——从爱尔兰的耕马,到 AI 时代的数学家

一、最后一批仍在劳作的马

1950年代的爱尔兰,拖拉机已经进入乡村,但人们仍然能够看到马匹在从事生产劳动。

那时候,John Collison 的父亲还是一个孩子。他后来向儿子讲起,自己小时候曾见过人们使用马匹劳动的情景。

这原本只是一段普通的童年记忆。

对于当时的人们而言,马是生活中再寻常不过的东西。它们是重要的劳动力,帮助人们耕种、运输货物,也承担着许多沉重的工作。在人类漫长的历史中,马匹与人共同劳动的时间,已经持续了数千年。

但到了20世纪中叶,另一种力量正在改变这一切。

拖拉机已经出现。它不需要像马一样休息和饲养,能够在更短的时间里完成更多工作。随着机械化的发展,马匹逐渐从许多生产活动中退出。

对于当时的劳动者来说,这首先是一种现实的选择。使用机器能够节省多少时间,需要花费多少钱,是否还能继续依靠马匹谋生,这些问题远比一个时代是否正在结束更加重要。

人们依旧按照自己的习惯生活,照顾家人,计算收成,考虑明天的工作。农田仍然需要耕种,货物仍然需要运输,只是完成这些事情的工具正在逐渐改变。

很少有人会在某一天突然意识到,自己正在告别一种延续了几千年的生活方式。

直到多年以后,那个曾经在爱尔兰见过马匹劳作的孩子已经老去,他才逐渐理解,自己当年看到的,是人类生产历史中一段漫长传统的尾声。

这段往事,出现在2026年10月29日的一场访谈中。

Stripe 联合创始人 John Collison 正在与 OpenAI CEO Sam Altman 讨论人工智能近期取得的科学研究成果。当谈到某些古老的工作方式可能正在消失时,Collison 想起了父亲的这段回忆。

Altman 有些惊讶,特意追问,20世纪50年代,爱尔兰还有人在使用马匹劳动?

Collison 说,是的,那时候当然也已经有了拖拉机,但人们仍然使用马匹,只是这种方式正在逐渐退出历史。

他觉得,当一个人意识到自己正在见证某个漫长时代的结束,总会产生一些惆怅。

Altman 接过这个话题,却说这种感受不仅仅是怀旧。

他想到的是数学家。

那些为了解决一个问题,愿意花费几十年时间,甚至投入一生的数学家。

爱尔兰乡村里逐渐消失的马匹,与数学家在书房里写下的公式,看起来没有什么联系。

但这场对话,恰好触及了一个正在发生的变化。

人类曾经习以为常的某些工作和生活方式,可能正在成为历史。而生活在其中的人,往往直到很久以后,才会理解自己究竟告别了什么。

二、一个数学家的七年

1986年夏末的一个傍晚,英国数学家 Andrew Wiles 正在朋友家里喝冰茶。

交谈中,朋友随口告诉他一条数学界的消息:数学家 Kenneth Ribet 刚刚证明,费马大定理与另一个重要的数学猜想之间,存在一条关键的逻辑联系。

Wiles 后来回忆,听到这件事时,他立刻意识到,自己的人生可能就此改变。

费马大定理是数学史上最著名的难题之一。

17世纪,法国数学家费马在一本书的页边写下一个关于整数方程的猜想,声称自己已经找到了证明,却没有留下完整的证明过程。

这个问题的表述非常简单,甚至一个孩子都能够理解,但在此后的三百多年里,无数数学家尝试解决它,却始终没有成功。

Wiles 第一次接触这个问题时,只有十岁。

那天,他在英国剑桥的一家公共图书馆里,偶然发现一本介绍费马大定理的书。

一个连自己都能理解的问题,竟然难倒了历史上那么多伟大的数学家。这件事让年幼的 Wiles 着迷。他开始尝试寻找答案,并在此后的成长岁月中,始终没有真正放下这个问题。

