当 AI 开始批量生产定理：数学家还有什么意义？
一个数学家的一生，通常是这样的：25 岁博士毕业，选定一个方向；35 岁，在一个问题上已经卡了快十年，发过几篇同行引用寥寥的论文；如果幸运，50 岁那年终于证出了点什么，全世界能读懂的人，不超过三位数。 这是数学延续了两千年的工作方式：缓慢、孤独、以个人为最小计量单位。 2026 年 10 月 6 ...
一个数学家的一生，通常是这样的：25 岁博士毕业，选定一个方向；35 岁，在一个问题上已经卡了快十年，发过几篇同行引用寥寥的论文；如果幸运，50 岁那年终于证出了点什么，全世界能读懂的人，不超过三位数。
这是数学延续了两千年的工作方式：缓慢、孤独、以个人为最小计量单位。
2026 年 10 月 6 日晚上 6 点，一个 GitHub 仓库悄然上线。OpenAI 一口气放出了 372 份数学证明，声称每一份都解决或实质推进了一个重要的开放问题——其中一些，已经在人类的书桌上躺了几十年。四维 Kakeya 猜想，完整解决。黎曼猜想方向，实质进展。而且按照 OpenAI 的说法，几乎全部成果来自"一个 prompt，交给一个 AI Agent"。
一个具体的问题，因此第一次变得无法回避：如果 AI 几分钟走完数学家几十年的路，那些正在读数学博士的年轻人，还该不该走下去？
先厘清：AI 到底做到了什么
恐慌之前，先把事实的边界划清楚。目前我们能确认的，和不能确认的，是两份不同的清单。
能确认的：372 份成果真实存在，已公开在 GitHub 上供全世界检验；其中许多证明通过了 Lean 的形式化验证——这是一种机器逐行检查逻辑的证明语言，通过它，意味着证明在逻辑上几乎确定是正确的。这不是宣传话术，数学界再挑剔的人也无法绕过这一点。
不能确认的：所谓"一个 prompt 一次解决"，至今只是 OpenAI 的单方口径，没有任何独立团队复现过。MIT 数学家 Andrew Sutherland 的回应代表了主流态度："在他们放出模型、别人能够复现之前，这类说法都应视为未经验证。我们应该要求看收据。"OpenAI 自己也承认，部分成果经过多次尝试，甚至——这是最微妙的细节——连公司内部的数学家，也还没完全看懂这批证明。
但即便把所有水分都挤掉，剩下的趋势依然不可逆。从 2024 年 AlphaGeometry 做出奥数几何题，到 2026 年 9 月 Agent 集群 88 小时攻克纳维-斯托克斯方程相关重大问题，再到 10 月的 372 份批量产出——这条能力曲线是真实向上的，而且斜率惊人。
所以，数学家的焦虑不是幻觉。它值得被认真对待，而不是被"AI 还早着呢"打发掉。
围棋类比：它对的部分，和它错的部分
谈到"AI 攻陷人类智力领域"，所有人的第一反应都是围棋。这个类比值得认真拆开，因为它对了一半，也错了一半。
它对的部分：2016 年 AlphaGo 击败李世石之后，围棋确实经历了一次真实的意义危机。"人类最强"的悬念消失了——此后任何世界冠军诞生，人们心里都清楚，那只是人类内部的第一名。学棋的孩子一度减少，职业棋手普遍经历心理低谷。2019 年李世石宣布退役，给出的理由直白得残酷：AI 是一个"无法战胜的存在"。今天数学界的一些声音，和当年棋坛的反应几乎逐字对应。
它错的部分，有三层。
第一层：围棋是封闭的，数学是开放的。围棋有 19 路棋盘、确定的规则和确定的胜负，理论上存在"通关"。数学没有。每解决一个大问题，会原地展开更多新问题——四维 Kakeya 解决了，五维以上、以及各种带限制条件的变体立刻成为新的前沿。AI 不是在"通关"数学，而是在把战线向前推。战线后面，永远是新的无人区。
