当前数学界正流传一种看法，解决问题与生成证明向来是数学家增进人类理解的代理。若证明能在无理解情况下生成，其代理价值便被削弱。这引出该用何种代理的疑问。笔者提议更明确界定动机性解释（motivated explanation）概念，并给予新颖有力的此类解释类似史上开放问题新证明的学术认可。

这是 Grant Sanderson 的客座文章。原文以另一种文件格式写成，经 AI 转换。——T.

目前数学界流传着一种情绪：解题和生成证明一直只是数学家真正目标的代理指标，那个目标是推进人类的理解。当证明可以在没有这种理解的情况下被生成出来，它作为代理指标的价值就被削弱了。

这立刻引出一个问题：那我们应该改用哪些代理指标？

我想提议的是，更明确地定义"有动机的解释"（motivated explanation）这一概念，并让新颖而出色的有动机的解释获得学术认可，其程度类似于历史上对开放问题给出新证明所获得的认可。

我还认为，这一步能帮助数学之外的人更好地理解数学家贡献了什么。如果外人以为证明生成机器让数学家变得多余，而内部人知道这是对研究者贡献的误解，那么这个共同体就有责任通过它奖励什么样的工作，来更好地传达自己真正的价值。如果最受推崇的工作严重偏向生成证明，而澄清和阐释被当作二等公民，那么外人的误解是可以被原谅的。

我得先说清一个明显的个人偏见。我在数学界的职业道路是非传统的，主要做这个主题的视频。它同样以"推进人类的理解"为目标，但我的重心是能与公众产生共鸣的解释和直觉，而不是解决悬而未决的问题。刻薄的人很容易把这份提议看作无耻的自我抬举。

不过就实际而言，我的职业和经费都在学术界之外，这个共同体把信用分配给什么，我并无利害关系。而且，我提议提升有动机的解释的地位，指的并不是普及化。我指的是任何主要旨在回答"你会怎么想到这一点？"的工作，即便其主题需要很深的专业功底才能欣赏。

下面举的例子说明这并非新事物。在职数学家已经在这样的工作上投入了相当可观的心力。这里的提议主要是：一、更清晰地定义这类工作；二、提升它的地位。

什么定义了有动机的解释？

在证明中，定义出现在开头。以一个新构造开篇、然后分析它的性质，是常见且被期待的做法。

在有动机的解释中，定义出现在中间。只有当前面已经清楚确立了要解决的问题，新构造才被允许进入词汇表。

在证明中，所有陈述必须正确，每个断言都是前面内容的必然推论。

在有动机的解释中，从一个不太正确、需要修正、但来龙去脉能让人产生共鸣的想法开始，是可以的，而且往往更可取。

我喜欢的一种有动机的解释是"发现小说"（discovery fiction），这个词由 Michael Nielsen 创造。你用一个叙事来展开一个想法：从一个简单但错误的解法开始，看它在哪儿崩溃，修补那个问题，发现一个新问题，如此继续。

证明的范围是解释某个特定定理为什么为真。

有动机的解释的范围，不仅在于澄清一个定理为什么为真，还在于为什么这个定理才是首先值得提出的问题，以及它在周围语境中如何被使用。

有动机的解释有一个明显短板：它的有效性不像证明那样是二元的。这正是证明作为衡量进展的工具有用的重要原因：你可以清楚地界定什么已经有证明、什么还没有。永远不会有给有动机的解释用的 Lean。

如果我们认真对待推进人类理解这个目标，就无法回避一个事实：这个目标本质上比寻找证明更"虚"，因为定义人类理解本身就比较虚。回避更主观的衡量标准，就是回避这个领域更人性的方面。

我之所以用"有动机"而不是"清晰""去神秘化"这类词，是因为它更可验证。它不像证明那样严格可验证——几乎没有东西是那样的——但足以作为实用的衡量标准。在我自己的工作里，我常重复一句话："我想让它感觉像是你自己本可以发现它。"我这么说不是为了安抚观众，而是因为它是我评估一个解释是否完整的一条可操作准则。每引入一个新想法，你都可以问，这个想法从哪儿来是否清楚。答案不完全是是或否，但对实用目的来说已经足够接近。

有动机的解释的范例

我能想到的最好的有动机解释的宝库之一，是《普林斯顿数学指南》（Princeton Companion to Mathematics）第四部分。它涵盖二十多个活跃研究领域，每一篇都由一位擅长清晰表达的专家撰写。

无论是 Andrew Granville 讲解析数论，还是 David Ben-Zvi 介绍模空间，这些文章提供的直觉和动机，通常更常见于黑板前的一对一交谈。

这本书的背景与当前讨论有关。它由 Timothy Gowers 主编，他在与 Brady Haran 的Numberphile 播客访谈中谈到了这件事。被问到菲尔兹奖对他生活的影响时，他说：

