对话马骁：当 AI 可以量产证明，对数学家是好事吗？

原创 加洋 2026-08-02 11:17 上海

从一只椭圆、希尔伯特第六问题，到 qmd-prover 与 AI 数学研究

图丨相关演讲（来源：Youtube）

马骁：我不太认同“保留认知摩擦”这个观点。我觉得只要出现认知摩擦，往往说明 harness 没做好。harness 水平到一定程度以后，一切都可以交给 AI，只是自动化程度不同。

很多人批评“抽卡数学”：让 AI 生成一大堆证明，使用者完全不理解问题背景。这个问题十有八九有两个原因。

一种是 harness 不好，AI 写出了一堆人看不懂的东西；另一种是 observability（可观测性）不够，AI 只在最后吐出一个答案，中间发生了什么，使用者完全看不见。

这些在我看来都是可以解决的工程问题。遇到摩擦，就问 AI：我为什么会有这个摩擦？为什么解决不了？怎样修改流程？解决一个问题，再继续使用，直到看见下一个问题。

DeepTech：所以照你的说法，一方面把 AI 当成自己的员工，学习怎样管理它；另一方面又把它当老师，让它帮助自己学习。

马骁：对。AI 是一个外置大脑。所有人都应该尽快把自己从 worker 的状态里解放出来。

越晚从“牛马”状态里出来，未来可能混得越不好。你要尽快从执行者变成管理者、架构师。如果在任何一个环节里，你仍然觉得自己只是一头“牛马”，那可能说明 harness 或其他工程环节没有做好。你甚至可以继续问 AI：我为什么还是“牛马”？怎样把这一部分工作交出去？

DeepTech：这其实是一种很激进的判断。很多人担心，AI 给了学生太多答案，反而会削弱某些能力。

马骁：我觉得很多人的思维还停留在过去，尤其有些年龄大一点的老师，仍然把自己或学生放在“工人”的位置上。

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？信息更多时，你永远有选择——可以不看，也可以只看其中一部分。如果你用了 AI 以后某些方面变差，应该追问的是：我为什么不会管理这些信息？应该怎样观察它？

我理解陶先生所说的问题确实会出现，但原因可能是使用者还没有学会观察大量信息。要解决的是 observability，而不是把信息本身挡在外面。

DeepTech：从我自己的日常工作看，某种程度上我的感受也接近你的判断。但你的观点可能对很多人还是会有冲击。这个观点公开后，可能会人反驳你。

马骁：我也很想听听别人怎么反驳。

DeepTech：我个人想到一种可能性，就是你已经接受了很多年的严格数学训练，也有能力判断一个答案是否可靠、什么信息值得看、AI 什么时候可能出了错。对一个尚未建立这些判断标准的普通学生来说，更多信息未必只是一种增量，也可能直接替代了他原本需要经历的思考。有没有可能，你的使用经验并不具有普遍性，甚至因为你太擅长学习，低估了“认知摩擦”对大部分人的价值？

马骁：当然有可能，这个反驳我觉得很有道理。我的使用经验不一定具有普遍性。对一个还没有建立判断标准的学生来说，AI 确实可能不只是增加信息，而是直接替代他本来需要经历的思考。但我觉得，这恰恰说明从一开始就必须引导和教育学生，教他们怎样观察更多的信息、怎样判断 AI 给出的东西、怎样和 AI 交互，而不是先把这些信息挡在外面。判断标准本身也不是天然存在的，它是可以被训练出来的。

比如 Codex 里有 side task 这样的功能，可以在一个主对话旁边再开一个子对话，让 AI 去检查某一步、解释一个问题，或者汇报整个项目目前进行到哪里。学生需要训练的是怎样提问，怎样最快地知道项目进展到哪一步，知道 AI 在做什么、卡在哪里，哪些地方需要自己介入。这个过程本身就是在培养 observability。

当然，这只是一种具体方法。更一般地说，还是要培养学生在各个方面的观察能力。对初学者，可以把自动化程度放低一点，让他一个步骤一个步骤地跟着 AI 做，而不是直接把整个任务交出去。但我仍然不认为应该为了保留“认知摩擦”而保留摩擦。真正重要的是把判断、观察和验证的能力教给学生，让他逐渐学会管理更多的信息。

DeepTech：最后一个问题。接下来几年，如果只能选一个你最想先实现的目标，会是什么？

马骁：我希望能用 AI “抽”出一个我自己真正认可的数学问题。

不是只偶然做出来一次，下一步是把这个能力完整地复现出来，做成一种稳定的东西。

排版：杨梦

注：封面/首图由 AI 辅助生成