第二层：围棋的答案就是全部，数学的答案只是开始。赢一盘棋，棋谱就是终点，没有别的东西可挖。但证明一个猜想，答案本身往往不是最重要的产出——证明过程中诞生的新概念、新方法、新工具，才是数学共同体真正的财富。费马大定理被证明时，几乎没人关心"那个方程确实没有整数解"这件事本身；整个数学界狂欢的，是怀尔斯沿途修建的模形式与椭圆曲线之间的桥——那座桥后来被用来渡了无数别的问题。这正是 9 月 11 日 25 位菲尔兹奖得主联名公开信的核心：AI 黑盒式地抛出一个结论，人类拿不到沿途的工具，等于只收到快递，没收到制造快递的技术。
第三层，也是被最多人忽略的：围棋的"后 AlphaGo 史"，和大众记忆里的版本不一样。人类棋手没有消失——他们变成了"用 AI 训练的人类"，棋风反而完成了一次进化。今天统治棋坛的申真谞，外号叫"申工智能"，因为他的招法与 AI 推荐的重合率高得惊人。他没有被 AI 淘汰；他是第一批学会骑在 AI 背上的人。围棋的人气也没有归零，只是换了一种存在方式。
小结一下：围棋类比准确描述了情绪冲击——"人类不再是最强"的冲击是真实的，数学界正在经历；但它描述不了终局——因为数学和围棋，是两种不同结构的智力活动。
数学家的真实反应：不是失业恐慌，是生态保卫战
那么，真正身处局中的人是什么反应？读他们的公开信会发现，其诉求和外界想象的"怕被抢饭碗"有微妙的、但根本性的不同。
9 月 11 日，陶哲轩、舒尔茨、德利涅、吴宝珠等 25 位菲尔兹奖得主发布联合声明《人工智能在数学中的严重错位》，随后开放全球数学研究者联署。信的矛头没有指向"AI 太强"，而是指向三件事：商业公司以刷榜的方式消耗著名猜想，打完卡就走，留不下可复用的理论；这种竞赛逻辑会扭曲学术评价和资助方向，挤压缓慢但扎实的基础研究；黑盒证明动摇了数学共同体几百年来的根基——同行评议、理解、消化、再创造。
10 月，反弹继续升级：人类数学协会（AHM）公开呼吁数学家停止与 OpenAI 合作，对那 372 份成果的评价只有一句话："那是力量，不是学术。"
但数学界从来不是铁板一块。多伦多大学的 Daniel Litt 就公开唱反调："如果我们想知道这些数学问题的答案，我看不出有什么理由要求公司对我们保密。我认为这对数学会是好事。"Stephen Wolfram——1988 年就做出 Mathematica、亲历过上一轮"机器让数学失去意义"论调的人——则给出了最冷静的判断：AI 是读完全部人类文献、能廉价尝试海量组合的超级学徒，"但伟大的数学，是由它提出的问题定义的"。
把这些声音放在一起，真正的分歧浮出水面：数学家争的不是"数学还有没有意义"，而是"谁来决定数学的意义"——是学术共同体，还是商业公司的发布会。
这是一个主权问题，不是一个生存问题。两者常常被混为一谈，但应对方式完全不同。
年轻的数学研究者，何去何从
现在回答开头那个问题。先说让人不舒服的部分，不灌鸡汤。
如果你的研究方式是"搜寻证明"——在一个已知问题里，沿着已知方法做高强度、套路化的推进——那么确实，这条路的竞争环境永久改变了。就像计算器出现后"人肉计算员"这个职业消失一样，纯证明搜寻型的研究岗位会被压缩，这无需回避。AI 公司自己的数据都在印证这一点：Anthropic 在 10 月发布的内部就业报告显示，初级技术岗位的招聘明显萎缩。最先被机器替代的，往往是年轻人入行时踩的第一级台阶。
但与此同时，三个新的位置正在成形，而且每一个都比旧的更有意思。
第一个位置：问题的提出者。当证明变便宜，好问题就变贵——这是最基本的经济学。数学史上最值钱的从来不是答题的人，而是出题的人：1900 年希尔伯特提出 23 个问题，引领了此后一个多世纪的数学方向。AI 把这个逻辑推到了极致：当"解"的边际成本趋近于零，"问"成为唯一的稀缺品。能提出"值得被证明的问题"的人，会比任何时候都重要。
