2026 年 9 月 28 日，Stephen Wolfram 在个人站点发布长文《AI 时代纯数学研究的未来是什么？》，系统回应近来流行的一种说法：既然 AI 已经能解奥数题、能批量产出定理，是不是就不再需要人做纯数学研究了。Wolfram 的结论很清楚：纯数学不会被 AI「做完」，但它的重心会更彻底地移到提问、选方向和构建概念上。

先说他承认的部分：AI 确实有用

Wolfram 没有贬低现代 AI。他认为自己做数学研究时，AI 最大的价值是对人类数学知识库做主题式挖掘——LLM 内部以我们尚未科学理解的方式表征了数百万篇论文和书里的原始想法，不仅能检索，还能发现「这个结果可以和那个结果拼起来」。人类研究者通常只读过几百篇论文，AI 读过几百万篇，而且试错成本极低。

但他强调要分清 AI 和纯计算的区别：AI 本质上是在撬动已有的人类知识语料，而计算可以真正生成全新的东西。从一条规则或一组公理出发不断迭代，靠他提出的「计算不可约性（computational ruliology）」——没有捷径，只能一步步跑——就能不断得到前所未有的定理。问题是，这样「从计算宇宙里捞出来」的定理大多属于他所说的 ruliology（规则学），压倒性概率是「外星数学」，跟人类已有的高层概念接不上，因此还算不上数学。

数学本来就不在公理那一层

文章花了很大篇幅讨论「数学到底是什么」。形式主义观点认为数学就是从集合论等公理机械推导出定理的集合，但 Wolfram 指出，绝大多数纯数学研究根本不是在公理层面工作的，而是在高得多的层面上构建和研究抽象结构及其关系。

他打了个物理的比方：就像我们做流体力学不必追踪每个分子的碰撞，数学家也能直接在「勾股定理」这一层推理，而不用每次都下沉到实数的公理定义。底层充满计算不可约性，但其中总有可约性的口袋（pockets of computational reducibility），物理定律和人类层面的数学都住在这些口袋里。

由此他给出一个关键判断：推进纯数学，与其说是推开某个原始的「元数学前沿」，不如说是为那里已有的东西找到能装进有限人脑的人类表征方式。有限心智只能采样「ruliad」（所有可能计算过程的纠缠极限）的极小一部分，所以不存在「绝对的数学」，只有基于我们如何采样的数学。

自动形式化的坑，和 26 年只有一例的结果

对热门的 autoformalization（自动形式化），Wolfram 的态度是警惕：证明助手确实能验证证明，但薄弱环节在于「形式化出来的东西是不是你本来想说的那件事」。他说自己多次遇到 AI 报告「证出来了」，实际是绕开本意、找了个刁钻的解释方式去证明，而且形式化后的表达非常底层、冗长，人类很难看出来。

自动定理证明的情况更冷峻。Wolfram 认为整个领域历史上真正算得上「首次由自动定理证明发现、且此前不为人知」的数学结果只有一例——他在 2000 年用该方法找到布尔代数的极小公理系统。而那个证明极长、极底层、非常「异类」，26 年过去，无论靠 AI 还是人都没能给出人类层面的版本，它像是元数学宇宙里一根悬空的「刺」。

至于用 AI 批量生成结果，问题在于没法判断对错。可行的做法是让结论可被计算检验：AI 说解出一个积分，就对它求导看能否还原被积函数；AI 给出反例，就直接算一遍验证。Wolfram 的经验是，AI 常常能找到某种「找对地方就显得很简单」的东西，一旦找到，就能固化成一段不需要 AI 的纯计算。

真正稀缺的仍然是「提出问题」

文章后半部分反复回到同一点：伟大的数学首先由它提出的问题定义。AI 很擅长完成既定目标，但目标本身几乎必然来自系统之外——来自人。他观察到一个耐人寻味的现象：目前 AI 在数学上最瞩目的成功，往往出自最顶尖的人类数学家之手，因为「知道该问什么问题」本身就是最难、也最独特的那部分工作，而问题一旦明确，答案的大半已经完成。

新概念的生产同样受制于人。AI 可以从神经网络激活模式里识别出无数「新概念」，但人类语言只能容纳几万个词，数学概念也必须被编织进数学文化的社会共识里才能当积木用——这和给语言引入新词一样，是个缓慢的社会过程。他本人在设计 Wolfram Language 的四十年里，就刻意限制新概念的引入速度。

那为什么还要做纯数学

Wolfram 反对「纯数学等着被应用」的常见叙事，认为顺序其实相反：是先有数学提供的思维方式，科学和技术才会去找它对应的规律。任何一段成功的纯数学都对应一个可约性口袋，也就必然蕴含某种规律，迟早成为科学与技术的原料——只是那可能是一种我们尚未关心的形式。

纯数学会不会有「做完」的一天？他的回答是否定的：计算不可约性保证了数学事实和惊喜都是无限的，新的概念与结构也一样无限。而且纯数学的顶层长期以来是口传传统和人际链条，要维持这簇火焰，就需要一个持续实践、持续讨论「怎么做」的共同体。

文末他还宣布了一件实事：得益于平台进展与 AI 带来的开发成本变化，Wolfram 正在把 Wolfram Language 扩展到纯数学研究的构件（层、李群、Clifford 代数等），目标是让纯数学「广泛可计算」，既给人类也给 AI 用，同时给自动形式化一个真正可对齐的目标。

核心总结

  • AI 的位置：强在挖掘与连接数百万篇文献，弱在设定目标；纯计算能生成全新定理，但多半是接不上人类概念的「外星数学」
  • 数学的层级：真正的研究在高层结构而非公理层，推进它靠的是为元数学世界找到人类可表达的方式
  • 两个警示：自动形式化的薄弱环节是「形式化的是不是你的本意」；自动定理证明 26 年只产出一例真正的新结果（2000 年布尔代数极小公理系统）
  • 最稀缺的能力：提出问题与设定目标，几乎必然来自系统之外；AI 的数学成功目前多由最顶尖的人类数学家带动
  • 纯数学的价值：不是等待应用，而是提供思维方式、塑造科学找什么；计算不可约性保证它永远不会「做完」

原文：What’s the Future for Pure Math Research in the Age of AI?（Stephen Wolfram Writings，2026-09-28）