不过,等到他进入大学,逐渐成为职业数学家以后,情况发生了变化。

他发现,人类几百年来积累的数学方法,似乎仍然不足以真正解决费马大定理。如果继续把全部精力投入这个问题,很可能花费一生而毫无进展。

于是,他暂时把这个童年的梦想放在一边,开始研究其他数学问题。

直到1986年的那个傍晚。

Ribet 的成果表明,如果能够证明另一个重要的数学猜想,就能够进一步证明费马大定理。

Wiles 突然发现,自己终于有了一条可以认真探索的道路。

从那以后,他开始了长达七年的秘密研究。

为了避免外界的关注打断思路,他几乎没有向同行透露自己的真正目标。每天走进书房,他都试图从不同的数学结构中寻找联系,检查已有的证明,尝试新的方法。

很多时候,研究并没有任何进展。

他后来形容,数学研究就像独自走进一座完全黑暗的巨大房子。

刚进入房间时,什么也看不见,只能摸索着前进。经过几个月的尝试,逐渐熟悉房间里的东西,终于在某一天找到了电灯开关,整个房间突然明亮起来。

但这时才发现,前面还有另一个黑暗的房间。

于是又重新开始。

七年里,Wiles 就这样不断进入新的房间,在黑暗中摸索,寻找下一盏灯。

遇到难以解决的问题时,他会出去散步,沿着湖边慢慢走,让那些数学问题继续留在脑海里。如果突然想到什么,就在附近的长椅上坐下来,拿出随身携带的纸和笔,尝试记录新的想法。

研究几乎占据了他的全部生活。

他曾经说,只有在陪伴孩子们的时候,才能暂时从费马大定理中抽离出来。因为年幼的孩子们并不关心这些复杂的数学问题,他们只想让父亲给自己讲故事。

1993年5月的一天,Wiles 的妻子带着孩子出门了。

他独自在书房里思考证明的最后一部分,随手翻看一篇数学论文,突然被其中的一句话吸引。

那句话提到了19世纪的一种数学构造。

Wiles 忽然意识到,这可能正是自己一直在寻找的东西。

他开始继续推演,沉浸在计算之中,甚至忘记了下楼吃午饭。到了下午三四点钟,他已经确信,这条思路能够解决最后剩下的问题。

接近下午茶时间,他终于走下楼,告诉妻子,自己证明了费马大定理。

从十岁那年在图书馆里第一次读到这个问题,到此时已经过去了二十多年。

当然,故事还没有结束。

几个月后,数学家们在检查他的证明时,发现了一个极其隐蔽的漏洞。Wiles 又经历了近一年的艰难研究,最终在 Richard Taylor 的帮助下,找到了修补证明的方法。

1995年,完整的证明正式发表。

困扰人类数学界三百多年的费马大定理,终于得到解决。

但 Wiles 在后来的采访中,说了一件很有意思的事。

他当然感到喜悦,也知道自己完成了一项重要的数学成就,但与此同时,他还产生了一种失落感。

因为费马大定理已经陪伴了他大半生。

他以后仍然会研究其他问题,也可能再次取得重要成果,但再也不会有另一个数学问题,像费马大定理这样,从童年起就与自己的生命紧密联系在一起。

一个问题得到解决,意味着科学知识向前推进了一步。

但对于 Wiles 来说,它也意味着陪伴自己几十年的某段生活结束了。

那些在书房里独自思索的日子,在湖边反复散步的下午,以及在黑暗中寻找电灯开关的漫长岁月,都已经随着证明的完成,成为了过去。

他终于找到了答案。

而那段寻找答案的生活,也再不会回来。

三、那个让 Altman 无法入睡的周末

2026年10月,OpenAI 公布了几项重要的科学研究成果。

其中一项涉及 Kakeya 猜想。

就在2025年,数学家王虹与 Joshua Zahl 刚刚证明了这个百年难题在三维空间中的情形。而 OpenAI 声称,其内部模型通过另一条数学路径,给出了更广泛的证明,能够解决所有相关维度的问题。

另一项涉及理论计算机科学中的指数时间假说,ETH。

这个猜想存在了近三十年,研究的是某类计算问题究竟存在怎样的时间复杂度边界。虽然从未得到证明,却被许多数学家和计算机科学家相信,大量研究也以它为理论前提。

而 OpenAI 声称,自己的模型找到了一种新的算法,能够在亚指数时间内精确计算某类逻辑公式的解的数量,从而反驳 ETH。

几乎与此同时,Anthropic 也公布了 Claude 在同一问题上的研究成果。

按照两家公司披露的时间线,两个不同实验室的 AI 模型,竟然都声称在10月16日找到了突破这一猜想的核心算法。

此外,OpenAI 还公布了一项关于量子场论严格数学存在性的研究,涉及杨—米尔斯理论与量子色动力学。

这些成果仍需要经过独立学术核查。形式化证明能够检查逻辑推导,却不能自动保证研究者对原问题的全部表述与理解都完全正确。尤其是其中的物理学成果,完整证明材料尚未公开。

