《前沿加速不是數學傳承——研究基礎設施與傳承基礎設施的分離》

《AI 時代數學傳承工程論》01

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-07（整理日期；原稿未標註日期）
版本： 原稿未標註（本次整理版）

摘要

AI 正在快速進入數學研究流程。文獻搜尋、定理探索、程式生成、形式化驗證、反例搜尋、證明輔助與知識整理，都正在被新的模型與工具加速。這些發展常被統稱為「幫助數學家理解、傳承與推進數學」，但本文主張：研究加速（research acceleration）與數學傳承（mathematical transmission）是兩個不同的工程問題。

一套能讓博士生、研究者與前沿數學家更快閱讀論文、產生證明、檢查程式與完成形式化的系統，可以極大提升研究生產率；然而，它不因此自動降低非專家、本科生、跨領域研究者或下一代學習者進入該知識的認知成本。若前沿速度持續增加，而知識重構、教學投影與公共解釋速度未同步提升，AI 甚至可能擴大前沿與一般理解者之間的距離。

本文提出「研究基礎設施／傳承基礎設施分離原則」，區分 Research Acceleration Infrastructure（RAI）與 Mathematical Transmission Infrastructure（MTI），並建立前沿速度、傳承速度、認知進入成本與知識重返路徑的初步形式模型。本文主張，AI 時代真正需要的並非只有更強的數學研究代理，而是一套能將前沿成果重新編譯為不同認知載體可逐層承接之形式的「數學傳承基礎設施」。

關鍵詞

AI 數學、數學傳承、研究加速、知識投影、認知載體、前沿數學、數學教育、知識基礎設施、AI-native mathematics、文明傳承

1. 問題不是「AI 能不能幫數學家」

這個問題的答案正在快速變得明確：

可以。

AI 已經可以在不同程度上協助：

搜尋文獻；
整理定義與引用鏈；
解釋證明；
尋找例子與反例；
撰寫與檢查程式；
建構形式化草稿；
輔助 Lean、Coq 等證明系統；
探索猜想；
比較不同證明路線；
協助建立知識圖與依賴關係。

因此，若問題只是：

\text{Can AI accelerate mathematical research?}

答案已經不再特別神秘。

真正尚未被充分區分的是另一個問題：

\boxed{ \text{Can AI accelerate the transmission of mathematics?} }

更精確地說：

當一項前沿數學成果被創造出來後，它是否能被不同程度、不同背景、不同認知載體的人重新理解、學習、重建與繼承？

這不是研究加速問題。

這是傳承工程問題。

2. 第一個核心區分：Research Acceleration ≠ Mathematical Transmission

本文首先提出：

研究基礎設施

定義為：

RAI = \text{Research Acceleration Infrastructure}.

它的主要目標是提升已進入研究流程者的能力：

RAI: \quad \text{Researcher} \rightarrow \text{Faster / Broader / More Reliable Research}.

其典型功能包括：

proof search；
literature search；
theorem proving；
formal verification；
symbolic computation；
coding；
automated checking；
research planning；
multi-agent collaboration。

這些功能非常重要。

但它們主要回答：

已經在研究的人，如何做得更快、更深、更穩？

另一方面：

數學傳承基礎設施

定義為：

MTI = \text{Mathematical Transmission Infrastructure}.

它主要回答的是：

還沒有進入這個前沿的人，如何逐步進入？

形式上：

MTI: \quad \text{Frontier Knowledge} \rightarrow \text{Reconstructable Knowledge for Multiple Cognitive Levels}.

其功能包括：

前沿成果的概念抽取；
prerequisite graph；
多層難度投影；
圖像與視覺解釋；
本科版本；
研究生版本；
跨領域版本；
公共版本；
教材模組；
問答式引導；
練習與診斷；
從直觀重新進入形式化內容的 re-entry path。

因此：

\boxed{ RAI \neq MTI. }

兩者可以合作，但不能混為一談。

3. 幫助研究者，不等於幫助下一代

假設一項前沿成果為：

M.

一名專業研究者理解它所需的成本記為：

C_R(M).

一名非該領域研究者、本科生或一般學習者的進入成本則可能是：

C_H(M).

通常：

C_H(M)\gg C_R(M).

因為前者還需要補充：

定義；
歷史背景；
先備定理；
notation；
proof culture；
tacit knowledge；
領域內部問題意識。

一套 AI 系統若能讓：

C_R(M) \downarrow

並不表示：

C_H(M) \downarrow.

甚至可能發生：

C_R(M)\downarrow \quad\text{但}\quad C_H(M)\uparrow.