得过菲尔兹奖的人会感到更自由，可以去做一些不太一样的事……比如我接手主编了一本叫《普林斯顿数学指南》的书，那是个极其庞大的工程，我估计花了我大约五年里一半的工作时间……那是一个我信得过的项目，而如果我不是菲尔兹奖得主，我大概根本不会被提供做这件事的机会。

他信得对：这项工作为数学领域增添了巨大价值，但在我看来，一个人需要一块菲尔兹奖章才能觉得自己有理由花时间做这件事，这很可惜。

另一个例子是 Bill Thurston，他写证明的才华极为出众，贡献却远远超出证明。他那篇名副其实的著名文章《论数学中的证明与进展》写于大语言模型出现的三十年前，开篇就提出，"数学家成就了什么？"这个问题正确的提法应该是"数学家如何推进人类对数学的理解？"

其中一段与今天有惊人的呼应：

计算机的迅速进步帮助凸显了这一点，因为计算机和人非常不同。例如，当 Appel 和 Haken 用大规模自动计算完成四色定理的证明时，引发了很大争议。我把这场争议理解为：它和人们怀疑定理的真实性或证明的正确性关系不大，而是反映了人们持续渴望对证明的人类理解，而不只是知道定理为真。

在更日常的层面上，刚开始接触计算机的人常会大规模地计算他们本可以手工小规模完成的东西。他们可能打印出前一万个素数的表格，结果发现那打印稿根本不是他们真正想要的。通过这类经验他们发现，自己真正想要的通常不是一堆"答案"——他们想要的是理解。

这篇文章本身优美地阐述了，做数学的实践在生成证明之外还意味着什么。我想请大家注意他最后写的话。

我在没有信用产出的活动上投入了大量精力，我看重它们就像我看重证明定理一样：数学政治、把我的笔记修订成一本沟通标准很高的书、数学计算的探索、数学教育、通过几何中心开发新的数学传播形式（比如我们的第一个实验，"Not Knot"视频）、执掌 MSRI，等等。

同样要问：为什么这些"没有信用产出的活动"要排在菲尔兹奖之后，而不是为它做出贡献？

就我个人而言，他提到的几何中心的一个产物，在我年少时对我影响格外深。那是一部叫《Outside In》的短片，也许是最早一个关于实质数学的病毒式视频，它把 Thurston 自己关于球面外翻的构造中的关键想法可视化了。

一个原创证明——比如 Smale 的——表明外翻必然存在，是在 0 到 1 的意义上推进人类理解。这样一部让数百万人接触其背后想法的视频，是在 1 到 N 的意义上推进理解。我很感激 Thurston 在这项"没有信用产出的活动"上花了那么多时间。

另一篇相关的文章是 Timothy Chow 的《强迫法初学者指南》。文章本身是有动机的解释的绝佳范例，其引言还提供了有用的词汇。

所有数学家都熟悉开放研究问题这一概念。我提出一个不太熟悉的概念：开放阐释问题（open exposition problem）。解决一个开放阐释问题，意味着以让主题完全明晰的方式解释一个数学主题。每一步都应有动机且清楚；理想情况下，学生应该觉得自己本可以得出这些结果。

如果这些开放阐释问题能得到与开放研究问题相似的对待，会是什么样子？极端的设想是，为开放阐释问题设立某种类似千禧年大奖难题的奖项。某个机构或一群研究者会正式定义他们认为重要、虽然技术上已有证明却仍未被很好理解的数学结果。此刻，每一个 AI 生成的证明生来就是一个未解决的阐释问题。因此未来几年很可能涌现大量此类问题，领军人物明确哪些值得投入精力将很有价值。

必须就什么算作解决了一个重要的未解决阐释问题达成一套标准。这再次比验证证明更主观，但任何认真对待数学更人性那一面的做法，必然要涉入这种主观性。我还是要强调，检查关键想法是否有动机，和检查证明的步骤是否合乎逻辑，并没有那么不同。

如果数学之外的世界看到数学界的领军人物以对待开放研究问题同样严肃的态度对待开放阐释问题，这会大大有助于纠正关于数学家角色的误解。

我要举的最后一个例子，或许能更好地预示未来的走向。

今年四月，Liam Price 提交了 Erdős 第 1196 号问题的解答，有时被称为渐近本原集猜想。这个解答来自 Price 与 GPT-5.4 Pro 的交互。与许多更早借助 AI 解决的 Erdős 问题不同，这个问题是该领域内公认既重要又难解的。这类故事如今越来越常见，但在这个故事的这一节点上，尽管技术上已经存在一个证明，人类理解还没有推进多少。