但 AI 开始直接参与前沿科学发现,已经不再只是实验室里的遥远设想。

而在10月29日的访谈中,Altman 讲述了 OpenAI 内部一个特殊的周末。

那时,研究团队刚刚获得一个新模型,建立了一个名叫「Hold My Beer」的内部交流频道,大意是「让我来试试」。

研究人员开始把自己长期以来最困难的学术问题交给模型。

这些问题并不是课堂上的练习题,也不是早已有了答案的数学竞赛题,而是来自真正科学研究前沿的难题。有些问题,研究者已经花费多年时间,仍然无法找到突破口。

Altman 回忆,模型开始接连给出出人意料的研究成果,而且横跨不同学科。

他兴奋得连续两个晚上几乎无法入睡。

这种兴奋不难理解。

对于任何相信科学进步的人来说,如果一种新的技术能够帮助我们更快地理解自然,发现过去未能发现的知识,这都是令人激动的事情。

尤其是那些已经困扰人类几十年、甚至几个世纪的问题,如果能够由新的方法获得突破,整个科学共同体都将因此受益。

但 Altman 随后说,除了喜悦,他竟然还感到一种出乎意料的悲伤与惆怅。

仿佛某个时代正在结束。

他想到那些数学家。

大多数数学家终其一生,也不会解决一道千禧年数学难题,但知道世界上仍然存在许多尚未理解的问题,而自己还有机会通过漫长的努力,亲手找到其中一个答案,本身就是一件美好的事情。