原因很簡單：

研究者變得更快之後，前沿可能變得更加密集、更加複雜、更加高頻。

如果傳承層沒有同步更新，後來者反而更難追上。

4. 前沿速度與傳承速度

令：

v_F = \text{Frontier Advancement Velocity}

表示前沿數學推進速度。

令：

v_T = \text{Transmission Velocity}

表示前沿成果被重新解釋、重構、教學化並被下一層理解者吸收的速度。

則數學文明中的「前沿—傳承距離」可粗略寫為：

D_{FT}(t) = \int_0^t \max(0,v_F(\tau)-v_T(\tau)) \,d\tau.

若：

v_F>v_T,

則：

D_{FT}\uparrow.

也就是：

前沿知道得越來越多，但能真正承接這些成果的人並沒有同比例增加。

AI 若只被用於：

v_F\uparrow

卻沒有同時提升：

v_T,

那麼 AI 可能同時：

強化前沿研究；
擴大前沿與一般認知者的距離。

這並不是 AI 本身的錯。

這是基礎設施選擇的結果。

5. 專業共同體的傳承，不等於文明傳承

數學本來就具有專業化。

因此：

\text{Professor} \rightarrow \text{PhD} \rightarrow \text{Postdoc} \rightarrow \text{Next Researcher}

當然是一種傳承。

本文稱之為：

專業管線傳承

T_P.

其主要目標是：

\boxed{ \text{Keep the research community functioning.} }

但另一種傳承是：

文明層傳承

T_C.

它關心：

本科生是否能知道前沿在做什麼；
其他領域研究者是否有入口；
教師能否重新教；
公眾能否形成基本概念；
新一代是否有逐層進入的道路；
未來智能是否能重新建構知識依賴。

因此：

\boxed{ T_P\subseteq T_C }

可能成立，

但：

\boxed{ T_P\neq T_C. }

如果只確保博士生能接著教授做下一篇論文，

那是研究共同體延續。

它還不是完整的文明知識承接。

6. 「公開」也不等於「可理解」

AI 時代還需要重新區分兩種 openness。

Artifact Openness

O_A.

表示：

我能不能取得論文、程式、模型、形式證明與資料？

例如：

open paper；
open source；
open weights；
open proof artifact。

Cognitive Openness

O_C.

表示：

我是否有合理的認知路徑理解它？

兩者關係不是：

O_A=1 \Rightarrow O_C=1.

一篇 100 頁論文、一個數萬行程式庫、一個完整 Lean repository 都可以完全公開，

但對大部分人而言：

O_A\approx1, \qquad O_C\approx0.

因此：

\boxed{ \text{Access to Artifact} \neq \text{Access to Understanding}. }

AI 時代真正的新機會，正是讓：

O_C\uparrow.

7. 一個人的認知載體不是無限的

任何人類研究者都受限於：

時間；
工作記憶；
長期記憶；
專業背景；
語言；
注意力；
訓練年限。

因此不能把「真正理解」默認定義為：

每個人都親自閱讀全部原始論文、程式、證明與依賴。

令一項成果的總認知負擔為：

C_{\text{total}} = C_{\text{prerequisite}} + C_{\text{paper}} + C_{\text{proof}} + C_{\text{code}} + C_{\text{formal}} + C_{\text{history}}.

當：

C_{\text{total}} > B_H

其中：

B_H = \text{Human Cognitive Budget},

則「所有人直接讀原始物」根本不是可擴展的傳承模式。

因此問題不應只是：

如何產生更多原始 artifact？

而是：

\boxed{ \text{如何把高維知識重新編譯為不同認知預算可承接的表示？} }

這就是傳承工程的核心。

8. AI 不只應該是 Research Copilot

AI 在數學中的角色通常被描述成：

\text{AI} \rightarrow \text{Research Copilot}.

但本文主張至少還應增加另一個角色：

\boxed{ \text{AI} \rightarrow \text{Mathematical Transmission Compiler}. }

亦即：

M \rightarrow \{ \Pi_0(M), \Pi_1(M), \Pi_2(M), \dots, \Pi_F(M) \}.

其中：

$\Pi_0$ ：公共直觀版；
$\Pi_1$ ：視覺與類比版；
$\Pi_2$ ：本科入口版；
$\Pi_3$ ：研究生版本；
$\Pi_4$ ：研究者 proof map；
$\Pi_F$ ：形式驗證與完整技術版本。

這些投影不是互相取代。

而是構成：

\boxed{ \text{Knowledge Re-entry Stack}. }

讓不同程度的人可以：

先進入，再深入，而不是先被原始形式拒絕。

9. 研究加速甚至可能反向增加傳承負擔

這是本文最重要的反直覺命題之一。

假設 AI 使：

Productivity_R \uparrow.

每名研究者產生更多：

theorem；
paper；
formal proof；
computation；
code；
explanation；
variant。

那麼整個知識產出量：

K_F

會快速增加。

如果 MTI 不同步增長：

Capacity_T \approx\text{constant},

就可能出現：

\frac{K_F}{Capacity_T} \uparrow.

