科学为什么一定要让人看懂？

回顾数学的发展史，会发现一个反复出现的规律。当一个时代已有的方法逼近极限时，真正推动数学继续向前的，往往不是有人把旧方法使用得更加熟练，而是一种新的表示方式、计算工具或思维框架出现了。

数字不够用了，人类发明代数符号。复杂乘除和天文计算太困难，人类发明对数。几何和代数长期互不相通，坐标系把图形变成了方程。传统语言无法统一描述速度、切线、面积和连续变化，Newton 与 Leibniz 建立微积分。

到了20世纪，当某些问题需要检查的情况远远超过人脑极限，计算机又进入数学。1976年的四色定理成为一个标志性事件：数学家开始接受，证明中的大规模验证可以由机器完成。

每一次变化刚出现时，都很容易被理解成“辅助工具”。但几十年甚至几百年后回头看，我们会发现，它们真正改变的从来不只是效率，而是数学家能够思考什么。

---

AI会不会成为又一次改变“什么问题可以被思考”的认知工具？甚至，它最终会不会改变我们对“科学研究”本身的定义？这不是一个关于更快计算的问题，而是关于谁能承载知识。

一、每一次工具升级，都重新划定了可思考的边界

十六世纪，符号代数让数学从处理具体数值，转向操纵一整类抽象问题。十七世纪初，对数把繁重的乘除转成加减，释放天文与航海计算的规模。十七世纪，解析几何用坐标把图形翻译成方程，让几何与代数互相借力。十七世纪后期，微积分为变化发明语言，把速度、切线、面积与累积统一起来。

二十世纪，计算机突破人类的计算与验证带宽，开始穷举巨大的有限空间。而现在，人工智能不只执行已知方法，开始参与搜索“该怎样想”。

伟大的数学工具不一定直接给出答案。它真正厉害的地方，是让以前难以思考的问题变得可以思考。AI特殊之处在于，过去的工具主要扩展计算，而它开始扩展寻找方法的能力。

二、从“回答问题”，走向“搜索方法”

过去的计算机遵循“人找到方法，机器高速执行”。今天开始出现另一条链路：人给出问题，AI尝试路线、寻找反例、组合文献、编写实验程序，再把候选结果交给形式系统验证。

Case 01 · 黎曼猜想　一份被广泛转述的Claude研究实验记录称，这项实验没有证明黎曼猜想。它在大规模失败、试验、程序验证与既有工作的组合过程中，推进了一个与临界线零点比例相关的结果——下界从 41.6% 推进到 67.2%。这个案例的重要性恰恰在于“没有拿下最终答案”：AI更像研究者一样，在攻击大问题的途中，意外找到一条可验证的新路径。需要划清的边界是：这不是“AI证明了黎曼猜想”，而是方法空间搜索产生了新的阶段性结果。

Case 02 · 纳维–斯托克斯方程　2026年9月公开的一份Navier–Stokes候选解答及其Lean形式化证明，讨论三维不可压缩流体是否可能在有限时间形成奇点。即使正式评价仍需经过缓慢审查，这件事也使一个问题很难继续被当作纯粹假设：AI产生世界前沿数学成果，正在成为现实议题。同样需要划清边界：候选解答、形式验证与数学共同体的最终承认，是三件不同的事。

人提出问题 → AI搜索方法 → 实验与反例 → 形式验证。过去我们自动化的是“计算”，现在开始自动化的是“研究循环”。AI扩大的也许不是某一次推理的深度，而是我们能够同时尝试多少种思想。

三、答案，还是理解？

一个著名猜想的价值，并不只在最后那个“True”或“False”。失败的道路也会发明概念、方法、理论和新的数学结构。

当顶尖数学家反对把“解决多少著名难题”作为AI数学研究的主要指标时，他们捍卫的并不是落后的手工劳动，而是一种极其重要的数学价值：答案不是数学最重要的产品，理解才是。

一份很长、形式上正确的证明，如果没人能说清为什么要这样定义、真正的新思想是什么、它与现有理论发生了什么关系，就难以转化成可以继续生长的数学。这个批评完全成立。但它也把一个过去不必提出的问题推到了台前：为什么宇宙的深层规律，有义务以人脑能够形成直觉的方式存在？

