一、什么是元数学（metamathematics）

这里的 meta- 表示“关于……自身的”或“高一层次的”。

元数学就是把“数学本身”当作研究对象，用数学的方法来研究数学。

普通数学通常研究数、函数、空间、结构等对象；元数学则进一步研究一个数学系统由什么组成、一个系统是否会推出矛盾、不同公理系统之间是什么关系，以及“证明”本身能否被形式化、编码和计算等问题。

今天的元数学主要指的是研究形式系统（formal system）。一个形式系统通常包括一套符号、一套语法规则、一组公理和一组推理规则。元数学则站在更高一个层次，对这些系统本身进行研究。它讨论的经典问题包括一致性（consistency）、完备性（completeness）、可判定性（decidability）与独立性（independence）。

元数学对哲学也非常重要，因为它揭示了“真”（truth）与“可证明性”（provability）之间不能简单画上等号。尤其是在足够强的形式系统中，一个命题为真，并不意味着它一定能够在该系统内部被证明。哥德尔（Kurt Gödel）工作的哲学震撼，很大程度上也正来自这里：形式证明系统无法简单地穷尽数学真理。

这对认识论同样重要。即使我们把“证明”视为数学知识最严格的证成方式，也仍然需要区分三个不同的问题：

i）一个命题是否为真；

ii）一个命题是否能够在某个形式系统中被证明；

iii）某个认识主体是否知道这个命题为真。

Truth、Provability 和 Knowledge 分别主要涉及语义学、元数学和认识论。它们处在不同层次，彼此之间不能简单画等号。

二、AI攻城略地，人类退守“元数学”

随着AI能力的发展，AI越来越可能承担大量对象层数学（object-level mathematics）的工作，例如计算、搜索证明、验证证明、寻找反例、探索结构、提出猜想，甚至生成新的证明路线。

即使如此，人类当然仍然会继续从事大量数学研究。但数学家的工作重心可能逐渐发生变化：从直接求解具体问题，更多地转向选择问题、解释意义、建立框架、组织理论和评价结果。

换句话说，当AI越来越擅长“做数学”时，人类数学家的工作可能会在某种意义上向上移动一个层次。过去我们更多地问：“这个问题怎样证明？”未来则可能越来越多地问：“我们应该研究什么数学？”“应该采用什么样的概念和公理框架？”“哪些结果真正重要？”以及“我们应当如何理解AI产生的数学？”

从这个意义上说，人类数学家似乎会越来越多地从事某种“元数学式”的工作。

 三、数学工作的层次

我们或许可以把未来的数学工作粗略地区分为几个层次。

第一层：数学对象（数、函数、流形、群、拓扑空间……）
         ↓
第二层：数学（研究这些对象之间的关系，提出猜想，建立理论，证明定理）
         ↓
第三层：元数学（研究第二层所使用的形式系统本身，例如它的证明能力、公理结构、一致性、完备性、可判定性与独立性）

AI很可能越来越深入地进入第二层，可能会把人类数学家推入第三层。而且，在人类数学活动中，还存在另一类甚至更重要的问题：为什么要研究这些问题？什么概念值得创造？什么定理真正重要？什么才算好的数学解释？我们应该建立怎样的数学？这些问题更接近数学哲学、数学方法论，以及数学研究本身的高层理论创造。它们至少不是AI单独生成更多证明和命题就能够解决的问题。

因此，AI真正可能改变的，并不只是数学劳动的效率，而是数学家所处的位置。

过去，数学家主要是在一个已经给定或逐渐形成的数学世界中推理；未来，他们的一部分工作可能越来越转向决定：

我们究竟应该建立怎样的数学世界。

因为创造公理、选择概念、判断什么问题重要、解释一个结果为什么值得重视，这些活动很可能正是AI时代人类数学家最难被替代的部分。

从这个意义上说，“人类退守元数学”并不是说未来所有数学家都会变成研究形式系统的逻辑学家，而是说：当AI越来越擅长对象层面的数学推理之后，人类数学活动可能会越来越向数学的高层结构、边界、意义与选择问题移动。

 四、AI产生的Ture Propositions 不等于 Knowledge

这个问题同样是AI无法轻易解决的：知识如何可能？这也就连接到我前面的文章中所讨论的AI与知识问题《知识何以可能：AI是重新排列，还是创造知识？》。
AI产生的 true propositions 并不会自动等于 knowledge。从“一个命题是真的”到“这个命题构成知识”，中间还涉及认识主体、信念、与世界的联系、语义、证成，以及科学共同体等多种因素。

在经典认识论中，知识通常被理解为某种得到证成的真信念，因此它首先预设了一个能够相信、理解和证成命题的认识主体。而科学知识又具有显著的社会性维度：它并不是孤立地产生的，而是在科学共同体中经过提出、交流、检验、批评、修正和接受而逐渐形成的。

因此，未来真正稀缺的，可能不只是产生越来越多的 true propositions，而是决定：

哪些 propositions 值得知道，以及为什么值得知道。

AI可以不断产生命题，甚至产生大量正确的命题；但从“产生一个真命题”到“形成知识”，中间仍然隔着真理、证成、认识主体、意义、价值判断和共同体实践等一系列环节。

于是，当数学中的一部分“证明工作”逐渐交给AI之后，人类所面对的问题也可能随之上移：从“这个命题能否被证明”，转向“这个命题为什么值得被证明”；从证明论的问题，进一步走向认识论的问题。

面对AI，未来人类数学家或许要在某些领域“退守元数学”。但科学家没有必要因此害怕AI，反而应该主动拥抱这个新工具，并尽可能把它用于自己的研究与学习。真正值得思考的，并不是AI会不会开始“做科学”，而是当AI越来越能够做科学时，人类是否还清楚自己应该做什么，以及如何高效地使用AI。