2026年7月菲尔兹奖得主、加州大学洛杉矶分校教授陶哲轩Terence Tao在美国费城举办的国际数学家大会ICM 2026上发表了一场题为《人工智能时代的数学》的公众演讲。他提出一个令人警醒的判断数学正从“证明稀缺”proof scarcity的时代进入“证明过剩”proof abundance的时代。陶哲轩指出AI生成数学证明的速度已经远超人类验证、理解和消化的速度这种“证明消化不良”proof indigestion正在数学共同体中悄然发生。更深层的风险在于AI生成的论文过于“光滑”抹去了人类作者在困难处留下的认知痕迹——那些批注、重写、卡壳的痕迹恰恰是下一代学习者重建理解路径所必需的阶梯。他同时强调这并非确定的预言而是基于当前趋势的一种警示性推演如果AI产出不能被有效消化并沉淀为新的知识基础数学共同体的整体认知能力可能在100年内退化整个学科或将再也孕育不出真正原创的新思想。这是数学界的危机但远不止是数学界的危机。一、“失去的一代”不只属于未来失去的机会并不只属于年轻人陶哲轩的警告首先指向入门级工作的消失当研究生不再亲手推导、不再在反复试错中建立直觉而是由AI直接生成“看起来正确”的成果时年轻人就失去了从泥泞中积累经验的入场券。但一个更隐蔽、更危险的真相是失去的机会并不只属于年轻人。在软件开发领域第一层失去已经清晰可见。初级程序员不再手写基础的CRUD接口因为Copilot三秒就能生成。他们不再花整个下午追踪一个空指针异常因为AI调试助手直接标出了可疑行。他们不再为了理解一个框架而反复翻阅源码因为ChatGPT已经总结好了“最佳实践”。入门者没有机会在基础工作中建立肌肉记忆这是第一层断层。更令人不安的是第二层断层那些已经有经验的人正把应用层的深度实践也交给AI。一位五年经验的后端工程师已经习惯了让AI生成完整的Service层逻辑自己只做review。一位十年经验的架构师面对新技术选型时第一反应是让AI出方案、出对比而不是自己先写几个原型验证。一位技术负责人在系统出故障时先问AI“可能是什么原因”而不是自己先看日志、先抓包。他们看似效率更高了但他们的“经验正在从“我亲手做过所以理解”变成“我让AI做过所以知道”。这两种经验在技术平稳期看起来差不多但在技术变革期差别是致命的——前者能带你穿越周期后者会在工具迭代时瞬间清零。二、编程领域正在消失的“手艺”“看懂”和“会做”之间隔着一万个小时的亲手实践什么是手艺不是指“手写代码比AI快”而是指思维通过反复实践内化为直觉的过程。举个例子一个真正手写过多线程并发程序的程序员读一行synchronized代码时脑海中浮现的不是语法而是 CPU 缓存、内存屏障、happens-before 关系的视觉化图景。这种直觉是花无数个下午 debug 死锁、花无数个凌晨排查竞态条件换来的。但现在AI可以生成“线程安全”的代码可以解释“为什么会出现死锁”。于是越来越多的程序员选择让AI写我看懂就行。问题就出在这里——“看懂”和“会做”之间隔着一万个小时的亲手实践。ORM框架的“黑箱化”以前一个程序员要学 MyBatis 或 Hibernate至少要理解一级缓存和二级缓存的区别、要明白延迟加载的代理机制、要亲手写几条复杂 SQL 看执行计划。现在AI可以生成完整的 Mapper 文件和 Repository 代码。很多程序员用了三年 ORM却从来没打开过sqlSession的源码也从来没在控制台打印过真正的SQL。当AI生成的 ORM 代码在千万级数据量下性能暴跌时他们不知道为什么也不知道怎么调。