第二个位置：意义的鉴赏者。OpenAI 那 372 份证明，全世界数学界接下来几个月甚至几年都要做同一件事：清点——哪些证明里藏着真正的新思想，能催生新分支；哪些只是已有技术的高效重组，正确但平庸。这个判断需要的不是算力，而是浸润一个学科几十年才能养成的品味。Lean 可以核验每一步推理是否合法，但它永远回答不了"这一步为什么值得走"。答案越泛滥，鉴赏力越昂贵。
第三个位置：人机之间的翻译者。把 AI 的黑盒证明逆向拆解，还原成人类可以吸收、可以教学的洞察——这是一个十年前根本不存在的职业，现在每个数学院系都需要。OpenAI 自己的数学家"还没看懂"那 372 份证明，这句话反过来读就是：世界上第一批"AI 数学翻译官"的岗位，已经出现了。
给年轻读者一句实话：如果你的数学理想是"成为第一个证出某个著名猜想的人"，这个时代确实让这条路变窄了——终点线前可能永远站着一个不知疲倦的机器。但如果你的数学理想是"理解数学这座大厦"，这个时代给了你人类历史上最强大的一把梯子。关键在于，你一开始选的是哪一种理想。
数学教育，要不要改
年轻人的出路问题，背后是另一个更尖锐的问题：数学人才的培养体系，和 AI 的迭代速度，已经不匹配了。
现行的路径是：四年本科，五到七年博士，再加若干年博士后——一个数学家被培养到能独立做前沿研究，需要十二年上下。而 AI 的能力迭代周期，是几个月。这意味着一个 2026 年入学的数学博士生，他入学时设计的训练目标，到他毕业时，可能已经有一大半被机器覆盖了。教育系统在为昨天的战场培养士兵。
那么要改吗？改什么？
至少有三个方向，争论已经开始。
其一，证明能力之外，补上"提出问题和品味"的训练。传统数学教育把学生训练成解题机器——刷题、考试、在导师给定的问题上推进。如果机器在"解"上全面占优，教育就必须把人往"问"和"品"上培养：判断什么问题值得做，判断一个结果有没有深度。这些过去被视为"天赋"而无法传授的东西，现在必须变成可训练的课程。
其二，形式化验证和 AI 工具应当进入必修课。Lean 这样的证明助手，正在从少数形式化爱好者的玩具，变成整个数学共同体的基础设施——372 份 AI 证明之所以无法被无视，恰恰因为它们通过了 Lean。下一代数学家如果只会在纸笔上推理、不会在机器里验证，就像今天的程序员不会用版本控制。
其三，也许最重要：培养目标从"产出定理"转向"理解结构"。如果一个博士生的价值只是"又证了一个定理"，那他和一个 prompt 的区别确实不大。但如果他的价值是"看懂了一个领域、能判断方向、能教会别人、能在机器产出的洪水里挑出真金"，那么 AI 越强，他越值钱。
历史给过一次提示。计算器普及后，算术退出了数学教育的中心，但数学教育没有消亡——它把腾出来的时间，交给了更重要的东西。这一次的变化剧烈得多，但逻辑是同一个：机器接管什么，教育就向上迁移什么。
数学需要向自己证明一次
回到围棋。2016 年之后，人们问了十年"围棋还有什么意义"。十年过去，围棋还在：比赛还在办，孩子还在学，人类棋手骑着 AI 把棋下到了前所未有的深度。只是所有人都不再假装，人类是宇宙里最强的棋手。
数学大概率会经历同样的谦卑化过程：从"人类智力的最后堡垒"，变成"人类与机器共同拓展的疆域"。会有数学家离开，会有岗位消失，会有一代人的职业路径被迫改写——这些都不必粉饰。
但最后这一点值得说清楚：一门学科的价值，如果会因为"答案被机器批量产出"而消失，那它的价值本来就没有人们以为的那么深。
围棋没有这么深，所以它失去了"最强"的悬念后，只能退守文化和娱乐。而数学——它的问题会繁殖，它的过程比答案珍贵，它的大厦没有顶楼。两千年了，这门学科第一次被推到墙角，需要向自己证明：它的意义从来不只是答案。
这不是数学的末日。这是数学的答辩。