吴成镇（Sung-Jin Oh）：对数学家而言，“理解”究竟意味着什么？2026-10-16

对数学家而言，“理解”究竟意味着什么？

——AI时代下的一个个案研究

作者：Sung-Jin Oh（吴成镇）

加州大学伯克利分校教授，研究方向为几何偏微分方程，尤其关注源自物理学的各类几何偏微分方程。

参阅介绍：ICM2026特邀报告人吴成镇（Sung-Jin Oh）教授——昔日回避数学的天才，弃医投身数学之路十八年后斩获湖岩奖

日期：2026‑10‑10（最后修订：2026‑10‑16）

摘要：

2026 年 10 月 6 日，OpenAI 公布了号称攻克数百个数学公开难题的研究结果。10 月 9 日，陶哲轩在加州理工学院做了一场报告，主题是他提出的 “数学 2.0”。这两件事促使我去反思：对我个人来说，“理解” 到底是什么，以及我是否还像过去所想的那样看重它。

本文记录了这次自我思索的成果。这仅仅是一个个案，但我希望能为当下的讨论贡献一种视角；我相信，想要这场讨论获得有价值的结果，需要听到许许多多不同的声音。

0. 十月的一周

2026年10月10日，星期六下午，我正在伯班克机场等候回家的航班。刚刚过去的这一周格外离奇。

这周本就排得满满当当：我要写好几封推荐信，周五得去加州理工学院做一场报告，除日常授课之外，还要代讲一堂课。周二下午，我代讲完课走出教室，收到一位同事发来的消息：OpenAI刚刚发布了其内部模型号称攻克的三百余个公开数学难题的结果。其中就包含克尔黑洞微扰下的强宇宙监督假设，这是我和合作者已经耕耘了十三年的课题。

周五清晨六点半，我搭乘航班飞往洛杉矶，在飞机上准备讲稿，下午两点完成报告。借着这次仓促的出行，我还参加了AIM（美国数学研究所）在加州理工学院主办的陶哲轩公开讲座。陶哲轩在演讲中描绘了他称之为数学2.0（Math 2.0）的愿景：面向人工智能崛起，对我们现有的数学共同体进行升级。

他的核心观点是，我们要弱化传统解题的中心地位——解题本就只是通往更深层次事物的中间手段；人类的理解，必须居于未来数学工作的核心，而AI用来强化人类理解与数学交互的全部方式（见演讲幻灯片第9、23页）。

这番论述来得恰逢其时，深深引发我的共鸣。但它也抛给我一个我无法立刻作答的问题：这个被摆在核心位置的“人类的理解”，到底是什么？

显然，这是一个难题，就算存在答案，也必然是多维度的。理解具有极强的个人色彩，我无法代表其他人。但我可以做一次思想实践：尽可能坦诚地剖析，作为一名主攻偏微分方程与数学物理的在职数学家，我个人的理解是如何运作的。完成剖析之后，我再梳理从中得到的启示，推导对整个数学界都有参考意义的结论。

下文就是这次思想实践，以及随之而来的评述与推论。这仅仅一个个案研究，并非普适理论。但我相信，像我这样的普通数学家，恰恰可以为当下的讨论贡献这类个案；想要真正取得有价值的共识，我们还需要更多这样的案例。

1. 我为何如此看重“理解”

尽管很难用语言把“理解”讲清楚，但从我投身数学研究开始，它就是我心中最重要的东西。攻克一道精心挑选的题目固然有意义，但它的价值主要在于构建理解。随着职业生涯推进，我愈发相信：我们整个社群能够解决一整类问题的集体能力，远比某一个人单独解决某一道特定题目更加重要。早在这周发生这些事之前，我就秉持这个信念；本文就是要阐释这一信念，并用本周发生的事件检验它。

我并非成长于解题竞赛文化。真正让我感受到数学魅力，是接触高等数学的时候。

我有幸就读于韩国科学高中，课业强度很高。高二时学校就从严谨的根基讲授微积分：实数的构造、ε‑δ语言定义极限。一开始我十分抵触：为什么要把这些明明看上去很直观的概念搞得如此繁琐？我自以为已经懂了什么是极限。