这个证明传到了 Nat Sothanaphan 和 Jared Lichtman 手中，他们弄清了 AI 的思路是什么，并把证明整理成人类可读的形式。五月，Boris Alexeev、Kevin Barreto、Yanyang Li、Jared Duker Lichtman、Liam Price、Jibran Iqbal Shah、Quanyu Tang 和 Terence Tao 发表了一篇论文，展开论述了该证明背后的关键想法。作者们解释了那个关键想法如何不仅澄清了原问题，还澄清了它周围的许多问题，比如给出了 Erdős 本原集猜想一个更干净的证明。

这里的价值不在于又勾掉了一个 Erdős 问题。价值在于，我们对本原集的理解如今比 2026 年初明显更干净、更令人满意了。原问题的解答在其中起了一定作用，但或许更值得庆祝的，是那篇展开、澄清并赋予其关键想法以语境的文章。

实际的行动号召

在务实层面上，提升有动机的解释的地位会是什么样子？这里有几点建议。

• 博士导师仍然可以给新生布置一个本领域的小问题来练手，但交付物不是写出解答，而是把这个解答作为报告呈现给同学和教师。它可以是一个已有解答但缺乏清晰度的问题，也可以是一个还没有解答、学生借助 AI 帮忙找出的问题。无论哪种情况，学生都知道某个日期之前自己必须理解得足够透彻以便讲解，而且期望的输出是让其他人也理解。简言之，即便是小问题，也可以当作小型博士答辩来对待。
• 某位领军人物（咳，Terry，咳）可以列出希尔特问题的现代对应版，专门聚焦未解决的阐释问题。哪些领域既重要，又缺乏我们想要的那种更深理解？
• 写作标准可以阐明什么构成有动机的解释，力求让它几乎像证明一样可验证，这样解决未解决的阐释问题就能像证明开放问题一样得到承认和庆祝。
• 可以创办更明确地致力于让结果在数学界被更广泛理解的期刊。Mathematical Discourse 在这方面提供了一个有意思的新例子。
• 招聘和终身教职决定可以更看重撰写优秀教科书及类似工作。想想美国数学会的 Steele 阐释奖，但放在更细的尺度上，并强调职业生涯早期的此类贡献。

可见的文化转变的价值

最后我想谈一个更宏观的理由：数学中可见的文化转变，就外部对数学这一职业的印象而言，此刻本身就带有内在好处。

许多本来对数学充满热情的年轻学生现在不敢投身其中，因为不确定在证明生成机器时代会发生什么。但换一种正确的框架来看，这是进入这个领域最激动人心的时刻之一，因为没有什么比在一个领域尚可塑、你有机会主动塑造它未来面貌时进入它更令人兴奋了。即便完全抛开 AI 可能给我们的理解带来的帮助，年轻的准数学家也应该感到振奋，因为他们进入的是一个独特的历史节点，可能真正参与决定整个领域未来的样子。

然而，这样的变化只有当它感觉是深思熟虑的结果时才激动人心；如果它看起来是被你无法控制的力量推动，就会变得可怕。因此，领域领导者现在采取切实行动来界定和澄清这个领域是什么，会让年轻入行者确信方向盘在谁手里，确信这个职业的地位并不取决于什么实体生产出证明。

同样，我也相信这是资助数学的最好时机之一。如果数学的下一章由"人类理解"这四个字引领，那么即将发生的任何变化，似乎都可能放大数学作为公共产品的价值。

讨论围绕陶哲轩「数学不只是证明」的论述展开，气氛里混着职业焦虑、对数学界的幸灾乐祸和冷静的经济账。分歧主轴在于：把「理解」抬成数学不可分割的核心，是对人类文化的正当捍卫，还是解题即将被自动化后、为保住经费与地位而收缩的防线。

认为数学界长期只奖励解题，如今才搬出「理解」

• 近二十年数学的日常实践就是发表问题解答，理论建构类论文难登顶刊，可解题一旦能被自动化，「理解」立刻成了新的护城河（较多人）。也有人直接质疑当事人动机：奖项与著述不少，却没解决重大问题，且对 AI 的判断随能力展示而不断变化（少数人）。 > 意译：数学作为活生生的实践，其实和这些权力游戏没多大关系。（@encyclopediai）

认为菲尔兹奖的年龄上限暴露了社区真正奖励什么

• 奖项设年龄限制，说明看重的是脑力峰值而非理解；AI 让这种优势变窄，被冒犯感才如此强烈（少数人）。 > 意译：从来没有比现在更需要用一生去证明「理解」的时代。（@youoy）

认为「数学不止于证明」其实早就是主流看法

• 绝大多数人本来就相信数学多于证明，更大一部分人甚至不把证明纳入对数学的想象，这场争论的前提本身可疑（较多人）。 > 意译：据我所知，大多数人早已相信数学不止于证明。（@thaumasiotes）

