨越多年延續舊問題；AI 的記憶與對話流暢度仍只是近似。
真正的風險是把訓練誤認成低價工作
研究生的第一篇論文往往不會改寫整個領域。它的另一項產出是研究者本人：學會選題、遇到死路、讀懂審稿意見，最後把混亂的推理整理成別人能沿用的論證。如果資助者與大學只看論文數，AI 很適合接走這類任務；組織也可能誤以為省下了時間和人力。
代價會晚很多年才出現。初階題目消失，研究生少了取得經驗與聲譽的入口；中階研究者因此變少；能消化大量 AI 結果、挑出重要問題並訓練後進的人也跟著減少。科學產出在短期上升，原創能力卻可能在下一個世代收縮。這是一條需要驗證的因果假說，但它比「AI 會不會取代數學家」更值得研究機構現在處理。
AI 不必被擋在實驗室外。評量制度要把指標往後移：除了計算完成幾篇論文，也要看研究者能否解釋結果、辨識失敗、建立可教的知識，並且帶出下一批能獨立判斷的人。AI 可以當直升機，快速抵達答案；科學仍要有人走過地面，畫出其他人下次能走的路。
常見問題
陶哲軒的六大數學支柱是什麼？
六項是數字、代數、幾何、機率、分析與動力系統。它們分別處理量化、抽象結構、空間、隨機性、誤差與極限，以及隨時間變化的系統。
陶哲軒認為 AI 已經能取代數學家嗎？
沒有。他認為 AI 擅長廣泛嘗試與例行輔助，人類專家仍擅長選擇深問題、理解證明、判斷重要性及建立可傳承的知識。兩者目前更像互補能力。
什麼是證明消化不良？
這是陶哲軒描述的新瓶頸：候選證明的生成與驗證速度提高，數學家卻來不及閱讀、挑選、編輯、納入教科書。結果數量增加，不代表整個領域已經理解它們。
AI 為什麼可能傷害下一代科學家？
研究生靠初階研究題目累積能力與職涯紀錄。若 AI 直接接手這批工作，短期論文數可能提高，長期卻少了把新手訓練成資深研究者的過程。
《Six Math Essentials》何時出版？
Macmillan Academic 列出的美國上市日是 2026 年 10 月 27 日，精裝本 128 頁，由 Quanta Books 出版。
權威引用來源
- Big Think — The world’s greatest mathematician explains 6 essential concepts of math
- Macmillan Academic — Six Math Essentials
- International Mathematical Union — Fields Medals 2006
- Eugene Wigner — The Unreasonable Effectiveness of Mathematics in the Natural Sciences
- Annals of Mathematics — A Proof of the Kepler Conjecture
- Forum of Mathematics, Pi — A Formal Proof of the Kepler Conjecture
圖像來源
封面人物參考影像由 Institute for Pure & Applied Mathematics 拍攝，透過 Wikimedia Commons 依 CC BY 4.0 授權使用；封面為 AI 生成的編輯設計。
Author Insight
最容易量化的科學成果是論文，最難量化的成果是判斷力。陶哲軒的警告之所以刺耳，在於兩者的時間尺度完全不同：AI 幾小時就能交出候選答案，研究者可能要十年才長成能判斷那個答案值不值得留下的人。研究機構如果只買前者，帳面會很好看，直到再也找不到足夠的人整理那些成果。
術語表
| 術語 | 本文定義 |
|---|---|
| 證明消化不良 | 候選證明增加速度超過人類理解、編輯與教學速度的狀態 |
| 形式化證明 | 轉寫成證明助理可逐步核驗的數學論證 |
| 動力系統 | 研究系統狀態如何隨時間和規則演變的數學領域 |
_(cropped).jpg){kind=link}