也就是：

傳承擁塞

研究越成功，

反而越沒有足夠能力把結果重新送回下一層。

因此：

\boxed{ \text{Research Success} \not\Rightarrow \text{Transmission Success}. }

在極端情況甚至：

\boxed{ \text{Research Acceleration} \rightarrow \text{Transmission Crisis}. }

10. 為什麼這不是反對前沿研究

本文並不主張：

不要投資前沿數學。

相反地，RAI 是 AI 時代非常重要的基礎設施。

真正的問題是：

\boxed{ RAI \text{ 被誤認成 } MTI. }

如果一個系統明確宣稱自己就是服務研究者，

沒有問題。

但若進一步宣稱：

這就是我們保護人類理解、學生與下一代傳承的主要方案，

那便需要更嚴格檢查：

\text{Does the architecture actually implement transmission?}

不能只因為系統「幫助數學家理解」，

就推出：

\boxed{ \text{數學文明因此更容易被理解}. }

兩者存在量詞差異。

11. 從 Research Pipeline 轉向 Transmission Pipeline

傳統前沿流程近似：

\text{Problem} \rightarrow \text{Research} \rightarrow \text{Proof} \rightarrow \text{Paper} \rightarrow \text{Citation}.

AI 時代若要真正建立數學傳承工程，

則需要擴展成：

\boxed{ \text{Problem} \rightarrow \text{Research} \rightarrow \text{Result} \rightarrow \text{Verification} \rightarrow \text{Concept Extraction} \rightarrow \text{Projection} \rightarrow \text{Pedagogy} \rightarrow \text{Re-entry} \rightarrow \text{Next Generation}. }

這不是把數學變成科普。

而是承認：

一項知識被創造出來，不代表它已經完成文明承接。

12. 數學傳承不是降低難度，而是建立入口

這裡還需要避免一個誤解：

傳承工程是不是把難數學「講簡單」？

不是。

真正目標是：

\boxed{ \text{Preserve Depth} + \text{Create Entry Paths}. }

也就是：

不刪除高階形式；
不取消嚴謹證明；
不要求所有人停留在懶人版；
不把類比當 theorem；
不把科普取代專業。

而是提供：

\text{low-barrier entry} \rightarrow \text{progressive reconstruction} \rightarrow \text{full technical depth}.

真正好的傳承不是把山削平。

而是修路。

13. 初步形式：傳承完備度

可粗略定義一項成果 $M$ 的傳承完備度：

T_C(M) = f( A, P, R, F, U ),

其中：

$A$ ：Accessibility，可進入性；
$P$ ：Projection quality，多層投影品質；
$R$ ：Reconstructability，可重建性；
$F$ ：Fidelity，投影忠實度；
$U$ ：Upward path，是否能由低階投影回到完整版本。

若只有論文：

A\downarrow.

若只有科普：

F\downarrow,\quad U\downarrow.

若只有形式證明：

R_{\text{machine}}\uparrow

但不保證：

R_{\text{human}}\uparrow.

理想狀態是：

\boxed{ \text{Low-entry} + \text{High-fidelity} + \text{Reconstructable} + \text{Upgradable}. }

14. AI 時代真正需要的雙基礎設施

因此，未來的數學文明不應只有：

\boxed{ RAI: \text{讓已經在前沿的人跑得更快} }

還應有：

\boxed{ MTI: \text{讓還沒在前沿的人有辦法進來} }

兩者理想上形成：

RAI \leftrightarrow MTI.

前沿產生新成果；

傳承層重新編譯；

新的學習者進入；

其中部分人重新回到前沿；

形成：

\boxed{ \text{Research} \rightarrow \text{Projection} \rightarrow \text{Learning} \rightarrow \text{Re-entry} \rightarrow \text{New Research}. }

這才是一個真正可持續的數學文明循環。

15. 結論

AI 時代很容易犯一個概念錯誤：

\boxed{ \text{因為 AI 幫助研究者理解得更快，} \quad \text{所以 AI 已經解決數學傳承。} }

這個推論並不成立。

更準確地說：

\boxed{ \text{Research Acceleration} \neq \text{Mathematical Transmission}. }

研究基礎設施回答：

已經進入研究的人如何做得更好？

傳承基礎設施回答：

尚未進入的人如何有辦法進入？

如果只建第一種，

AI 可以讓數學前沿迅速加速，

卻同時讓前沿與一般理解者之間的距離變得更大。

因此，AI 時代真正缺少的不只是更強的 theorem prover、research agent、formalizer 或 mathematical copilot，

而是：

\boxed{ \text{Open Mathematical Transmission Infrastructure}. }

它的任務不是降低數學，

而是把數學重新編譯成：

\boxed{ \text{不同認知載體都能逐層進入、理解、驗證並重新返回前沿的知識結構。} }

數學被做出來，

不代表數學已經被傳承。

而 AI 時代真正的挑戰之一，

正是讓這兩件事第一次被清楚地分開。