四、科学，也许是一种适配人脑带宽的知识压缩格式

我们几乎从未怀疑过，好的理论应该简洁、统一、可以解释、具有直觉，并且能够写进教科书，从一代科学家传给下一代。F = ma，E = mc²——人类天然欣赏这种高度压缩的规律，并逐渐形成一种科学审美：越简洁、越优雅的理论，似乎越接近真理。但这里也可能藏着一个巨大的认知偏差。

也许不是宇宙底层规律必然简洁，而是只有能够被人脑压缩成简洁规律的那部分宇宙，才被我们纳入了传统科学。

过去几千年，地球上只有一种智能能够真正从事科学研究。所有知识最终都必须运行在同一种硬件上：人脑。它的工作记忆、注意力、寿命和可同时处理的变量都有限。于是我们寻找公式、创造抽象、提炼原理，不断把自然压缩成可以被有限心智承载的形式。

---

设想一个极端的生命系统：830万个相互作用的变量，137层非线性关系，数万个动态反馈回路。它没有漂亮公式，也无法形成完整的人类直觉。但一个AI可以准确预测疾病、设计药物、进行反事实模拟，并让结果持续接受真实实验检验。它究竟算不算掌握了这个系统？如果答案是否定的，只因为“没有人知道它为什么这样做”，那么真正值得追问的是：为什么一定要由人知道为什么？

更准确的命题不是“未来不再需要理解”，而是：未来可能不再要求所有关键理解都能被人类完整承载。理解仍应包含抽象、因果、压缩、预测与反事实能力，只是这些结构未必适合装进人脑。

五、也许“原理”本身，就是一个人类时代的概念

传统科学把“人类能够理解的原理”放在研究链条的中心。AI时代则可能形成一个并不以人类认知为中转站的闭环：海量实验与机器原生数据，AI建立高维内部结构，产生预测与候选解释，设计新的验证实验，自动执行并收集结果，修改模型继续循环。

这条循环可以不断进步，中间却未必有任何一步要求“一个人类科学家已经完整理解它”。人仍然决定目标、约束、伦理与可接受风险，也仍然需要审计结果；但人类不再是每一段知识流动必须经过的最高带宽。

数学可能最先进入这个时代。数学有一项自然科学暂时没有的特殊优势：正确性可以和理解分开。设想AI产生一份拥有两百万步推理的形式化证明。没有任何人能在脑中完整把握它，但Lean一类证明检查器可以确认每个定义合法、每一步都由公理和先前定理推出。

于是数学史上可能出现一种奇怪的新状态：我们知道命题是真的（Verification），却尚不理解它为何如此为真（Understanding）。当证明越来越便宜，真正稀缺的东西可能不再是证明本身，而是理解这些证明意味着什么。

六、两套科学

Human-readable Science，为人脑而生：追求简洁理论与漂亮公式；强调因果解释与可交流的直觉；形成可教学、可继承的概念体系；帮助人类判断、创造与理解世界；以人的认知带宽组织知识。

Machine-native Science，超越人类带宽：允许模型超出单个人类的理解规模；依赖验证、复现、预测与控制；以高维表示承载复杂结构；自动设计实验并持续修正自身；人类负责目标、边界与价值判断。

这两套科学未必互相消灭。人类可读的科学负责让我们理解，机器原生的科学负责探索那些因认知带宽而长期被挡在门外的区域。未来真正成熟的科研体系，可能需要它们互相翻译、互相审计。

七、结语：人类第一次，可能不再是知识的最高带宽

几十年后的人们不会把Newton、Einstein或现代数学看作糟粕。它们仍会是未来知识体系的重要地基。真正可能被视为旧时代遗产的，是一种曾经合理、却未必永恒的研究范式：知识必须先被压缩成人类能够理解的形式，才能继续向前发展。

计算器扩展算术，望远镜扩展视觉，显微镜扩展尺度，计算机扩展执行。AI正在尝试扩展一种更加基础的能力：探索思想空间的能力。

如果AI只是复制人类科研方法，只不过速度快一千倍，它仍然只是旧科学的加速器。更大的可能发生在机器开始以一种“不像人”的方式进行科学以后：科学第一次可以继续向前发展，即使人类已经无法完整理解它。

AI真正突破的，也许不是某一道题，而是人类过去一直没有意识到的最大瓶颈——人类自己的认知尺度。