但当我深入钻研之后，我大为震撼。这些严谨定义，精准捕捉到了那些原本模糊的直觉，而我此前其实根本没有真正吃透概念。严谨的推导让我看到自己直觉错在哪里，同时告诉我该如何修正直觉。这段经历教会我一个至今笃信的道理：理解，也包含发现自身误解的过程；而这份发现，只能发生在付出实实在在思考劳动的人的脑海中。

我参加的不是数学竞赛，而是生物奥林匹克竞赛。生物学是我最初的热爱，有两个方向一直深深影响着我。

第一个是分子生物学：它最震撼我的核心思想是，千姿百态的生命背后，只有为数不多共通的基础构件与运行机制。

第二个是分类学。我热衷于学习高效归并生物的判别标准，喜欢把学到的知识整理成条理清晰的目录，学到新知识就不断扩充分支。后来，分子生物学与遗传学在很大程度上重塑了经典分类学，但我依旧怀念那段学习体验。构建这套知识目录，彻底改变了我看待生命的方式；这份思维上的改变，比具体的研究方法、那些我曾经背诵的拉丁学名留存得更久。

回望过往，这些经历本质上教会了我同一件事，只是表现形式不同。于我而言，理解，就是找到一套结构，让有限的心智能够把握广阔的知识领域：用严谨定义固化模糊的直觉；从纷繁表象之下提炼共通的内在机制；依靠判别标准高效梳理海量对象。解题之所以重要，是因为解题构建理解，而理解反过来，又让我可以高效处理一整类问题。

2. 我对数学的理解由什么构成

本节，我将做一次思想实践，描述作为人类理解样本，我个人理解本领域数学知识的运作模式。作为数学家，我再次声明，下文全部只是我的个人体验。文中会自然用到本专业术语，术语本身不是重点，只是用来具象化我的思考过程。

当我试着描述我理解数学的方式，可以把它理想化为一张多层结构的图（网络）。

节点（Nodes）

反思自己理解数学的模式，有一点十分明确：我理解的基本单元，我称之为节点，是数学现象或者内在机制，例如能量方法、色散效应、线性化算子的强制性等等。对于每一个节点，我脑海中都储存一个乃至多个烂熟于心的典型模型问题。

谈到能量方法，就是自由波动方程的能量恒等式；谈到色散，我会想到自由波动方程与薛定谔方程的基本解；谈到线性化算子的强制性，对应的是基础线性代数问题：一个算子矩阵存在非平凡核，但只要限制在核的合适补空间之上，算子就变为可逆。找到这个恰当的补集，正是问题的核心；在偏微分方程分析当中，这体现为正交条件或者调制条件。

“烂熟一个模型问题”，不只是看懂它的证明。意味着我可以对模型做扰动，预判哪些性质还能保留：变系数、低阶项、维数改变、引入非线性，诸如此类。同时我也清楚，施加扰动之后，这个模型会在什么地方失效。常系数情形下得到的色散直觉，遇到捕获效应或者共振就不再成立；线性的直觉，到临界正则性处就会崩坏。我所说的专业能力，很大一部分，就是这份知识库：每个节点配套简单模型、模型的各类变体，以及模型的失效边界。

边、权重与模板（Edges, weights, and templates）

节点之上，心智的运作模式更加难以描摹。但我的确会记录不同数学现象之间如何彼此关联。沿用网络图的比喻，这些关联就叫做边。边大多来自读论文、听报告、动手演算实践。

上面提到的强制性模型就已经是一例：核空间与精心选取补集这套图景，同样出现在舒尔补，以及李雅普诺夫‑施密特约化当中——后者会把问题拆解为核对应的有限维部分，以及补集上可求解的部分。

关联分为不同类型：两种机制可能只是同一现象的不同外在表现，强制性的例子即是如此；某一种机制，可能是另一个机制内部的其中一步，分部积分就是能量方法的其中一环；还有一类，一个机制可以解释另一个机制为何失效，例如黑洞光子球附近的捕获零测地线，解释了为什么局部积分能量衰减会在此处丢失导数。