为了这种可能性,有些人愿意把一生中最好的时光投入研究,放弃其他许多生活的选择。

他们未必知道自己是否能够成功,甚至不知道解决问题的方法会不会在自己有生之年出现。

但这并不妨碍他们继续研究。

就像当年的 Wiles。

如果1986年的 Wiles 拥有一个能够在几个小时里完成证明的 AI 系统,费马大定理也许会更早获得答案。

对于数学知识的进步,这当然可能是一件好事。

但那七年独自探索的经历,那些在湖边思考的下午,以及1993年5月那个忘记吃午饭的日子,也就可能不会以同样的方式发生。

人类获得了答案,却不一定再需要通过原来的方式,走过那条通向答案的道路。

这就是 Altman 所感受到的惆怅。

机器可以帮助人类更快地抵达知识的终点,但对于那些把探索本身视为生命重要部分的人来说,抵达终点与亲自走过道路,从来不是完全相同的事情。

在访谈中,Collison 用父亲当年在爱尔兰见到的马匹,回应了这种感受。

人类已经使用马匹劳动了几千年。但随着拖拉机普及,一种延续了漫长历史的生产方式逐渐退出了日常生活。

技术带来了进步,可对于长期生活在旧方式中的人来说,那也意味着一个熟悉的世界正在远去。

Altman 所感受到的,正是这种变化。

区别只在于,这一次,变化开始进入人类最引以为傲的理性活动。

四、那些写了一百多年、尚未完全合上的书

就在 OpenAI 公布这些成果的同一天,一家名叫 Axiom Math 的公司,也宣布完成了一项规模惊人的工作。

他们利用大规模协作的 AI Agent,将有限单群分类定理转化成了一套可以由计算机逐步检查的形式化证明。

有限单群分类定理是20世纪数学史上最伟大的成就之一。

它研究的是对称性背后的基础数学结构。就像化学家建立元素周期表,数学家试图找到构成所有有限群的那些最基本的数学对象。

这项工作的规模大得令人难以想象。

在过去一百多年里,大约一百位数学家参与了相关研究,发表五百多篇论文,留下约一万五千页证明。

1983年,数学界认为分类已经基本完成,但后来又发现了证明中的重要缺口。直到2004年,一项长达一千多页的研究才补上其中最主要的部分。

这样庞大的知识体系,已经很难由任何一个人完整掌握。

一位数学家可能花费很多年,只为了证明其中一个关键结论。后来的人阅读他的论文,在此基础上继续推进,又可能发现需要重新修正的地方。

有些问题在一代人的研究生涯中没有得到解决,只能留给后来者。

这些数学成果就这样被一篇篇论文、一部部著作保存下来,经过几代人的努力,逐渐汇聚成一套异常庞大的理论。

而Axiom宣布,他们在24天里组织数十个 AI Agent,生成了约4310万行 Lean 代码,完成这项证明的形式化工作。

在重新整理原有文献的过程中,团队还报告发现并处理了34处值得特别注意的论证问题,其中一些需要重新建立数学证明。

这项成果仍需独立复现和检查,而且机器并不是从零开始证明了整个定理。它依靠的是人类一百多年积累的数学知识,以及今天的数学家和工程师所提供的组织与帮助。

但其中蕴含的变化,已经十分清晰。

过去,人类通过一代代研究者的努力,缓慢积累知识。每个人只能掌握其中一部分,再把自己的成果留给后来者。

现在,机器开始帮助人类重新检查这些漫长历史中积累下来的知识,把分散在不同年代、不同论文中的证明重新连接起来。

那些曾经写下这些论文的数学家,许多人已经不在人世。他们不会知道,自己花费一生建立的数学结构,有一天会被另一种智能重新整理。

他们留在纸上的推导,经过几十年、上百年的传承,仍然在不断被后人阅读和使用。

AI 接过了其中一部分工作。

这一次,它所面对的,不是一个全新的未知问题,而是一份人类花费几代人才共同建立起来的知识遗产。

一个方向是发现尚未被人类认识的结构,另一个方向则是重新整理和验证那些已经被人类发现的知识。

两者都与时间有关。

人类的科学研究,过去始终受到个人生命长度的限制。一个人需要花费多年学习前人的成果,再用自己有限的一生,为这个庞大的知识体系增添一点新的东西。

他可能没有时间完成全部研究,也可能在看到最终答案之前就已经离世。

后来的研究者接过工作,继续向前。

知识就这样在一代又一代人的生命之间传递。

而机器智能的出现,开始使这种传递有了另一种可能。

它能够参与那些过去需要大量研究者协作才能完成的工作,也能够帮助我们重新组织跨越漫长时间积累下来的知识。

那些属于不同时代的思想,可能因此获得一种更为完整、也更容易继续使用的形式。

这不是对前人工作的取代。

没有那些研究者花费几十年建立的理论,机器也无从整理这些证明。

恰恰是因为无数人的努力曾经存在,才有了今天可以被继续推进的知识。

五、一个人怎样与自己的时代告别

