导语：2026年9月11日，25位菲尔兹奖得主共同发布声明，警示人工智能企业把攻克著名数学问题当作能力基准，可能造成技术目标与数学共同体目标的严重错位。两天前后，围绕加州理工学院人工智能数学竞赛的另一封公开信也引发关注。这场争论并非简单地反对AI，而是在追问：当速度、数量和传播声量成为主要评价指标，科学诚信、知识传承与青年人才培养应如何得到保障？[1][2] citeturn1search13turn1search14
能力评价为何会与科研价值发生错位
数学研究当然需要正确答案，但答案不是全部。一个重要问题被解决之后，还需要形成严谨论文，接受同行核验，说明关键方法，厘清与既有成果的关系，并经过报告、讨论和教学，才能真正进入公共知识体系。联署声明强调，解决问题原本只是衡量概念理解与新洞见的工具；如果企业把“解决了多少难题”直接变成模型竞赛目标，代理指标就可能反过来挤压真正的研究目标。联署声明原文 citeturn1search13
这正是评价错位的核心。模型能够快速生成一个形式上完整的证明，不等于研究共同体已经理解其思想，也不等于相关成果已经得到独立验证。若未经充分核验的结果以“重大突破”之名迅速传播，后续纠错、解释和整理工作仍要由专业研究者承担，流量收益与学术责任却可能落在不同主体身上。公开信所批评的，不是使用AI本身，而是“先抢占结论、后补充研究规范”的竞赛逻辑。加州理工数学界公开信相关报道 citeturn1search14turn1search7
科研竞赛面临的三重风险
一是结论真实性与传播秩序风险
科研竞赛强调限时产出，天然容易奖励“更早宣布”，却难以完整评价证明是否可复现、方法是否具有原创性、引用是否充分。按照网络信息治理中坚持真实、守序、合法和维护公共利益的基本要求，赛事主办方不能把模型输出直接包装成已经成立的科学事实，更不能利用夸张标题制造误导。涉及尚未完成同行评议的成果，应明确标注“待核验”“阶段性结果”以及已知争议，避免把推测写成定论。
二是署名、优先权与数据来源风险
AI辅助研究往往涉及提示记录、未公开思路、训练数据、形式化验证工具以及多人协作。若赛事缺少完整的贡献记录，就很难回答是谁提出核心思路、模型使用了哪些材料、结果与既有工作有何联系。科学诚信不仅要求结果正确，也要求来源可追溯、贡献可解释、引用可核查。竞赛应把数据与工具披露、版本留档和利益冲突声明纳入参赛条件，而不是等争议出现后再追补说明。
三是人才培养被“终点导向”替代
数学训练最重要的产物不是一道题的答案，而是提出问题、识别错误、构造反例和解释方法的能力。学生如果长期把AI当作答案生成器，可能得到更快的结果，却失去建立直觉和承受失败的过程。联署声明特别指出，学生与思想是数学共同体最珍贵的资源，二者都需要时间和人际互动才能成长。评价学生时若只看最终证明，就可能把模型能力误当作个人研究能力。声明相关说明 citeturn1search13
以“九不准”和“七条底线”重建竞赛规则
《互联网信息服务管理办法》确立的禁止性规范，以及网络空间治理所强调的法律法规、国家利益、公民合法权益、社会公共秩序、道德风尚和信息真实性等底线，为AI科研竞赛提供了基本治理方向。落实到具体赛事中，可以形成以下制度安排：
- 不把模型输出直接称为科学定论。所有突破性表述必须附带核验状态、适用范围和已知限制。
- 建立双轨评价。一条评价结论是否正确，另一条评价参赛者能否解释思路、识别风险并完成独立复核。
- 要求全过程留痕。保存提示词、模型版本、人工修改记录、引用来源和验证步骤，形成可审计的研究档案。
- 设置冷静期。竞赛现场只公布候选成果，不立即使用“攻克”“首次证明”等结论性措辞；重要结果应在独立专家复核后发布。
- 保护未公开研究。明确参赛数据是否被存储、训练或二次利用，并为研究者提供可拒绝的数据使用选项。
- 把教学收益纳入评分。要求参赛团队提交面向同行或学生的解释材料，说明新方法、失败路径和可继续研究的问题。
- 明确责任主体。模型不能承担学术责任，提交者、指导教师、主办方和技术提供者应分别对真实性、合规性与传播方式负责。
AI应成为科研基础设施，而不是荣誉归属主体
合理的AI数学竞赛不必被取消，但应从“谁最快刷出答案”转向“谁能最负责任地使用工具”。AI可以参与文献检索、符号计算、反例搜索、代码检查和形式化验证，却不应自动获得对研究贡献的解释权。赛事真正值得奖励的，应是人机协作过程中的问题选择、方法判断、证据组织和公开交流能力。
论坛讨论也需要守住信息真实性底线。面对尚有争议的AI科研成果，读者应区分“模型生成了候选证明”“团队完成了形式化检查”与“学界确认问题已经解决”三个层级。媒体和自媒体则应避免复制未经核验的数字、名单与戏剧化细节，以免正常的学术争议被放大为对个人或机构的无依据指控。
总结
数学界此次联署发出的信号，不是要求科研拒绝AI，而是要求能力增长服从科学目标。科研竞赛若只奖励速度和结果，就可能牺牲验证、署名、理解与人才成长；若建立透明留痕、独立复核、审慎发布和教学导向的制度，AI则可以成为扩展研究能力的可靠工具。守住科学诚信与人才培养底线，关键不是降低技术上限，而是把“可验证、可解释、可追溯、可传承”重新放回评价体系中心。