我还会记住两个节点一同出现的频率，二者结合起来有多自然。这可以理解为边上携带的权重。在我的知识网络中，能量方法是枢纽节点，拥有大量高权重连接；我很多研究，本质上就是找到合适的能量方法来处理棘手的非线性问题。权重是极具个人色彩的部分。我的知识网络把能量方法放在中心，一部分是受我求学师承的影响；而另一个分析方向培养出来的学者，或许会把傅里叶变换放到枢纽位置。

有些子网络反复一同出现，或者能够导出极强结论，就固化成为模板。我研究领域绝大多数爆破解构造，都遵循同一套模板架构：

通过调制参数（例如与标度变换配套的广义本征函数系数）做形式展开，构造近似轮廓；

推导出关于调制参数的有限维方程组；

分析线性化算子的强制性，利用能量方法控制余项；

如果存在不稳定方向，用拓扑论证完成处理。

这类模板帮我高效消化长篇论文。爆破主题的论文往往篇幅极长，上百页并不罕见。当我读一篇该领域新论文，我主要看：新想法落在模板的哪一个环节。除去这一点，其余部分都是流程化工作。新手和专家阅读同一份证明，新手看到五十处难点，专家只看到一处真正的关键步骤。

快速分类研判（Triage）

当我遇到一道全新的非线性偏微分方程问题，我会迅速把它定位到我的理解网络当中。无论子领域是什么，我几乎立刻会抛出固定的几个问题：

自由度计数与量纲分析：由此获知基础微扰理论与临界正则性。

对称性与守恒律：预判大数据情形下会出现什么现象，哪些简化手段可以使用。

对应背景线性化后的主象征：是椭圆型还是抛物型？如果不是，是双曲型还是色散型？双特征线行为如何？

低频特征：已知或者显见的离散模式、共振、以及其他全局谱性质。

这套流程如同医学分诊研判，把新问题在网络图中定位，后续再针对性处理。问题的答案告诉我，这个问题会触及哪些节点，又缺失哪些节点。我提出的这组问题跨领域通用，因为答案都落在狭小的分类空间：标度指数、对称群、象征类型、零附近谱。不同领域两道问题，如果这几组答案一致，在我的研判视角下，二者看上去就高度相似。只要这套研判流程可以跑通（通常很快），我就对相关可用技术、核心难点、和过往结果的对比，有了相当清晰的认识。

我还会问第五个问题，但它已经不属于快速分诊：非线性项如何和前四点发现的一切相互作用？哪些频率耦合会带来危险？是否存在可以抵消危险耦合的隐藏结构？

这个问题无法收纳进狭小的分类空间，尤其对我研究的这类问题。遇到新问题，这里才是真正研究的起点；面对已有文献，读论文时我会在这里深入细读。这一步会衍生大量更加专门、贴合具体问题的子问题：例如只用自举论证的条件证明衰减，做爆破分析来提取孤子解等等。我同样对子问题做研判，对比我已经熟悉的案例，把它们纳入网络。从这个意义上，研判会在研究每一层反复发生；真正的新想法，恰恰出现在那些很难嵌入既有网络的部分。

研判与真正研究的边界会不断移动，正是研究本身推动边界推移。我的领域最经典例子：拟线性波动方程小数据全局存在性。很长一段时间，每一个特例都是重大研究难题。后来克莱纳曼（Klainerman）在1985年提出向量场方法：将方程与闵氏时空对称生成的向量场做对易运算，证明适配这套向量场的加权索伯列夫不等式，就可以系统得到衰减估计。再配合克莱纳曼提出的零条件（克莱纳曼、克里斯托杜卢Christodoulou 1986年分别独立证明充分性），三维情形的核心难题，简化成对非线性项做快速代数核验：它是否满足零条件。

一大块艰难的非线性分析，压缩成一套方法和条件核验，本领域受过训练的研究者都可以上手。曾经的前沿研究问题，变成研究生入门课程的教学内容。我认为，这种知识压缩，正是理解层面取得进步的模样：受过训练的研究者可以快速看透的边界，在不断向外拓展。

