当数学家抗议AI：一条推文引发的行业思考

一条推文背后的争议

近期一条来自Twitter的短评引发关注，发帖者以略带讽刺的口吻表达了对数学家反对AI的不解："我完全不明白为什么数学家可以抗议AI。我曾经很喜欢做句法分析（syntactic parsing）的工作，而GPT-2当时有很多错误的引用。"

这条推文本身信息量有限，却折射出AI时代不同学科群体之间的张力。发帖者似乎在暗示：既然自然语言处理研究者（如从事句法分析的人）都在拥抱和推进AI，为什么数学家群体反而对AI持保留甚至抗议态度？这种对比看似随意，实则触及了当下学术界对生成式AI的分裂态度。

数学家为何对AI保持警惕

数学作为一门强调严谨证明和逻辑推理的学科，对"可能出错"的工具天然缺乏容忍度。发帖者提到的"GPT-2有很多错误引用"恰恰点出了核心问题：早期大语言模型在事实性和引用准确性上表现薄弱。

对数学家而言，一个证明步骤的错误就可能使整个结论失效，而生成式AI"一本正经地胡说八道"（hallucination，幻觉）的特性，与数学追求的确定性存在根本冲突。这或许解释了为什么部分数学家对将AI引入研究和教学持谨慎态度——他们担心的不是效率，而是可靠性。

AI幻觉（hallucination）是指大语言模型以高置信度生成事实上错误、甚至凭空捏造的信息的现象。其根源在于模型的训练目标是预测下一个词的概率分布，而非"理解"或"核实"信息的真实性。模型并不区分"我知道这个事实"和"这个词序列在统计上合理"，因此会流畅地输出错误的公式推导、不存在的文献引用或虚假的定理名称。对物理、化学等领域来说，部分错误可被实验纠正；但在数学中，证明的有效性依赖完整的逻辑链，一个中间步骤的幻觉就足以让整个推导崩溃，且往往难以被非专家察觉。这正是数学社区对AI辅助证明工具格外审慎的深层原因。

句法分析者与数学家的不同立场

发帖者以自己从事句法分析的经历作为对照，这一细节值得玩味。自然语言处理是一个天然容忍不确定性的领域——语言本身充满歧义，parsing结果本就存在概率和近似。从事这类工作的研究者，对AI"够用即可"的输出方式接受度更高。

两种学科文化的差异由此显现：NLP研究者习惯与模糊性共处，而数学家则将精确性视为不可妥协的底线。这条推文实际上揭示了一个更普遍的现象——不同领域对AI的态度，往往取决于该领域对"错误"的容忍阈值。

句法分析（syntactic parsing）是自然语言处理的经典任务，目标是自动识别句子的语法结构，例如将"我看见了拿望远镜的人"解析为主谓宾树状结构，并判断"拿望远镜"修饰的是"我"还是"人"。由于自然语言固有的歧义性，parsing任务从一开始就以精确率、召回率等概率指标评估，业界普遍接受"在大多数情况下正确"的标准。这与数学证明"要么成立、要么不成立"的二值性截然不同。正因句法分析本身就在概率框架下工作，从事该领域的研究者对GPT等模型的统计性输出方式更具亲和力，对偶发错误的接受门槛也自然更高。

素材局限与延伸思考

需要说明的是，这条推文原文极为简短，且带有明显的个人情绪和调侃色彩，并未展开充分论证。它更像是一个引子，而非系统性观点。发帖者提到的GPT-2引用问题，也是较早期模型的表现，如今的大模型在事实性上已有显著改进。

尽管如此，这条推文提出的问题依然有效：在AI能力快速扩张的今天，不同学科群体是否有权、有理由对AI说"不"？答案或许在于，任何工具的采纳都应尊重领域自身的标准。数学家的"抗议"，与其说是抗拒技术，不如说是在捍卫学科对严谨性的坚持。这本身就是AI落地过程中不可忽视的声音。