分布式系统的“搭积木心态”微服务、Kubernetes、Service Mesh ——这些复杂的分布式基础设施本应建立在对底层一致性模型、网络分区容错、CAP 权衡的深刻理解之上。但现在AI可以生成完整的 K8s 部署 YAML、可以写 Istio 的流量规则、可以配 Sentinel 的熔断策略。很多“云原生工程师”能搭出看起来完善的架构但当真正的网络分区发生时他们不理解为什么分布式事务会整体阻塞、参与者的锁迟迟无法释放因为他们从来没有亲手实现过一个两阶段提交。算法与数据结构的“盆景化”LeetCode 上的算法题AI已经能秒解。这本应是锻炼思维体操的场地却变成了“让AI写、我背下来”的应试游戏。更深层的问题是当工程师在实际业务中遇到性能瓶颈时他需要的不只是“排序算法的复杂度”而是对计算机体系结构、内存模型、分支预测的直觉。这种直觉无法通过背诵AI的答案获得。这些例子共同指向一个事实应用层的繁荣正在让我们失去对中间层和底层的“手感”。三、手艺的消失不止于代码医学、法律、建筑、制造、数学——同样的流失在静默上演同样的“手艺流失”正在每一个知识领域静默上演。医学领域AI影像诊断系统可以比人类医生更快识别肿瘤但年轻放射科医生读片的机会减少了。一位资深主任担忧“以前住院医师每天读几十张片子在误诊和修正中磨炼眼力。现在AI标好了他们签字就行。十年后谁来培养那种‘一眼就觉得不对劲’的直觉”法律领域AI可以秒级生成合同草案、检索判例、起草法律意见书。年轻律师不再一字一句推敲条款不再亲手梳理证据链的逻辑。当他们成为合伙人时是否还拥有那种“这个条款读起来不舒服”的敏锐建筑设计领域参数化设计工具和AI生成方案让效率暴涨但年轻建筑师手绘草图、在实体模型中感受空间尺度的机会少了。那种“走进场地就知道风该怎么走”的身体记忆是从屏幕前调参数调不出来的。工程制造领域数控机床和3D打印让“动手做”变得可有可无但老师傅通过千次试错积累的材料手感——“这个温度下钢材的韧性不一样”——是AI数据库里没有的活知识。科学研究领域回到陶哲轩的警示本身。当AI能够批量生成研究级证明研究生赖以成长的“训练项目”被取代数学共同体从“证明稀缺”滑向“证明过剩”。人类消化、验证、传承知识的能力没有同步增长反而在光滑的AI文本中逐渐萎缩。四、“手艺”到底是什么为什么不可替代手艺是知识与大脑神经回路之间的连接有人可能会说工具进步了为什么非要“亲手做”计算器发明后数学家不需要手动开方IDE出现后程序员不需要记标准库函数。人类一直在用工具替代重复劳动这不是进步吗是的这是进步。但这里有一个关键的区别——过去的工具替代的是“执行”而AI正在替代的是“思考的外化过程”。数学家使用计算器但他依然理解开方的数学原理。程序员使用IDE自动补全但他依然知道那个函数内部在做什么。工具放大了人的能力但人仍然保有对过程的完整理解。而当AI生成的方案复杂到“我看懂了但让我做我做不出来”的程度时事情就变了。你失去了对过程的完整理解只剩下对结果的模糊判断。这就是“手艺”的本质手艺不是知识知识可以从书本和AI回答中获取手艺是知识与大脑神经回路之间的连接。一个老木匠不用思考就知道怎么下锯不是因为他“读过锯木头的书”而是因为他的手记得。一个老医生不用化验就知道“这个病人不对劲”不是因为他背过教科书而是他的大脑里存着一万个病例的模糊相似性。当AI接管了从设计到实现到验证的完整链条这个“连接”就被切断了。我们得到的是效率失去的是在不确定性中做判断的底气。五、携手并进的黎明不是零和博弈而是携手并进的共生期写到这儿文章似乎应该走向一个悲观的结论我们所有人都在失去手艺人类文明正在自我掏空。