在过去的几个月里，大型语言模型（LLM）的数学能力得到了显著提升，以至于它们能够解决许多数学领域中悬而未决的重大问题。然而，AI 公司以解决数学问题作为基准的推动，对数学科学和数学界是有害的。AI 公司的目标与数学界的目标严重不一致。我们认为这些是更广泛的协调问题的一部分，这些问题影响着其他科学和创意专业，以及整个社会。
研究数学涉及理解形状、数字和自然现象的基本结构。经过几代人的努力，它已经建立了一个庞大的复杂思想、方法、抽象和其他工具的语料库，以理解数学景观。反过来，现代技术和科学都建立在数学工具之上。
著名问题常常作为地标和灯塔，人们可以借此衡量对这片景观理解的进步。解决其中一个问题无疑是新见解和有趣方法的标志，随后数学界会通过漫长而艰苦的演讲、讨论和简化过程来研究这些内容。在这一过程结束时，理想情况下会找到适合任何研究生甚至本科生学习的教科书式结果展示。一些数学思想甚至会走得更远，在几十年或几百年后成为被全体民众理解和使用的工具。
数学界在许多方面如同人类的缩影。它由使用各种不同方法的个体组成，由核心价值观联合在一起。我们职业最宝贵的资源是学生和思想，我们精心培育这些资源。我们感到有责任让它们充分发挥潜力，直到它们能在数学世界中独立生存。对于学生，我们经常建议问题，核心意图是培养技能，使他们为研究和其他领域的进步做好充分准备。我们的思想通过演讲、私下讨论和精心撰写的文章传播，将它们与他人的先前思想联系起来。这些过程总是需要时间，并基于人际互动。
近几个月来，AI 在解决重大数学问题上的成功甚至在数学圈外也成为头条新闻。但解决问题只是实现概念理解和洞察这一主要目标的工具和代理。在 AI 世界中忘记这一点可能会使工具背离主要目标。事实上，以越来越快的速度大规模生产“真/假”陈述可能会破坏肥沃的土壤，而不是为新思想注入活力。
这些解决方案往往匆忙宣布，没有时间进行适当的撰写、隔离新方法和新思想，以及引用他人的相关先前工作。正如所有创意专业一样，这引发了严重的归属和剽窃问题。此外，如果没有愿意的数学家来负责其发展和融入数学经典，AI 构想的思想将永远不会完全活跃，数学家之间关键的人类传承链将丢失。
我们正在目睹一场对智力工作的普遍威胁，其表现为人工智能使用的结果与其最初目的之间的错位。在许多领域和活动中，多年的训练传统上不仅是为了产出一个最终答案或产品，也是为了培养理解力以及提出新问题和想法的能力。然而，在大量前人工作的基础上，人工智能系统正变得越来越有能力直接产出这类工作的成果，而这些目标便不再一致。数学界如今面临的问题，与其他科学和创造性职业所面临的问题相似，并预示着全人类可能面临的问题：在人工智能改变工作方式的过程中，如何确保我们不会忘记这项工作最初旨在实现什么。
人工智能有潜力增强并加速真正的数学研究与理解。数学作为一个职业，将需要在多个方面适应这些变化。然而，这些变化最终是有益于该领域，还是产生破坏性影响，在很大程度上将取决于掌控这项新技术的人所作出的决定。
这些问题必须紧急加以解决——在数学界内部，由开发这些技术的公司，以及更广泛地说，由将在许多其他形式的智力工作中面对类似问题的整个社会。
Artur Avila（2014年菲尔兹奖）
Manjul Bhargava（2014年菲尔兹奖）
Caucher Birkar（2018年菲尔兹奖）
Pierre Deligne（1978年菲尔兹奖）
Yu Deng（2026年菲尔兹奖）
Simon Donaldson（1986年菲尔兹奖）
Hugo Duminil-Copin（2022年菲尔兹奖）
Alessio Figalli（2018年菲尔兹奖）
Martin Hairer（2014年菲尔兹奖）
June Huh（2022年菲尔兹奖）
Maxim Kontsevich（1998年菲尔兹奖）
Elon Lindenstrauss（2010年菲尔兹奖）
Pierre-Louis Lions（1994年菲尔兹奖）
James Maynard（2022年菲尔兹奖）
Curt McMullen（1998年菲尔兹奖）
Shigefumi Mori（1990年菲尔兹奖）
Ngô Bảo Châu（2010年菲尔兹奖）
Andrei Okounkov（2006年菲尔兹奖）
Peter Scholze（2018年菲尔兹奖）
Stanislav Smirnov（2010年菲尔兹奖）
Terence Tao（2006年菲尔兹奖）
Maryna Viazovska（2022年菲尔兹奖）
Cédric Villani（2010年菲尔兹奖）
Wendelin Werner（2006年菲尔兹奖）
Efim Zelmanov（1994年菲尔兹奖）