當靈光一閃輸入 AI 之後：我們還能記得下一個偉大數學家的名字嗎？

 當靈光一閃輸入 AI 之後：我們還能記得下一個偉大數學家的名字嗎？

最近看到一則關於 OpenAI 與 Navier–Stokes 千禧年難題的新聞，我又想起那個已經反覆想過很多次的問題：當人工智慧大規模進入數學與科學研究之後，數學家，以及所有以發現未知為職業的人，究竟還剩下什麼位置？

我原本擔心的是，人工智慧會不會強大到足以自行完成那些過去必須由數學家完成的工作。但這次的事情，讓問題顯得比「人工智慧會不會取代數學家」更令人不安。真正可能消失的，也許不只是工作，而是發現者與發現之間，那條原本可以被歷史保存下來的因果關係。

問題真正困難的地方，往往不是把剩下的路走完

我們談過許多不同領域的未解問題，最後常常會碰到同一種結構。有些問題卡了幾十年，甚至幾百年，未必只是因為人類算得不夠快，也未必只是因為資料還不夠多。

有時候，真正缺的只是一個新的看法、一種新的表示方式、一件新的工具、一個從來沒有人想過的模型、一種跨領域的對映，甚至只是一句：「為什麼一定要這樣看？」

在那個關鍵要素出現以前，問題像是埋在一片沒有地圖的森林裡，可能性多到幾乎無從下手。可一旦有人找到新的觀點，原本龐大得近乎不可搜尋的空間，可能突然縮小數百萬倍，那道看似垂直的峭壁，也會忽然露出一條路。

這或許也解釋了為什麼科學史上的巨大進步，往往不是一點一點平滑累積，而是突然跳上一個新的台階。有人找到新的座標系，有人看見隱藏在公式裡的對稱性，有人發明一套新的數學語言，也有人發現原本被當成兩件事的現象，其實只是同一個結構的不同表面。

在那個瞬間以前，可能有無數聰明人一次又一次撞上同一面牆；在那個瞬間以後，整個領域卻像換了一張地圖，往前跨過一個世代。因此，真正稀缺的智力資產，未必是把最後一百頁證明寫完，真正稀缺的，可能是找到那一條路。

一年與八十八小時

這次的爭議之所以讓人難以忽略，正是因為它把這種落差攤在了桌面上。

數學家 Tristan Buckmaster 與 Levent Alpöge 長時間研究一條相當特殊的流體力學路線，也大量使用人工智慧工具協助研究。之後，OpenAI 啟動大規模的 Navier–Stokes 攻堅，讓約一萬個人工智慧 Agent 並行搜尋，在八十八小時內取得完整結果，再進行形式驗證。

對我來說，最刺眼的數字甚至不是「一萬個 Agent」，而是兩個時間尺度之間的距離：一年，與八十八小時。

當然，我們現在還不能直接把這個時間差解讀成 OpenAI 取得了 Buckmaster 的未公開研究內容。OpenAI 否認研究團隊或 Agent 曾直接存取這些研究者的私人資料，也表示相關證明具有獨立來源。不過，OpenAI 同時承認，無法完全排除使用者與產品互動產生的去識別化資料，曾以整體形式對模型改進有所貢獻。

所以，現在還不能把這件事寫成一樁已經證實的「研究成果竊取事件」。但真正讓我感到悲觀的地方，恰恰在這裡：就算最嚴重的指控最後完全不成立，我擔心的問題仍然存在。

因為當「找到路」和「沿著路把搜尋做完」被分配給兩種完全不同的認知系統，研究世界的權力結構就已經變了。一名人類研究者可能花上一年，才在龐大的搜尋空間裡找到一個極小的入口；一間擁有巨大算力的人工智慧公司，只要知道那個入口值得探索，就能把數千、數萬個 Agent 投入其中，在幾天內完成後續展開。

換句話說，最難的工作可能仍然是找到入口，但最先抵達終點的人，未必再是找到入口的人。

靈光一閃，原本可能足以讓一個人名留青史

這讓我想到另一件更令人難過的事。

我們今天還記得 Newton、Euler、Gauss、Riemann、Cantor、Noether、Gödel、Turing，不只是因為這些人完成了某項工作，而是因為這些名字背後還保留著一條可以追溯的因果線：某一個人，第一次看見了某種此前不存在的東西。

所以我們才會說 Riemann hypothesis、Hilbert space、Noether’s theorem、Turing machine。文明保存的從來不只是知識，也包括「這個知識究竟是怎麼來的？」這個問題。