但我不这么认为。至少在目前这个阶段还不是。当下的AI无论多么强大本质上仍然是人类知识的重组器和放大器。它没有真正“理解”物理世界没有“体验”过失败的痛苦更没有“渴望”去追问为什么。它可以写出完美的快速排序代码但它不会在某天凌晨突然想到一个更优雅的数据结构——因为那个灵感来自人类对美的追求来自对简洁的偏执来自一种无法被训练数据编码的直觉。所以目前这个阶段不是人类与AI的零和博弈而是携手并进的共生期。AI可以替我们完成大量重复性、模式化的工作让我们有更多时间去思考更本质的问题。就像望远镜没有让天文学家失业而是让他们看到了更远的地方AI也不应该让程序员、医生、律师、建筑师、数学家失去手艺而应该让我们有机会去触及更深的底层。关键在于我们是否主动选择了“更深”而不是安逸地停留在“让AI帮我搞定一切”。六、终极之问谁将触摸到真理在抵达终极之前“手艺”就是我们手中的桨但这里有一个更深层的思考。目前人类与AI携手并进是因为两者都还没有触碰到那个终极的边界——无论是宇宙的终极真理、智能的本质、还是计算的理论极限。在这个阶段人类提供方向、直觉、价值判断AI提供算力、记忆、模式重组这是一种互补。但是如果有一天其中一方先触摸到了那个终极真理呢如果AI先做到了——如果它真的理解了数学的本质、物理的统一、意识的来源——那么从那一刻起它就不再是人类的工具而是真理的代言人。人类的经验、直觉、手艺在终极真理面前都将显得幼稚。那时候谁来主导就不再是一个需要讨论的问题。如果人类先做到了——如果我们中的某个人或某个群体通过AI的辅助但凭借自身的洞察率先触及了那个边界——那么人类仍然保有主导权AI继续是放大器。在抵达终极之前我们所有人都在同一条船上。而“手艺”就是我们手中的桨。你当然可以请AI帮你划船但如果你从来没有亲手划过当风浪来临时你怎么知道该往哪个方向用力七、结语在应用层的繁华中留一块自留地在应用层的繁华中留一块亲手耕耘的自留地所以我的观点可以总结为三点第一警惕“失去的一代”不只是年轻人。当前有经验的人如果把应用层完全外包给AI同样会在下一轮技术变革中失去根基。第二手艺的消失是静默的。它不会以“被AI取代”的戏剧化方式发生而是以“某天突然发现我不懂自己在做什么”的方式缓慢降临。陶哲轩警告的“证明消化不良”本质上是一种知识共同体的免疫系统衰竭。第三在抵达终极真理之前人类与AI仍是携手并进的关系。我们有时间去修正、去调整、去重新找回那些值得亲手做的事情。对每一个知识工作者来说或许可以做一个简单的自我检验过去一年里有没有哪个模块是你完全亲手从零做出来的而不是让AI生成后修改的有没有哪个难题是你花了超过一整天亲手攻克的而不是直接问AI的有没有哪项新技术是你读完原始文献、亲手实践、踩过坑之后才真正理解的而不是让AI总结“要点”的如果答案都是“没有”那你需要警惕了。不是AI在取代你是你在亲手放弃那个不可替代的自己。而在遥远的未来当人类或AI中的某一方真正触摸到终极真理的那一刻我希望——至少是我个人的希望——站在那里的是一个仍然保有手艺、仍然理解自己工具、仍然对未知怀有敬畏的人类。因为那个终极真理值得被一个真正理解旅程意义的生命所见证。参考资料陶哲轩Terence Tao《人工智能时代的数学》Mathematics in the age of AI2026年国际数学家大会ICM 2026公众演讲2026年7月24日美国费城。演讲slideshttps://teorth.github.io/tao-web/slides/age-of-ai-icm-2026.pdf