认为真正的争点是经济效用，而非品味或目标

• 除非能断言 AI 永远无法以低得多的成本达到任何人类的智力水平，否则谁拿多少钱、做什么工作这个远超数学界的问题就没被回答（较多人）。 > 意译：AI 有没有品味和目标无关紧要，紧要的是报酬与工作的分配。（@random3）

担心失去「支线任务」式的意外收获

• 费马大定理耗了四百年，过程中长出了椭圆曲线密码学等副产品；把思考外包给 AI，这类副产品可能一并消失（较多人）。 > 意译：我担心 AI 会让我们失去这些支线任务。（@accurrent）

担心外包思考会杀死人类数学传统

• 只存在于模型权重里、或躺在无人阅读的长证明中的数学不算数；LLM 可能带来数学讨论的新文艺复兴，也可能在一代人之内让人类数学断代。同样的担忧适用于医生、生物学家、程序员、建筑师、音乐家，因此有人提出暂停 AI 开发（少数人）。 > 意译：只存在于人类心智中的数学，才是唯一作数的数学。（@jgord）

认为这正是人文学科早已经历的处境

• 编程界已先走一轮：「写代码不是重点」有道理，但抽掉编码也带走了这门手艺的大量质感。数学家现在做的角色转型大概率救不回职业，大家只是面对同一种被淘汰的恐惧，只是看得更慢（较多人）。 > 意译：我们都被同一份存在性恐惧盯着，只是它展开得更慢。（@sweezyjeezy）
• 另一种幸灾乐祸式的判断是：构造复杂证明会变得像心算十位数相乘一样成为聚会把戏，STEM 圈当年贬低人文学科的说辞，会被他们自己重新捡起来（少数人）。

认为退守直觉是历史的重演

• 听起来像中世纪科学——用「理解」取代证明；面对机器更擅长智力任务，人们退回直觉乃至宗教这类声称机器够不着的领域。文明的皇冠成就反过来把人推离它的基础原则，这很黑格尔（少数人）。 > 意译：就像中世纪的军队在开阔地战败后往堡垒里退。（@trhway）

认为形式化能成为约束 LLM 的缰绳

• 有实践者表示，模型在被形式化证明轨迹充分「接地」后表现惊人，哪怕轨迹来自别的模型，用 LLM 辅助学数学的体验很好（较多人）。 > 意译：模型被形式化证明轨迹良好约束时的表现，好得令人惊叹。（@fspeech）
• 另有逻辑视角：拼接句子以求真就是逻辑，拼得严密就是数学，拼得随大流是常识，随手乱拼是另一回事；哥德尔不完备定理保证没有 LLM 能飞越它（少数人）。

认为定理本身就是人类发明的认知工具

• 即便所有命题都可判定（停机问题使之不可能），仍要由人决定哪些命题值得被叫做定理；定理是人类为了让别人更容易把握数学结构而发明的（少数人）。 > 意译：定理这件事，是人类发明的。（@smy20011）

认为 AI 反而最适合生成「动机性解释」

• 好的动机性解释取决于听者的思维方式、已有知识和信念体系，极其主观；最懂主题又最懂你的 AI，才可能生成最好的解释，还能在讲解中与你互动（较多人）。 > 意译：最好的动机性解释会由 AI 生成。（@practal）

认为该停止给技术加道德戏

• 与其对技术喋喋不休地道德化，不如关注如何在已经包含它的现实世界里安排自己的时间（少数人）。 > 意译：别再对技术道德说教了。（@someguynamedq）

有价值的补充

• 1900 年巴黎国际数学家大会上 Poincaré 与 Hilbert 的著名分歧之后，数学界选了 Hilbert 的路，证明压过直觉；有工程师借此反思，学校与应用型大学里的数学丢了直觉那部分，他教学生把数学首先当作精确的沟通语言，把公式当作机制的最纯粹形式，并推荐 Velleman 的《How to Prove It》。（@ForgotMyUUID）
• 陶哲轩文中提到的短片《Outside In》是最早病毒式传播的实质数学视频之一，可视化 Thurston 球面外翻构造的关键想法，YouTube 上可看。（@alkyon）
• 一个思想实验：设两个数学研究所，一个除琐碎应用外拒绝 AI 但用满算力，另一个全面拥抱 AI、把「造更强的 AI」也纳入研究、并接受「不理解但已验证」的证明；一百年后比较哪个更能推进数学与人类，先要定义什么叫「推进」。（@glimshe）
• Goodhart 定律的类比：当度量变成目标，它就不再是好的度量，数学正在受这条规律的折磨。（@kurthr）
• 停机问题意味着「证明或证伪一切命题」不可能；而教学一线的观察是，不少学生其实是在用模式匹配伪造直觉。（@smy20011 / @hnisjafx40）