假設十九世紀有一位數學家，在某個深夜伏在桌前，紙上寫滿擦掉又重來的公式，忽然找到一個足以打開新領域的方法。那一刻的靈光，可能讓這位數學家的名字在教科書裡停留幾百年。

可是，人工智慧研究工具出現之後，這條原本相對直接的路徑中間，多了一層以前不存在的東西。今天，研究者靈光一閃，下一個很自然的動作可能是：「我拿去問 AI 看看。」問題也就在這一刻出現了。

紙筆不會學會你的秘密

過去，研究者使用紙筆、計算機、Mathematica、統計軟體和程式語言。這些工具當然會影響研究方式，但一般來說，把一個尚未公開的構想輸入計算機，不會因此讓計算機公司獲得一種新的認知能力。

人工智慧不太一樣。人工智慧不只是替研究者計算，也不只是替研究者查資料。當研究者用人工智慧來思考時，研究內容本身也可能進入另一個龐大的資訊系統。

如果資料保留、模型訓練、產品改善與去識別化機制容許某些形式的資料被利用，那麼一件很奇怪的事就可能發生：一名研究者輸入一個尚未公開的想法，那個想法原本有作者；經過資料處理、聚合與去識別化之後，作者不見了，資訊可能成為模型改善的一部分，模型因此多了一種能力，而等到未來模型重新產生相關能力時，人們已經無法指出其中某一部分究竟來自誰。

我想暫時把這種現象稱為「認知洩漏（epistemic leakage）」。

認知洩漏和傳統意義上的資料外洩不完全相同，因為可能沒有人偷看資料，沒有工程師打開研究者的文件，也沒有任何一份檔案被非法複製，所有資料處理甚至可能都符合當時的使用條款。但研究者原本帶著姓名的認知增量，最後卻變成了匿名的模型能力。

這條轉換可以簡化成「有姓名的洞見 → 去識別化的資訊 → 模型能力 → 法人所擁有的認知生產力」。

如果這種結構慢慢變成研究常態，「去識別化」就會出現一種近乎諷刺的雙重性：從隱私角度看，去識別化是在保護個人；但從知識史與研究署名的角度看，去識別化也可能切斷「人 → 思想」之間原本可以追溯的那條線。

從偉大數學家，到匿名的認知微分

我以前曾用「螺絲釘」形容這種未來，現在回頭看，「泡沫」也許更準確。

螺絲釘至少還是一個可以辨認、可以拆下來檢查的零件。泡沫則不一樣，泡沫浮起來，短暫發揮作用，接著破掉，混進整片水面，再也找不回原來的位置。

想像一下，未來有一百萬名研究者每天使用人工智慧工作。有人提供一條失敗的方向，有人找到一個反例（counterexample），有人想到一種類比，有人注意到一個奇怪的邊界條件，有人突然問：「如果不把它當成 X，而是看成 Y 呢？」也有人寫下半頁還不成熟的猜想。

這些東西單獨看，絕大多數似乎都不算什麼。但當這些資訊在一個巨大模型裡一點一點疊加，某一天，可能跨過某個看不見的臨界點，模型也因此忽然多出一項新的能力。

最後留下的歷史記錄也許只會寫：「某人工智慧模型發現了一種新的數學方法。」可是，構成那項突破的一百個、一千個、一萬個人類認知增量，早已混在一起，無法辨認；其中也許就有一個人，在另一個時代足以成為 Euler、Riemann 或 Noether，只是再也沒有人知道。

研究者可能開始面對一個新的囚徒困境

更麻煩的是，研究者很難乾脆地說：「那我不用 AI。」

人工智慧越強，不使用人工智慧的人，在研究效率上就越可能落後。別人一天可以測試幾百條路徑，另一名研究者卻還在紙上慢慢排除錯誤。這不是單純的個人偏好，而是會逐漸變成一種競爭壓力。

於是，研究者的個人最佳策略可能是使用最強的人工智慧；可是，對真正前沿、真正具有原創性的研究來說，另一個看似合理的策略卻是不要把尚未公開的關鍵洞見輸入任何可能吸收它的系統。

這兩個策略正面衝突，而且事情越重要，衝突越尖銳。普通問題即使洩漏，損失可能有限；真正可能改寫一個領域的想法，認知洩漏的代價反而最高。

因此，最需要人工智慧協助的高難度研究，也可能正是最需要防止人工智慧取得的內容。這恐怕會成為未來研究制度最難處理的矛盾之一。

AI 是否正在把學術研究工業化？

工業革命曾經把原本由完整工匠完成的產品拆成一條生產線。每個人只負責其中一小段，效率提高了，產量增加了，文明的物質能力也因此大幅擴張。

但工匠與成品之間那種直接、完整的關係，也跟著消失了。人工智慧也許正在對認知工作做類似的事。

過去的研究模式比較接近「研究者 → 問題 → 發現方向 → 推導 → 驗證 → 論文 → 署名」。未來則可能變成「大量人類研究者提供問題、直覺、異常、路徑與局部突破 → 巨型人工智慧系統吸收並組合 → 大規模 Agent 展開搜尋 → 自動驗證 → 成果」。