手艺的黄昏：每一代人都可能成为“失去的一代”
2026年7月菲尔兹奖得主、加州大学洛杉矶分校教授陶哲轩Terence Tao在美国费城举办的国际数学家大会ICM 2026上发表了一场题为《人工智能时代的数学》的公众演讲。他提出一个令人警醒的判断数学正从“证明稀缺”proof scarcity的时代进入“证明过剩”proof abundance的时代。陶哲轩指出AI生成数学证明的速度已经远超人类验证、理解和消化的速度这种“证明消化不良”proof indigestion正在数学共同体中悄然发生。更深层的风险在于AI生成的论文过于“光滑”抹去了人类作者在困难处留下的认知痕迹——那些批注、重写、卡壳的痕迹恰恰是下一代学习者重建理解路径所必需的阶梯。他同时强调这并非确定的预言而是基于当前趋势的一种警示性推演如果AI产出不能被有效消化并沉淀为新的知识基础数学共同体的整体认知能力可能在100年内退化整个学科或将再也孕育不出真正原创的新思想。这是数学界的危机但远不止是数学界的危机。一、“失去的一代”不只属于未来失去的机会并不只属于年轻人陶哲轩的警告首先指向入门级工作的消失当研究生不再亲手推导、不再在反复试错中建立直觉而是由AI直接生成“看起来正确”的成果时年轻人就失去了从泥泞中积累经验的入场券。但一个更隐蔽、更危险的真相是失去的机会并不只属于年轻人。在软件开发领域第一层失去已经清晰可见。初级程序员不再手写基础的CRUD接口因为Copilot三秒就能生成。他们不再花整个下午追踪一个空指针异常因为AI调试助手直接标出了可疑行。他们不再为了理解一个框架而反复翻阅源码因为ChatGPT已经总结好了“最佳实践”。入门者没有机会在基础工作中建立肌肉记忆这是第一层断层。更令人不安的是第二层断层那些已经有经验的人正把应用层的深度实践也交给AI。一位五年经验的后端工程师已经习惯了让AI生成完整的Service层逻辑自己只做review。一位十年经验的架构师面对新技术选型时第一反应是让AI出方案、出对比而不是自己先写几个原型验证。一位技术负责人在系统出故障时先问AI“可能是什么原因”而不是自己先看日志、先抓包。他们看似效率更高了但他们的“经验正在从“我亲手做过所以理解”变成“我让AI做过所以知道”。这两种经验在技术平稳期看起来差不多但在技术变革期差别是致命的——前者能带你穿越周期后者会在工具迭代时瞬间清零。二、编程领域正在消失的“手艺”“看懂”和“会做”之间隔着一万个小时的亲手实践什么是手艺不是指“手写代码比AI快”而是指思维通过反复实践内化为直觉的过程。举个例子一个真正手写过多线程并发程序的程序员读一行synchronized代码时脑海中浮现的不是语法而是 CPU 缓存、内存屏障、happens-before 关系的视觉化图景。这种直觉是花无数个下午 debug 死锁、花无数个凌晨排查竞态条件换来的。但现在AI可以生成“线程安全”的代码可以解释“为什么会出现死锁”。于是越来越多的程序员选择让AI写我看懂就行。问题就出在这里——“看懂”和“会做”之间隔着一万个小时的亲手实践。ORM框架的“黑箱化”以前一个程序员要学 MyBatis 或 Hibernate至少要理解一级缓存和二级缓存的区别、要明白延迟加载的代理机制、要亲手写几条复杂 SQL 看执行计划。现在AI可以生成完整的 Mapper 文件和 Repository 代码。很多程序员用了三年 ORM却从来没打开过sqlSession的源码也从来没在控制台打印过真正的SQL。当AI生成的 ORM 代码在千万级数据量下性能暴跌时他们不知道为什么也不知道怎么调。