技术史上的变化,往往比生活在其中的人所能感受到的更加迅速。

从后来者的角度看,农业机械化可以用几个历史阶段来概括。蒸汽机、铁路、电力、汽车和计算机的普及,也都能够被整理成清晰的时间线。

但对于当时的人来说,这些变化并不是以历史章节的方式发生的。

一个长期依靠马匹劳作的人,可能需要学习驾驶和维护新的机器。他过去掌握的饲养、驾驭牲畜的经验,曾经是十分重要的谋生能力,后来却逐渐不再那么被需要。

一个年轻人选择了父辈从事的职业,却可能在自己尚未年老时,发现整个行业的工作方式已经发生改变。

新的技术能够提高效率,创造新的机会,也能减轻许多原本沉重的劳动。但旧的生活方式不会因此毫无痕迹地消失。

它们曾经塑造了人的身体、习惯、经验与情感,也曾经决定一个人怎样理解自己在社会中的位置。

一个熟练掌握某种技艺的人,可能正是凭借这种能力赢得收入、尊重和自信。他把技艺传给下一代,也把自己一生的经验留在了这种传承中。

当新的技术取代这种技艺,改变的不只是完成某项工作的成本,还包括围绕这项工作形成的一整套生活。

当然,人类并不应该为了保存某种古老的生活方式,而拒绝更好的工具。

那些在田间从事繁重劳动的人,有理由希望自己的生活变得轻松一些。那些被疾病困扰的人,也不会因为某个科学家希望继续研究,就拒绝一种能够更快找到治疗方法的技术。

科学进步所带来的好处,不应该因为我们对过去的留恋而被否定。

但人类也不能只用生产率和效率,去衡量一切变化。

对于Wiles来说,费马大定理最终得到解决,是一项伟大的科学成就。而那七年研究中的生活,也具有无法用最终论文衡量的价值。

对于爱尔兰那些曾经依靠马匹劳动的人来说,拖拉机带来了新的生产方式,但他们过去所熟悉的经验和生活,也有其真实的历史。

这些经历不会因为后来出现了更加高效的方法,就变得没有意义。

技术能够替代完成某项任务的方式,却不能重新替人度过已经走过的一生。

这也是为什么,在科学研究开始发生变化的今天,人们会对 Altman 的那份惆怅产生共鸣。

一个数学家研究某个问题,也许不仅因为这项研究能够带来学术荣誉,还因为他喜欢在未知中寻找答案的过程。

他可能花费许多年月理解前人的工作,反复尝试各种方法,在很长时间里看不到任何结果,却仍然愿意继续。

这种生活未必高效,也未必能够获得成功,但它构成了一个人选择如何度过一生的方式。

如果未来机器能够更快地完成其中许多工作,人类当然可以把更多时间投入新的研究。

也许会有更多人因此获得探索知识的机会,也许过去需要花费十年才能掌握的复杂理论,未来只需要很短时间就能理解其核心结构。

但新的能力出现,并不意味着人类会自动找到新的生活方式。

教育需要改变,学术研究的组织方式需要改变,社会对不同劳动与贡献的评价,也可能需要重新调整。

曾经依靠某种技能生活的人,仍然需要收入、尊重与归属。那些把人生投入某个学术领域的研究者,也需要重新理解自己的贡献和位置。

这样的调整不可能只靠更强大的模型来完成。

更重要的是,人们不能因为一项工作不再需要由人完成,就认定过去从事这项工作的人,其生命价值也随之消失。

一个人的意义,并不完全取决于他能够解决多少问题,或者能够创造多少经济价值。

人首先是在世界上生活。

他可能因为年轻时读到的一本书,从此喜欢上一门学问;也可能在漫长的职业生涯中,逐渐建立起自己与世界的联系。

他有过努力、失败、成功,也有过平凡而无所事事的日子。

这些经历共同构成了他的生命。

机器不会因为更快地完成某项任务,就使这些已经发生过的人生变得无足轻重。

而新的时代真正值得争取的,也不只是让机器承担越来越多的工作,还包括让更多人拥有探索、学习、创造,以及选择自己生活的机会。

六、后来的人将怎样回望我们

2026年的今天,我们正处在一个很特别的位置上。

过去几年,人工智能的能力不断提高。从回答问题、编写程序,到独立完成复杂任务,再到参与前沿科学研究,许多过去需要人类专家长期投入的工作,开始出现新的完成方式。

但日常生活并没有因此突然改变成另一副模样。

人们仍然需要上班,仍然要处理家里的事情,照顾老人和孩子,考虑下一年的计划。

学校仍然按照原来的方式教授知识,许多学生仍然需要花费多年时间学习数学。大学里的研究者继续阅读论文,编写程序,进行实验,在自己的领域中寻找新的问题。

就像1950年代的爱尔兰。

拖拉机已经进入乡村,但马匹仍然在劳动。

当时的人并没有在某一个早晨集体宣布,数千年依靠马匹进行生产的时代已经结束。

变化是在日常生活中逐渐完成的。

旧的工具仍然可以使用,旧的经验仍然具有价值,但越来越多的人开始采用新的方法。等到人们回过头来,才发现某些曾经极其寻常的生活,已经很难再见到了。

未来的人们,也许会以类似的方式回望今天。