3. 思想实践之后的分析

完成上面的描述，我想得出一些超越个人体验的结论。首先回应一个显而易见的质疑：我上面描述的每一项功能，原则上AI都可以做到。能力足够的模型已经可以计算自由度、罗列对称与守恒律、分类主象征、猜测离散模式。

周二OpenAI发布的成果表明，第五步，也就是非线性分析本身，很多问题上机器也触手可及。如果我的论点是“我的这套网络拥有AI做不到的能力”，那么短短几个月之内这个论点就会过时，甚至现在就已经站不住脚。

因此，这并不是我想要得到的结论。我脑海中的这些节点、边、权重、模板、研判问题，并非不可替代。同时我也承认，以上只是一个个案。其他数学家，甚至别的分析方向学者，组织理解的方式肯定不一样；我不敢妄自揣测拓扑学家或者数论学家如何思考。

但这个个案，揭示出两条可以推广的特征，不止适用于数学，其他学科同样成立。

第一，专家层面的理解，本质是把庞大知识域做内部压缩，装进有限心智可以承载的形态。

第二，我描述的这种专家理解，必须经由主动思考实践才能够建立。

我最近看到围棋世界第一人申真谞（Shin Jin-seo）的访谈 https://www.youtube.com/watch?v=7N9ZCTr2h1A ，可以佐证第一点。申真谞说，他可以一步步复盘自己下过的数百盘对局。在外行听来十分惊人。我查阅相关资料发现，这是专家研究当中广为人知的现象。德格鲁特、蔡斯与西蒙经典国际象棋专家实验表明：顶尖棋手扫一眼棋盘，就可以复原真实对局的局面，远强于新手；但棋子完全随机摆放的时候，他们的优势几乎消失。高手记住的不是棋子位置，而是局面背后的意义。他们对棋局的理解，是一套内部压缩结构，每一步把合理走法收敛到少数几种，同时提供让每一步走法成立的隐含背景。

其他领域也是同理。上一节我描述的，正是从内部视角记录下该现象的一个实例。

这就是为什么这套内在结构至关重要，无论它的具体形式是什么。在陶哲轩的数学2.0构想当中，人类理解居于中心，而其中最重要的一部分任务——例如判断一个解是否贴合我们真实需求——需要人类的判断力。而正是这种内在知识压缩，才让这类判断成为可能。人类心智容量有限，同一时刻只能记住少量事物。

如果我想要在投入大量资源开展证明之前，独立审慎评判一个结果是否合理、一套表述是否恰当、一个研究方向是否值得耗费数年光阴，面对我所研究的广阔领域，我就必须拥有这套经过压缩的内在结构。我描述的网络，就是某一个人脑中这套结构的简化写照。没有这套结构，我依旧可以阅读来自同事或者机器给出的结果陈述，但我只能复述文字，而无法评判它。

这种内在结构，无论数学还是其他领域，都不能现成地直接交付给你。围棋棋手可以向AI学习，但必须亲自对局、复盘、苦苦思索；只看AI给出的落子，不会让人变强。数学领域，我最早从实数理论学到这一点，之后又反复体会：阅读优秀文献固然有帮助，但真正持久的理解，只能来自自身动手实践：亲自演算，而不是迷信书本论文；吃透模型直到烂熟于心；找到模型失效的边界；把冗长论证压缩到自己可以掌握。别人或者机器写出的正确证明，可以证实命题为真，但它不会自动为你生成你的理解。

澄清一点：我并不是说不能从别人或者机器的证明中学东西。向量场方法，我就是读克莱纳曼的论文学到的。但学习的前提是我付出劳动：重新演算推导，追问每一步假设为什么是必须，尝试把这套方法应用别的问题，直到它真正变成我理解体系的一部分。我真正在意的分界线，不是作者是人还是机器，而是你有没有主动参与证明思考，还是把思考完全外包出去。