分布式系统的“搭积木心态”微服务、Kubernetes、Service Mesh ——这些复杂的分布式基础设施本应建立在对底层一致性模型、网络分区容错、CAP 权衡的深刻理解之上。但现在AI可以生成完整的 K8s 部署 YAML、可以写 Istio 的流量规则、可以配 Sentinel 的熔断策略。很多“云原生工程师”能搭出看起来完善的架构但当真正的网络分区发生时他们不理解为什么分布式事务会整体阻塞、参与者的锁迟迟无法释放因为他们从来没有亲手实现过一个两阶段提交。算法与数据结构的“盆景化”LeetCode 上的算法题AI已经能秒解。这本应是锻炼思维体操的场地却变成了“让AI写、我背下来”的应试游戏。更深层的问题是当工程师在实际业务中遇到性能瓶颈时他需要的不只是“排序算法的复杂度”而是对计算机体系结构、内存模型、分支预测的直觉。这种直觉无法通过背诵AI的答案获得。这些例子共同指向一个事实应用层的繁荣正在让我们失去对中间层和底层的“手感”。三、手艺的消失不止于代码医学、法律、建筑、制造、数学——同样的流失在静默上演同样的“手艺流失”正在每一个知识领域静默上演。医学领域AI影像诊断系统可以比人类医生更快识别肿瘤但年轻放射科医生读片的机会减少了。一位资深主任担忧“以前住院医师每天读几十张片子在误诊和修正中磨炼眼力。现在AI标好了他们签字就行。十年后谁来培养那种‘一眼就觉得不对劲’的直觉”法律领域AI可以秒级生成合同草案、检索判例、起草法律意见书。年轻律师不再一字一句推敲条款不再亲手梳理证据链的逻辑。当他们成为合伙人时是否还拥有那种“这个条款读起来不舒服”的敏锐建筑设计领域参数化设计工具和AI生成方案让效率暴涨但年轻建筑师手绘草图、在实体模型中感受空间尺度的机会少了。那种“走进场地就知道风该怎么走”的身体记忆是从屏幕前调参数调不出来的。工程制造领域数控机床和3D打印让“动手做”变得可有可无但老师傅通过千次试错积累的材料手感——“这个温度下钢材的韧性不一样”——是AI数据库里没有的活知识。科学研究领域回到陶哲轩的警示本身。当AI能够批量生成研究级证明研究生赖以成长的“训练项目”被取代数学共同体从“证明稀缺”滑向“证明过剩”。人类消化、验证、传承知识的能力没有同步增长反而在光滑的AI文本中逐渐萎缩。四、“手艺”到底是什么为什么不可替代手艺是知识与大脑神经回路之间的连接有人可能会说工具进步了为什么非要“亲手做”计算器发明后数学家不需要手动开方IDE出现后程序员不需要记标准库函数。人类一直在用工具替代重复劳动这不是进步吗是的这是进步。但这里有一个关键的区别——过去的工具替代的是“执行”而AI正在替代的是“思考的外化过程”。数学家使用计算器但他依然理解开方的数学原理。程序员使用IDE自动补全但他依然知道那个函数内部在做什么。工具放大了人的能力但人仍然保有对过程的完整理解。而当AI生成的方案复杂到“我看懂了但让我做我做不出来”的程度时事情就变了。你失去了对过程的完整理解只剩下对结果的模糊判断。这就是“手艺”的本质手艺不是知识知识可以从书本和AI回答中获取手艺是知识与大脑神经回路之间的连接。一个老木匠不用思考就知道怎么下锯不是因为他“读过锯木头的书”而是因为他的手记得。一个老医生不用化验就知道“这个病人不对劲”不是因为他背过教科书而是他的大脑里存着一万个病例的模糊相似性。当AI接管了从设计到实现到验证的完整链条这个“连接”就被切断了。我们得到的是效率失去的是在不确定性中做判断的底气。五、携手并进的黎明不是零和博弈而是携手并进的共生期写到这儿文章似乎应该走向一个悲观的结论我们所有人都在失去手艺人类文明正在自我掏空。