陶哲轩的演讲里，其他的要点有以下几个。

1. 历史类比：他把当下比作20世纪初的数学基础危机——那次挑战的是数学理论的基础（罗素悖论、哥德尔），这次挑战的是数学共同体的研究方式与价值体系，数学的目标是证明更多定理，还是建立更深的理解？

2. AI能力猜想：他不做预测，只设工作假设——假设AI能以可接受成本承担相当一部分研究级数学任务，数学共同体该如何应对。背景证据是他参与的First Proof评测：10道未公开的研究级新题，4套AI系统合计解出7道，达到期刊发表水平，单题成本10–1000美元；但仍有引用错误、解释不足等低级缺陷，且公开案例普遍存在报告偏差。

3. "证明过剩"与古德哈特定律：过去"解题数"能近似代表学术价值，因为各目标正相关；AI会把这一指标推向极致，指标就失效了。他提出"问题真正解决"的五层链条：生成→验证→阐释→共同体接受→整合进标准理论。AI只加速了前端，后端（验证、阐释、消化）会成为瓶颈——他把这个称之为"证明的消化不良"。

证明不难，理解很难。

4. 阐释的不可替代性：AI文本过于光滑，掩盖了"哪里真正难"——而人类作者留下的挣扎痕迹恰恰是后来者的学习路径。他举瑟斯顿的经典论述：数学的真正标准是能否让人更清楚地理解数学，而非定理的产量。

5. 制度建议：披露AI使用应成常态；评价体系应降低"第一个解出"的权重，奖励阐释、验证、知识整合；作者若无法独立做出专家级的清晰报告，成果不应发表。

6. 人的新分工：Big Mathematics——研究拆成子任务由人机网络协作，人类负责提出问题、设计方向、解释机器结果。演讲后他还让AI整理自己100多篇文章并采访自己，作为人机协作的现场示范。估计在做一个实验，ai会不会连，「提一个好问题」的能力，也超过人类。

我认为这可能是近年关于AI与科学关系最清醒的一次演讲。

他说了一个真正的洞见：知识链的瓶颈正在从生成端系统性的迁移到理解端——内容过剩、注意力与判断力成为真正的稀缺资源。

对于物理学，我可能有不同想法。因为数学是一个封闭系统。物理学是一个开放系统，再完备的证明和理论，也不得不去面对还有一个叫做「自然界」的强大所在。