我的论证建立在一个前提之上，我直接把它摆明：我们希望人类依旧能够对数学做出可靠独立的判断，包括对AI产出的数学成果做出判断。如果我们认同这点，就需要一批人脑中拥有这样的内在知识结构，同时我们要保护可以构建这套结构的实践传统。

“我们是否希望如此”是一个价值选择，和机器能力无关；无论AI如何迭代，都不能替我们做这个选择。在医学、法学、工程领域，绝大多数人会接受这个前提：我们坚持要有责任人真正理解决策背后的内容。数学是大量科学的根基，凭什么就该不一样？

想要完整回答这套价值层面的问题，还需要更多不同声音，不能只靠我个人的反思。

我再举围棋的例子：十年前机器就已经超越人类顶尖棋手，但职业围棋并没有消亡。棋手依旧借助AI训练学习。申真谞的棋风和AI高度接近，粉丝给他起了一个玩韩语文字游戏的外号“申工智能”；但他依旧会谈论那些生死搏杀的妙手，这些是人类围棋和AI的区别（ZDNet韩国报道 https://zdnet.co.kr/view/?no=20260722101604 ）。

如今的数学面临相似抉择，但利害更加重大：数学不只是用来观赏的游戏，是整个科学与社会赖以依托的知识体系，总需要有人真正理解它。

4. 理解可以传递、可以积累：向量场方法

我的博士导师正是塞尔久·克莱纳曼。第二节讲的向量场方法，虽然比他后续那些更深的定理证明简单得多，但却是我最欣赏的他的工作。这里重新提起它，不是把它当做知识压缩的例子，而是要看知识压缩的意义。（每个领域都有这类故事，这是我最熟悉的一则。）

这样的理解是可以传承的。我认为衡量向量场方法价值最好的标尺，就是它让多少人有能力独立思考非线性波动问题。学会这套方法的学生，会同时收获一个节点、一套模板，还有一个全新的研判提问。一个人的知识压缩成果，变成整个社群共享的理解，并且代代传承数十年。

陶哲轩在2026国际数学家大会报告以及预印本arXiv:2608.16753当中，把一份证明的生命周期划分成几个阶段：生成、核验、阐释、发表，最后到典范固化——成果被充分消化，写进教科书。向量场方法，正是典范固化的典型案例。

更进一步，被传承下来的理解还可以继续迭代拓展；这也是一个领域得以攻克最初完全无从下手难题的主要途径。向量场方法的广义版本，正是克里斯托杜卢、克莱纳曼1993年证明闵氏时空非线性稳定性的核心。几十年之后，它的衍生变体遍布整个领域，包括近期黑洞稳定性方面那些惊艳的成果。

做一点设想，这也是证明大量涌现会带来的风险。假设每一条全局存在性定理都被单独生成、核验完成，没有人需要理解这些定理成立背后的道理。那么，人们就不会有足够动力，去提炼出一套可以放进研究生入门课教学、并且可供后人继续拓展的方法。定理固然还在，但那份理解或许就此遗失。

这里我要补充一个提醒，呼应我学生物学的过往经历：方法，甚至一整个学科，都有可能被新体系吸纳覆盖。经典分类学很大程度上被分子生物学、遗传学改写；我现在掌握的部分知识，未来也会被改造，或许会被今天还无法想象的工具取代。

我的论点，并不是说特定方法——哪怕向量场方法这么优美的方法——是永恒不变。真正会留存的，是人们学习这套方法过程当中锻炼出的能力；正是这份能力，让人们可以识别新生事物、继续向前探索。

5. 若干启示

我并不反对数学领域使用AI，数学2.0同样不是反AI的构想。真正的问题，我认为是：在数学学术圈内，我们应当如何审慎、有选择地使用AI。基于上面全部论述，我的个人答案：优先用AI做可以构建人类理解的事，对那些绕开人类理解的用途保持警惕。

提出类似观点的人并不只有我。陶哲轩的数学2.0报告就提出相关忧虑。本·安蒂奥提出“快数学/慢数学”（数学家心声：《快数学与慢数学》——本杰明·安蒂奥（Benjamin Antieau）2026-9-15），提出黄金准则：研究速度不能超过你可以理解、可以阐释传播的速度。瑟斯顿那篇经典文章《论证明与数学的进步》https://arxiv.org/abs/math/9404236 几十年前就已经埋下这个立场：数学家产出的，是人类的理解，而不仅仅是定理。

