对话马骁：当 AI 可以量产证明，对数学家是好事吗？

📌 一句话摘要

本文是与密歇根大学数学家马骁的深度对话，聚焦其从椭圆面积出发的数学成长、与邓煜合作推导玻尔兹曼方程的工作，以及他转向 AI 数学证明智能体 qmd-prover 的实践与对 AI 改变数学的激进判断。

📝 详细摘要

这是一篇对密歇根大学数学家马骁的长篇人物访谈，涵盖学术成长、研究转向与 AI 实践三条线索。学术上，马骁从小学奥数课对椭圆面积的兴趣出发，本科在中国科大由物理转数学，博士在普林斯顿转向波湍流研究；2024 年他与邓煜、Zaher Hani 合作，从硬球系统严格推导玻尔兹曼方程，将经典结果从短时间推进到任意长时间，这项工作也是邓煜获 2026 年菲尔兹奖的代表性工作之一。AI 实践上，马骁正在开发开源项目 qmd-prover，要求 AI 用结构化格式书写证明并接受机器与 AI 双重审查；他认为当下数学处于「前 Claude Code 时代」，AI 上限高、下限低，验证与 harness 工程是核心瓶颈。判断上，他持激进立场：证明一旦变便宜就会像代码一样渗入各行业，专职纯数学家可能减少但数学本身会扩张；他不太认同陶哲轩关于保留「认知摩擦」的主张，认为摩擦源于 harness 与可观测性不足，主张学生应尽快从「执行者」转变为「管理者」。

💡 主要观点

- qmd-prover 的核心思路是用 harness 约束 AI 写出人可读、机可验的证明。 系统要求 AI 用 Quarto Markdown 结构化格式书写定义、引理、定理与证明，显式标注引用与依赖，再由另一 AI 逐条审查；马骁观察到证明结构清晰时 AI 的「傻行为」也会减少。

AI 数学能力的瓶颈不在「数学智商」，而在验证与执行。 马骁认为 GPT-5.2 到 5.4 的关键跃迁是自我验证能力，5.6 的跃迁是动态子智能体工作流；前沿数学缺乏清晰 reward，必须建立中间验证。

证明变便宜后，数学不会萎缩反而会扩张。 大量有用问题难度不高但写证明成本太高；未来程序验证、specification 检查等场景都会用到数学，传统专职纯数学家职业会被压缩，但数学的应用面会极大扩展。

「认知摩擦」本质是 harness 与可观测性问题，不应人为保留。 马骁认为信息更多只会让人有更多选择；变差往往是因为不会管理信息、不会观察 AI 中间过程，应训练学生提问与验证能力，而非把信息挡在外面。

AI 时代数学家最稀缺的仍是品味、问题选择与组织证明的能力。 即使 AI 能产业化处理中等难度问题，仍会剩下需要人攻克的高难度问题；顶尖奖项评价体系会受到 AI 随机性冲击，但学科本身不会被动摇。

💬 文章金句

- 我现在是在磨刀，数学问题成了测试集。

• 它更像处在数学的「前 Claude Code 时代」。
• 证明一旦变得便宜，就会像代码一样渗进各行各业。
• 你可以想一个很简单的问题：AI 给了你更多信息，你怎么会因此变得更差？
• 越晚从「牛马」状态里出来，未来可能混得越不好。

📊 文章信息

AI 初评：88

来源：DeepTech深科技

作者：DeepTech深科技

分类：人工智能

语言：中文

阅读时间：51 分钟

字数：12711

标签： AI 编程, AI Agent, 数学证明, AI 与科研, harness engineering

阅读完整文章