他们可能会惊讶,为什么2026年的数学家还需要花费十年、二十年时间,才能解决某个复杂问题。

为什么一个跨越百年的数学分类工作,需要一百多位数学家共同完成。

为什么程序员曾经需要亲手编写大量代码,为什么学生要花费多年时间,才能掌握某些后来可以借助机器迅速理解的知识。

在未来的历史叙述中,这些或许会被归入人工智能普及之前的工作方式。

但对于今天的人们来说,它们仍然是生活本身。

一个研究者正在完成自己的博士论文,未必知道几年以后,自己所使用的研究方法会发生怎样的变化。

一个年轻人正在为成为优秀的程序员而努力,未必能够想象十年以后,这个职业还会以怎样的形式存在。

一个孩子今天在学校里学习数学,也不会因为 AI 已经能够证明某些复杂定理,就突然失去理解世界的好奇。

他可能仍然会像十岁的 Wiles 一样,在某一本书里读到一个简单而深刻的问题,从此念念不忘。

只不过,未来的他,可能会拥有与 Wiles 完全不同的探索工具。

也许他不需要再像前人一样,花费几十年独自寻找答案。

也许他可以借助机器理解更多数学结构,进入更遥远的知识领域。

也许他会选择另一种生活,不再把解决某个难题作为自己一生的目标。

这些变化都还没有确定的答案。

但无论未来会怎样,他仍然需要自己去经历那段人生。

他会有自己的好奇,自己的选择,也会有属于自己的喜悦与失落。

就像过去每一个时代的人一样。

七、当我们正与过去告别

再回到 John Collison 父亲的那段童年记忆。

1950年代,一个爱尔兰孩子看见人们仍然使用马匹劳动。

对于当时的他,那只是生活中很普通的一件事。

几十年以后,他把这件事告诉了儿子。又过了许多年,儿子在与一位人工智能公司的负责人谈话时,重新讲起父亲的这段回忆。

于是,一种延续了几千年的生产方式,与今天刚刚出现的机器智能,竟然因为一个普通人的童年记忆而联系在一起。

历史有时就是这样被重新看见的。

我们在书本里读到农业机械化,会想到生产率的提高、劳动力的转移,以及工业技术如何改变社会。

但通过这段记忆,我们看到的,是一个孩子曾经生活过的世界。

那时,马仍然在工作。拖拉机也已经出现。旧的生活还没有完全退去,新的生活正在逐渐形成。

没有人能够准确知道,哪一天才算一个时代真正结束。

也许对于那些仍然依靠马匹劳动的人来说,那个时代还会持续很多年。

也许对于已经学会驾驶拖拉机的年轻人来说,一个新的时代早已开始。

历史的转折,并不会让所有人同时跨过同一条界线。

人们只是按照自己的节奏生活,在不知不觉中,带着过去的习惯和经验,走进一个逐渐陌生的世界。

今天,我们也正在经历类似的事情。

许多曾经只有人类才能完成的智力活动,开始出现新的承担者。那些需要一生去学习和探索的知识,正在以过去无法想象的速度被重新发现、整理和传播。

人类或许不会永远是每一个知识领域里最先抵达的探索者。

但一个人怎样度过自己的一生,仍然无法由机器替他完成。

Wiles 在书房里度过的七年不会重新发生,1950年代那个爱尔兰孩子见过的乡村也不会再以完全相同的方式回来。

有一天,今天的人们所熟悉的工作、学习和思考方式,也可能成为后人眼中的历史。

到那时,后来的人会知道人工智能在2026年取得了哪些突破,会知道那些数学猜想最终是否得到证明,也会知道人类社会后来发生了怎样的改变。

他们也许能够用很短的篇幅,概括我们正在经历的整个时代。

但这些历史结论,未必能够告诉他们,生活在这个时代的人,究竟有过怎样的感受。

人们曾经怎样热爱自己的工作,怎样为一个难题花费漫长的岁月,怎样在成功时感到喜悦,又怎样在熟悉的世界发生改变时,产生无法言说的失落。

这些东西往往不会留在技术发展的时间表里,却真实地存在于每个人的一生之中。

它们也是历史的一部分。

未来的人如果回望今天,也许会像我们看见旧照片上的耕马一样,惊讶于某些曾经如此普遍的生活方式。

而对于今天的我们来说,这些生活仍然正在发生。

人们依旧走进办公室和教室,阅读书籍,思考问题,照顾家人,在忙碌中度过自己的日子。

新的技术已经到来,旧的世界还没有完全远去。

就像七十多年前的爱尔兰,拖拉机已经驶进乡村,而马仍然在劳作。

生活在其中的人,并不知道自己后来会被怎样记住。

今天的我们,也未必知道。

写于2026年10月30日

参考资料:

Cheeky Pint:John Collison 对话 Sam Altman,2026年10月29日

PBS NOVA:Andrew Wiles 讲述费马大定理的证明历程

OpenAI:Working with academic communities to build scientific understanding

Axiom Math:Formalizing the Enormous Theorem