Proof Indigestion（证明消化不良）
定义
Proof Indigestion 是 Terence Tao 在 ICM 2026 演讲中提出的相变概念：AI 时代从 proof scarcity 转向 proof abundance——历史上生成是瓶颈（解决新问题稀缺），现在消化是瓶颈（理解、验证、表述、接纳、规范化全链路过载）。5-stage pipeline 各阶段速度失配导致结果无法被 community 内化。
5-Stage Pipeline 失配
| Stage | AI 加速 | Community 承载 | 失配模式 |
|---|---|---|---|
| Solve | 极高（First Proof 7/10） | 低（理解问题） | 生成 > 评估 |
| Verify | 高（autoformalization） | 中（形式化检查） | 验证 > 沟通 |
| Communicate | 高（语法流畅） | 中（实质理解） | 表述 > 接纳 |
| Digest & Accept | 低（人类 referee） | 极高（专家时间） | 接纳 ≪ 生成 |
| Canonicalize | 极低（AI 难以融入理论） | 极高（共识建构） | 规范化 ≪ 所有上游 |
Impedance mismatch：前 3 阶段 AI 加速，后 2 阶段无法 AI 加速——产生"indigestion"。
从 Scarcity 到 Abundance
Scarcity Era（pre-AI）：
Solve (稀缺) → Verify (困难) → Communicate (缓慢) → Accept (慢) → Canonicalize (慢)
瓶颈：solve。所有上游慢导致下游也慢——pipeline 同步
Abundance Era（post-AI）：
Solve (AI 加速) → Verify (AI 加速) → Communicate (AI 加速) → Accept (人类瓶颈) → Canonicalize (人类瓶颈)
瓶颈：accept/canonicalize。前 3 阶段速率远超后 2 阶段——pipeline 异步失配
4 种 indigestion 模式
Tao 列出 pipeline 各阶段的失配症状：
- AI-generated proofs accumulate faster than can be verified
- Verified proofs accumulate faster than can be given readable write-up
- Well-written proofs overwhelm traditional peer review (volunteer labor)
- Even published proofs are too numerous for community to canonicalize
每种 indigestion 对应一个 stage 与一个 value——Tao 把"失配"重新框架为"哪个 value 被瓶颈"
为什么这是"indigestion"而非"abundance"
- Abundance 是中性：结果多
- Indigestion 是问题：结果多但 community无法内化
- 类比：食物吃太多无法消化（胃胀），不是好事；结果太多无法消化（社区认知过载），也不是好事
- 解药：不是减少 generation，而是增强 digestion 能力
从“消化”到“有动机的解释”
- 判断：Proof indigestion 的一个具体症状，不只是 proof 数量超过评审容量，还包括“技术上已证明但共同体尚未真正理解”的 exposition backlog。
- 证据：Grant Sanderson 将 AI-generated proof 称为未解决的 open exposition problem，并以 Erdős Problem 1196 区分“有 proof”与后来对关键想法的解释、清理和推广（20260918-terence-tao-if-math-more-than-proof）。
- 边界：这是对 proof indigestion 的工作层细化，不等于证明所有 AI proof 都缺乏解释，也不等于解释质量已经有与形式验证同等可靠的度量。
- 判断：消化能力需要被拆成“动机化解释”和“canonicalization”两个不同接口：前者回答“为什么这样想、为什么值得问”，后者回答“如何进入自然一般性、邻近理论和标准工具箱”。
- 证据：本篇定义 motivated explanation 的范围；Mathematical-Canonicalization 已定义后续的 restate/connect/absorb 阶段。
- 边界：两者在真实研究中会反复交织，不能据此假设存在严格线性流水线。
与相关 concept 的关系
- Slopocalypse：Slopocalypse 是 noise flooding；Proof Indigestion 是 structure flooding——两者都是 AI 生成量超载的不同形态
- Goodharts-Law：Proof Indigestion 是 Goodhart 在知识生产域的具体表现——当 proof 数成为 metric，community 误把"数量"当"价值"
- Theorem Economy Fall（forward reference，未建 entity）：Bessis/Tao 主张 shift from proof generation to proof digestion——Proof Indigestion 是这一 shift 的实证依据
- Validation Pipeline（参考 wiki 中已有 Validation-Pipeline，fix link）：验证管线是 stage 1-2 的工程化，但 stage 3-5 缺乏等价工程化
- Knowledge-Compilation：canonicalization 是知识编译的最终阶段，Proof Indigestion 揭示这一阶段最稀缺
关键数据点
- First Proof 第二批 7/10 通过（2026-05-28 models）
- 每题 compute 成本 tens-hundreds USD
- Erdős problems database 已有 dozens of AI-generated proof submissions
- 多数 AI-generated submissions 无人 expert 验证
应对策略（Tao 建议）
- Decrease emphasis on proof generation：减少"first to solve" 奖励
- Increase emphasis on proof digestion：exposition / refereeing / publication / canonicalization
- AI tools as filters：journals 用 AI triage submissions（controversial）
- Human referees cannot be removed：自动过滤 ≠ 替代同行评审
- New workflows：structured problem databases / video journals / negative results venues
前提与局限性
- 前提 1：AI 生成的 proof 量大于 community 消化能力（conditional 在 Working Hypothesis）
- 前提 2：消化阶段无法用 AI 加速（canonicalize 需 broad consensus）
- 边界：pipeline 是 problem solving 单维度展开；theory building / teaching 是独立维度
- 未量化：indigestion 各阶段的 backlog 大小未在 paper 中给出
- 未实证：abundance 假设依赖 First Proof 7/10 等数据点外推
关联概念
- Terence-Tao — 概念提出者
- Mathematical-Canonicalization — pipeline 最瓶颈阶段
- Slopocalypse — noise flooding 的同构
- Goodharts-Law — AI 触发 proxy divergence
- Theorem Economy Fall（forward reference，未建 entity） — shift from generation to digestion
- Validation Pipeline（参考 wiki 中已有 Validation-Pipeline，fix link） — stage 1-2 工程化
- Knowledge-Compilation — canonicalization 的知识生产域对应
- 20260918-terence-tao-if-math-more-than-proof — Grant Sanderson 提出 motivated explanation 与 open exposition problem