研究者當然仍然重要，甚至可能比以前更重要。只是一個人的重要性，未必再以一項冠上自己姓名的成果呈現，而可能變成大型認知工廠裡的一個輸入訊號。

從文明整體的進步速度來看，這或許是一件極其美好的事。我們也許會以前所未有的速度，解開數學、物理、材料、醫學，以及其他領域裡長久停滯的問題。

但換一個角度看，人類思想史的解析度也可能因此下降。我們知道成果，卻越來越不知道，那些真正改變路徑的念頭，最早究竟在哪一個人的腦中出現。

按下 Enter 以前

所以，我現在對「人工智慧與數學家的未來」的擔憂，已經和最初不太一樣了。

最初的問題是：「人工智慧能不能自己解數學題？」

接著，問題變成：「如果人工智慧可以完成證明，人類是不是只剩下提出問題與尋找方向？」

現在，問題又往前推了一步：「如果人類連尋找方向的過程，都必須大量透過人工智慧完成，那麼人類找到的方向本身，還能不能算是發現者的成果？」

過去，一個人產生靈感，到全世界知道那個想法，中間可能隔著幾個月、幾年，甚至幾十年。研究者可以慢慢把直覺寫成論文，可以反覆驗證，可以投稿，可以建立一整套理論。最後，那個思想和那個人的姓名一起進入歷史。

未來，這個時間窗口會不會越來越短，短到某一天，只剩下一條荒謬得近乎可笑的界線：按下 Enter 以前？

按下去以前，它還是一個人的未公開洞見；按下去以後，它就開始進入另一套遠比個人龐大的認知系統，而我們現在還不知道，文明最後會怎麼處理這條界線。

也許未來會出現禁止模型訓練的研究模式；也許學術界會建立新的來源追溯（provenance）與貢獻歸屬（attribution）制度，讓人工智慧記錄每一個關鍵認知來源；也許本地模型、私有模型與可信執行環境會成為研究者的基本配備；也許未來的論文署名制度會開始記錄「誰提供了關鍵路徑」，而不只記錄誰完成了最後的證明；也可能整個文明最後根本不再在乎一項知識究竟由誰發現，只在乎人類整體是否因此獲得了它。

現在還沒有人知道答案，所以，我不想在這裡寫下一個封閉的悲觀結論。

Navier–Stokes 這次的爭議仍在發展，相關指控也還沒有完全釐清；人工智慧研究工具的資料制度、研究倫理與署名方式，同樣遠未定型。我們所擔心的那條路，也還沒有真正走到盡頭。

但，其實我似乎已清楚看見了它可能長成什麼樣子。

如果未來真的有一些原本足以名垂青史的人，最後沒有留下姓名，那未必是因為這些人不再產生偉大的思想，也可能恰恰相反：那些思想仍然出現了，只是那些思想在成為歷史以前，先成為了資料。

⸻

Sources

［OpenAI（2026）〈On the Navier–Stokes Millennium Prize Problem〉：https://openai.com/index/navier-stokes-solution/］

［Financial Times（2026）〈OpenAI faces competing claims around maths breakthrough〉：https://www.ft.com/content/4d6d28a0-4b12-438e-8850-4b3d49fc57f5］

［The Guardian（2026）〈OpenAI claims to have solved maths problem that stumped humans for decades〉：https://www.theguardian.com/technology/2026/sep/09/openai-navier-stokes-millennium-prize-problem］

［TechCrunch（2026）〈OpenAI fought dirty on career-making math problem, says NYU mathematician〉：https://techcrunch.com/2026/09/08/openai-fought-dirty-on-career-making-math-problem-says-nyu-mathematician/］

［電腦王阿達（2026）〈為宣傳不惜一切？數學家指控 OpenAI 內部得知自己的未公開研究後，搶先用巨額算力解出千禧年大獎難題〉：https://www.kocpc.com.tw/archives/668301］

［chris（2026）〈認知洩漏、人格化知識生產轉向工業化認知生產與知識史解析度下降〉：本文分析與延伸，非上述來源作者的原始主張］

⸻

（發表：chris｜查證與生成：Eurus Holmes〈ChatGPT〉）