澄清：我并不否认AI求解难题的价值。它帮我们看清当下工具能力的边界；有些问题，无论答案如何得到，结果本身就很重要：物理工程需要用到的数值，或者大量文献建立于其上的猜想。但如果我们看重理解——理解是集体独立判断、传承专业能力、攻克未来更难问题的根基，那我们就需要更加审慎、创造性地把AI融入数学。

举一个我个人的小例子：最近我的业余小爱好，让AI帮我设计研究生专题课程，然后我自己去学习课程内容。听起来非常硬核，给自己生成一门不存在的课，但我乐在其中。

比方说，动力系统的思想在我的研究当中反复出现，但传统课程设置了很多偏微分分析研究者并不真正需要的内容。于是我让AI围绕我的实际需求生成课程大纲。AI写出大纲，但学习消化依旧是我的任务。这就是我说的一个朴素例子，一定还有更多富有创造力的用法，可以借助AI构建人的理解。（感兴趣可以找我索要课程大纲。）

本文的写作过程本身就是一例：AI基于我的笔记和对话生成初稿，但第二节梳理我个人理解结构、从笔记提炼结论的思考，全部由我完成。

对于期刊、招聘、经费这类宏大议题，我暂时没有特别独到的洞见，但我后续会认真参与相关讨论。但就我熟悉、珍视的学术工作而言，如果理解是人类判断力的根基，并且理解只能靠亲身实践建立，那么会推导出下面几条推论。

教学

学生训练中，相当一部分依旧需要手算解题，哪怕题目已经有现成解答。重点不在于得到答案，而在于解题过程塑造的理解。正如陶哲轩报告中提到：就算几十年前就有机器可以代劳举重，人类依旧会去健身房锻炼。

同时，我们需要把那些隐性知识显性地教给学生。我所说的研判、模板、失效模式，过去是做研究的附带收获（我甚至不知道别人用什么名词称呼它们！）。如果学生独立开展研究的机会变少，这份附带收获就会萎缩，我们就必须专门把这些内容纳入教学。

除此之外，要直接考核判断力：要求学生计算之前预判答案，找出错误论证当中的漏洞，指出证明的难点在哪里。过去这些能力，只能通过证明题间接考察；在证明大量涌现的时代，我们必须采用更直接的考核方式。

学术贡献评价标准

我依旧认为，我们集体解决一大类难题的能力，是我们价值的核心。但同时，我们必须提高“增进人类理解”这类工作的地位，这和陶哲轩数学2.0的提议一脉相承。包括消化艰深的成果、写阐释文章把方法讲得适合教学、严谨的审稿工作。在猜想与证明大量涌现的时代，审慎审稿本身就是判断力的重要实践。

但这一切并不简单。理解，远比论文篇数难以衡量。一个可行思路是考察学术报告，但这有可能会奖励口才与表现力，埋没不善言辞的研究者。书面阐释，以及其他非口头形式的贡献，应当拥有和报告同等权重。在规范改变之前，选择不借助AI疯狂堆产出的人，会处于劣势。所以院系、期刊、资助机构，必须集体尽快推动这套规范迭代。

这也是拥有终身教职的人有责任站出来发声的原因，也是为什么我愿意跳出舒适圈写下这篇公开文章（熟悉我的人很难相信我会写公开随笔）。

6. 回到强宇宙监督假设

文章回到起点，回到周二下午那条消息。

粗略来讲，强宇宙监督假设探讨广义相对论是否具备确定性：爱因斯坦方程的通解，是否可以完整决定整个未来；还是观察者可以进入初值无法决定的时空区域。这个问题足够深刻，通往解的路径和解本身同等重要。

对于这份号称得到的证明，我心中有一堆疑问，未来几周我会尝试厘清：证明走了哪一条路径？证明是否正确？背后用到哪些机制？和我的研判预判是否吻合？还是出现我意料之外的内容？这份证明当中，有没有哪一部分可以压缩成学生可以学习掌握的知识？