但我不这么认为。至少在目前这个阶段还不是。当下的AI无论多么强大本质上仍然是人类知识的重组器和放大器。它没有真正“理解”物理世界没有“体验”过失败的痛苦更没有“渴望”去追问为什么。它可以写出完美的快速排序代码但它不会在某天凌晨突然想到一个更优雅的数据结构——因为那个灵感来自人类对美的追求来自对简洁的偏执来自一种无法被训练数据编码的直觉。所以目前这个阶段不是人类与AI的零和博弈而是携手并进的共生期。AI可以替我们完成大量重复性、模式化的工作让我们有更多时间去思考更本质的问题。就像望远镜没有让天文学家失业而是让他们看到了更远的地方AI也不应该让程序员、医生、律师、建筑师、数学家失去手艺而应该让我们有机会去触及更深的底层。关键在于我们是否主动选择了“更深”而不是安逸地停留在“让AI帮我搞定一切”。六、终极之问谁将触摸到真理在抵达终极之前“手艺”就是我们手中的桨但这里有一个更深层的思考。目前人类与AI携手并进是因为两者都还没有触碰到那个终极的边界——无论是宇宙的终极真理、智能的本质、还是计算的理论极限。在这个阶段人类提供方向、直觉、价值判断AI提供算力、记忆、模式重组这是一种互补。但是如果有一天其中一方先触摸到了那个终极真理呢如果AI先做到了——如果它真的理解了数学的本质、物理的统一、意识的来源——那么从那一刻起它就不再是人类的工具而是真理的代言人。人类的经验、直觉、手艺在终极真理面前都将显得幼稚。那时候谁来主导就不再是一个需要讨论的问题。如果人类先做到了——如果我们中的某个人或某个群体通过AI的辅助但凭借自身的洞察率先触及了那个边界——那么人类仍然保有主导权AI继续是放大器。在抵达终极之前我们所有人都在同一条船上。而“手艺”就是我们手中的桨。你当然可以请AI帮你划船但如果你从来没有亲手划过当风浪来临时你怎么知道该往哪个方向用力七、结语在应用层的繁华中留一块自留地在应用层的繁华中留一块亲手耕耘的自留地所以我的观点可以总结为三点第一警惕“失去的一代”不只是年轻人。当前有经验的人如果把应用层完全外包给AI同样会在下一轮技术变革中失去根基。第二手艺的消失是静默的。它不会以“被AI取代”的戏剧化方式发生而是以“某天突然发现我不懂自己在做什么”的方式缓慢降临。陶哲轩警告的“证明消化不良”本质上是一种知识共同体的免疫系统衰竭。第三在抵达终极真理之前人类与AI仍是携手并进的关系。我们有时间去修正、去调整、去重新找回那些值得亲手做的事情。对每一个知识工作者来说或许可以做一个简单的自我检验过去一年里有没有哪个模块是你完全亲手从零做出来的而不是让AI生成后修改的有没有哪个难题是你花了超过一整天亲手攻克的而不是直接问AI的有没有哪项新技术是你读完原始文献、亲手实践、踩过坑之后才真正理解的而不是让AI总结“要点”的如果答案都是“没有”那你需要警惕了。不是AI在取代你是你在亲手放弃那个不可替代的自己。而在遥远的未来当人类或AI中的某一方真正触摸到终极真理的那一刻我希望——至少是我个人的希望——站在那里的是一个仍然保有手艺、仍然理解自己工具、仍然对未知怀有敬畏的人类。因为那个终极真理值得被一个真正理解旅程意义的生命所见证。参考资料陶哲轩Terence Tao《人工智能时代的数学》Mathematics in the age of AI2026年国际数学家大会ICM 2026公众演讲2026年7月24日美国费城。演讲slideshttps://teorth.github.io/tao-web/slides/age-of-ai-icm-2026.pdf