If math is more than proof, we need to better celebrate the rest of it
来源身份：Terence Tao 的 WordPress 页面，正文注明这是 Grant Sanderson 的 guest post；Tao 负责页面发布与编辑说明。页面还明确声明原稿由另一种文件格式经 AI 转换而来。
编译摘要
1. 浓缩
- 核心结论 1（Grant Sanderson 原文）：当 AI 能生成证明而不必然带来人类理解时，证明和解题就不再是“数学家贡献”的充分 proxy；应把“motivated explanation（有动机的解释）”定义为可被学术认可的工作。
- 关键证据：开篇称 proof-generation 一直只是推进 human understanding 的 proxy；在 “What defines a motivated explanation?” 中区分：proof 从定义出发，而 motivated explanation 先建立问题，再让定义进入词汇；其目标还包括说明定理为何值得提出、如何嵌入周边语境。
- 核心结论 2（Grant Sanderson 原文）：AI 生成的证明会制造“未解决的 exposition problem”：技术上已有 proof，但关键思想、动机、上下文和可迁移性尚未被共同体消化；解释、扩展与语境化可能比“第一个解出”更值得奖励。
- 关键证据：“Exemplars…” 将 open exposition problem 类比 open research problem；以 GPT-5.4 Pro 协助 Erdős Problem 1196 的案例说明，后续人类对关键想法的解释、清理和推广，才显著增加了理解。
- 核心结论 3（Grant Sanderson 原文；Agent 综合）：AI 时代科研系统的瓶颈会部分从生成迁移到选择、解释、评价和制度化承认；因此科研训练、期刊和晋升标准需要为 motivated explanation 提供显式的交付物与评价接口。
- 关键证据：作者建议让学生以面向同行的讲解作为交付物，建立 exposition 问题清单和书面标准、设立面向理解的期刊，并在 hiring/tenure 中提高教材和类似工作的权重。
2. 质疑
- 关于“proof 不再是充分 proxy”的质疑：作者把数学目标主要锚定为 human understanding；不同数学传统可能更重视形式正确性、可复用性、发现速度或应用价值，不能直接把 motivated explanation 设为唯一新 proxy。
- 关于“AI-generated proof 天生是 exposition problem”的质疑：这是强断言，边界取决于证明是否确实缺乏动机、读者是否已有背景，以及 AI 是否能生成有效解释；“有解释”与“能迁移理解”也不是同一件事。
- 关于评价机制的质疑：motivated explanation 的有效性不像 proof 那样二元可判定。作者提出“每个新想法的来源是否清楚”作为近似可操作标准，但尚未给出可靠的跨评审者 rubric、成本或反作弊机制。
- 关于案例证据的质疑：Erdős Problem 1196 是单个案例，文章没有系统比较“先解出”与“后续解释/规范化”对共同体采用、教学或应用的长期效果；页面还声明原稿经过 AI 转换，文字与结构的最终责任边界需要保留不确定性。
3. 对标与约束
- 跨域对标：这篇文章与已有 Proof-Indigestion 的“生成—消化失配”相连，但新增了更细的工作对象：不是泛泛增加 digestion，而是把“问题为何值得问、关键想法如何出现、结果如何被迁移”做成可训练、可交付、可评价的解释工作。
- 知识系统对标（Agent 综合）：motivated explanation 类似知识编译中的“从结果回填问题、上下文和连接”，而 mathematical canonicalization 更偏向把结果重述为自然一般性并纳入共同工具箱；前者是理解入口，后者是共同体吸收的终态，二者不应混为同一阶段。
- 硬约束：证明的形式正确性仍是必要约束，不能由解释质量替代；解释还受领域背景、读者模型、共同体时间和同行评审容量约束。
- 软约束：学术 credit、期刊、招聘与 tenure 的制度规则决定这些工作是否真的获得资源；作者的主要提案是改写这些奖励函数。
- 自设约束：把“proof-first”视为数学价值的主导代理是历史形成的制度选择，而非数学工作唯一可能的评价结构。