我已经可以对目标结论与研究路径谈一点看法。对于强宇宙监督假设，如何给出恰当的表述本身就是一大难题，这份声称的证明采用的表述，凝聚了整个社群数十年的工作。彭罗斯1974年提出猜想，很久之后才有数学上严格的表述。1999年克里斯托杜卢将其表述为：一般初值对应的极大发展时空，作为度量连续的时空，无法做延拓。达费尔莫斯2003‑2005年球对称模型的工作证明：这套c⁰

版本在该模型下不成立。于是克里斯托杜卢2009年进一步精炼：即便是作为爱因斯坦方程弱解，时空也不能延拓。这就成为自然目标，因为这是弱解有意义的最低正则阶。之后达费尔莫斯与卢克2017年证明：在不附加对称假设的克尔黑洞微扰情形，c⁰

版本确实不成立。这份新的待核验证明采用的是wₗₒ꜀¹,²

版本的表述。

社群积累的印记同样体现在证明路径之中。从整体架构，我们可以看到领域大量既有工作的影子：一个本质讨论不稳定性的问题，稳定性定理占据核心地位；借助稳定性结果，把线性不稳定性机制转化为非线性情形。我和卢克2019年关于球对称模型下强宇宙监督的工作，同样用到这类思想。

但就目前看到的内容，让我和我的合作者感到意外的一点是：这份声称的证明，路径和包括我们在内领域多数研究者多年以来推进的路线并不相同。过去多年，学界沿着一系列有价值的中间结果前进：研究微扰的普适晚期衰减（普莱斯定律）、初值集合的结构等等。

无论最终猜想成立与否，这些中间成果本身就加深我们对非线性波动方程与广义相对论的认知。但这份新证明似乎另辟蹊径，没有沿用这些中间结论，部分组件自行重新推导，而没有复用已有成果。把这条新路径，和学界已有的理解体系打通，将会是核验、消化这份证明最大的难点。

对比两条研究路径（这里不评判证明对错），就是第四节观点的具体例证：一个课题带给领域的收获，不只取决于最终答案，还取决于抵达答案的路径。同时从某种意义上，这份待核验证明也印证第四节另一个观点：无论它走哪条路径，都建立在社群数十年搭建、传承的表述与框架之上。

依旧还有大量悬而未决的问题，解答它们需要用到本文描述的一切：模型问题、模板、研判方法，以及一次次直面自己直觉错误的长久历练。我并不否认，我曾经也盼望自己可以参与这个问题的最终求解。但文章开篇我就写道：比起单一问题的答案，我始终更看重集体层面的理解。

这周发生的事，实实在在考验了这个信念，而我发现自己依旧坚守它。十三年的研究在我心中沉淀下的东西，不是一份号称的证明可以替代的：我拥有评判这份证明、向它学习、帮助其他人也做到这些的能力。

所以我遵从这份信念行事：我已经组织读书小组，用来消化这份新的证明。如果这样一个分量极重的问题得到解答，却不能深化我们对学科的理解，那就太可惜了。我也会继续推进我和合作者长久关注的课题；无论这份新证明最终结局如何，这些课题本身依旧充满价值。问题从来只是通往理解的媒介，现在依旧如此。

AI相关声明：本文全部体验、分析与结论均属于作者本人。本文是我与Anthropic公司的Claude大模型多次对话打磨而成；Claude基于我的笔记和对话生成初稿，提供修改建议、文献检索协助。我对全文做了大幅度改写修订，文中观点以及任何疏漏全部归我本人。

参考资料

https://math.berkeley.edu/~sjoh/pdfs/understanding-essay.pdf

ICM2026特邀报告人吴成镇（Sung-Jin Oh）教授——昔日回避数学的天才，弃医投身数学之路十八年后斩获湖岩奖

原标题：《吴成镇（Sung-Jin Oh）：对数学家而言，“理解”究竟意味着什么？2026-10-16》

阅读原文