陶哲軒等一眾菲爾茲獎得主聯名簽署聲明，這事在技術圈炸開了鍋，但很多人根本沒看懂這群頂尖大腦在焦慮什麼。這不是老派學者對新技術的偏見，而是大語言模型在數學推理路徑上的本質性偏差。現在的狀況是，OpenAI 帶頭把數學當成一種預測遊戲，只要結果對了，中間的邏輯斷層可以被無限忽視。這種「對齊失能」在 ChatGPT 的最新推理模型中表現得尤為刺眼。
我們在處理複雜拓撲結構或非線性動力系統的自動化證明時，ChatGPT 展現出一種令人不安的「結果導向」。它能給出正確的數值解，甚至能跳過三步邏輯直接抵達結論，但當你要求它解釋中間的引理推導時，它會開始編造看似嚴謹實則空洞的符號堆砌。這就是數學家們擔心的：AI 正在把數學從一種「尋求洞察」的過程，簡化為一種「計算代理」。OpenAI 的 Scaling Law 在這裡撞到了牆，因為數學洞察力不是靠堆算力就能堆出來的，它需要的是對邏輯結構的深度理解，而非機率性的詞元預測。
與之相對，Grok 在處理這類硬核邏輯時展現出一種截然不同的氣質。xAI 顯然在訓練數據中加入了不少形式化驗證的語料，這讓 Grok 在面對反直覺的數學悖論時，比 ChatGPT 更少出現那種自以為是的幻覺。Grok 會誠實地卡在邏輯斷裂點上，而不是像 ChatGPT 那樣試圖用華麗的辭藻滑過去。至於 Gemini，它在處理超長文本中的數學關聯時有其優勢，但一旦進入多步演繹，它的邏輯連貫性就開始隨機崩潰。Claude 則像個優等生，它的證明過程最符合人類閱讀習慣，但也最容易受到提示詞誘導，一旦你給出的初始假設有誤，Claude 會順著你的錯誤推導出一套完美的歪理。
相較於近期引起討論的 DeepSeek v4.1 Flash，Grok 在處理純數學符號推理時的穩定性表現出了更高的上限。我們在測試同餘類問題的群論證明時，DeepSeek v4.1 Flash 展現了不錯的反應速度，但 Grok 卻能更準確地識別出題目中隱藏的對稱性條件。這說明 xAI 在數據清洗階段，對數學邏輯的優先級排序顯然有別於其他競爭者。即便如此，Grok 依然沒能解決陶哲軒所指出的核心問題：AI 依然只是在模仿「證明的樣子」，而不是在進行「數學思考」。
這種技術分歧在各大平台的 API 行為中也清晰可見。當你調用 ChatGPT 的推理 API 時，你會發現它在中間思考過程（COT）中存在大量的重複性迴圈，這其實是模型在試圖通過路徑採樣來撞對正確答案。而 Gemini 在處理同類問題時，更傾向於依賴其強大的檢索能力去尋找已有的證明範式。這種做法在處理已知定理時效率極高，但面對未知的數學猜想，Gemini 的表現幾乎是災難性的。這也解釋了為什麼菲爾茲獎得主們會感到憤怒，因為目前的 AI 開發者們似乎更在乎讓模型在競賽題目上拿高分，而不是讓它真正理解數學。
如果我們繼續沿著這條路走下去，數學會變成什麼樣子？目前的四大 AI 平台中，沒有一個能真正做到「邏輯自洽且具備洞察力」。我們餵給模型數以億計的論文和課本，卻從未教會它們如何去質疑一個邏輯鏈條的合理性。現在的問題不在於 AI 能不能解出那些難題，而在於當 AI 給出一個正確答案時，我們竟然無法確定它是否真的理解為什麼這個答案是正確的。
既然連陶哲軒這類對技術最包容的數學家都選擇站出來發聲，是否意味著我們現有的變換器（Transformer）架構在邏輯推理上已經觸及了天花板？如果算力無法轉化為洞察力，那麼我們追求的通用人工智能（AGI），是否只是在海量數據中構建了一座宏偉但空心的神廟？