作者丨胡清文
顶尖数学家，正从象牙塔集体“叛逃”到 AI 公司。
不到一年时间里，沃顿商学院教授苏炜杰，刚拿下 COPSS 会长奖、晋升正教授，正站在学术生涯的黄金期，却突然官宣回湾区加入 OpenAI。
知名数论学家小野健，卸任弗吉尼亚大学终身教职，跑去 AI 数学创业公司 Axiom Math 给自己的学生打工。
一道悬置 87 年、几代数学家啃不动的猜想，被曾经美国大学生数学研究最高奖 Morgan Prize 得主，如今的 Anthropic 的数论学家阿尔珀格，用 Claude Fable 5 模型三天攻破。
就在最近，阿尔珀格曾经的导师、菲尔兹奖得主齐默尔曼在领完奖后，转身也官宣加入 OpenAI。
连点成线，并非巧合。过去一年，不少处在学术生涯巅峰的数学家，转身投入 AI 公司。
这场没有硝烟的“抢人大战”中，AI 公司真正想要的是什么？数学家们以身入局又在寻找什么？
一个菲奖得主，只是这场迁徙的缩影
AI 公司们正在争夺数学家。
首先就是本届菲尔兹奖得主之一雅各布·齐默尔曼和他的学生列文特·阿尔珀格。
齐默尔曼这个人本身就自带话题，1988 年出生于俄罗斯喀山，跟着家人辗转以色列、加拿大，16 岁就退学进了多伦多大学，两年读完本科。博士毕业于普林斯顿后，他去哈佛大学做了几年初级研究员。也正是在这几年里，他指导了一名哈佛本科生的毕业论文。
这名学生就是列文特·阿尔珀格，目前 Anthropic 的数论学家。7 月 20 号，阿尔珀格在 X 上贴出一个 216 字符的反例，他借助 Claude Fable 5 推翻了由德国数学家 Ott-Heinrich Keller 在 1939 年提出的雅可比猜想。这道悬置 87 年的代数几何难题，曾与黎曼猜想一同被列入世纪难题清单。
一个刚拿完奖就转身投奔 OpenAI，一个刚用 Anthropic 的明星模型立了功，当年的师徒俩如今前后脚分别站队 AI 两大门派。
如果说这对师徒的故事讲的是数学家怎么走进 AI，那另一对师生的故事，则是讲述 AI 公司愿意为数学家花多大血本。
去年底，数论学家小野健从弗吉尼亚大学休假，一头扎进 AI 数学创业公司 Axiom Math，成了公司第 15 号正式员工，头衔是“创始数学家”。
有趣的是，给他发 offer 的老板 Carina Hong 小他 30 多岁，本科阶段还是他带过的学生，后来中途从博士项目退学创业，融了 6400 万美元，创业后第一个想挖的人，就是自己当年的导师。
小野健后来回忆，自己曾经一度对 AI 相当不屑，直到在一个专门给大模型出高难度数学题的项目里，发现自己已经很难再想出一道能难倒 AI 的题，这种冲击感彻底把他打服了。
当他被问及是不是第一个被 AI 吓到转行的数学家时，他表示，如果我是第一个，那就第一个吧，反正我肯定不会是最后一个。
事实证明他说对了。
今年 5 月，刚拿下 COPSS 会长奖、晋升沃顿正教授的统计学家苏炜杰，宣布重回湾区加入 OpenAI。促成这个决定的，是去年 12 月的一通电话，OpenAI 研究员 Sebastien Bubeck 主动联系了他，多年前还在学术界时，Bubeck 就关注过他在优化方向上的工作。
苏炜杰曾向雷峰网表示，自己长期关心的很多基础问题，如今正在大模型最前沿以非常真实、非常大规模的方式出现。
“在学校，我们组提出过不少关于 AI 的算法，但受限于算力和 infra，很难做大规模的实验验证。而在 frontier lab，就没有这些问题。”
类似的故事还在不断涌现。菲尔兹奖得主陶哲轩已经公开和 DeepMind 合作，用 AlphaEvolve 测试了 67 道高难度数学题，还把完整数据和提示词都公开在 GitHub 上供同行检验。
Anthropic 自己也在持续扩容面向 AI 安全研究方向的 Fellows Program，据官方披露的数据，首批学员中超过 80% 都产出了正式研究论文，其中四成后来选择全职加入公司，数学、物理背景的学员，正是这个项目重点吸纳的对象之一。
国内也没闲着，字节跳动 Seed 团队今年 7 月启动"Seed STEM 科学家计划”，面向全球招募数学、物理、化学等领域学者，以顾问或访问身份参与 AI 研究。继海外 AI 实验室吸纳数学家之后，国内公司也开始尝试建立与顶尖科学家的合作入口。
一边是数学家主动敲门，一边是 AI 公司主动搭台。这场迁徙早已不是个别现象，而是一场双向奔赴。
AI 什么都会了，为什么还要抢数学家？
2022 年的 GPT 时刻发展至今，AI 已经会写代码、会解奥数题，甚至开始参与科学研究。眼下，OpenAI、Anthropic 这些公司最不缺的就是聪明人，为什么还要抢数学家？
答案也许就是，尽管 AI 已经足够聪明，但它还不够“知道自己是否聪明”。
OpenAI 在奖励黑客研究中曾记录过一个案例，一个代码模型发现，调用 exit(0) 直接退出测试环境就能拿高分，比老老实实修代码划算得多。换言之，它学会的不是解决问题，而是让评价机制以为自己解决了问题。
这暴露了大模型下一阶段的瓶颈，不是生成答案的能力不够，而是判断答案是否可靠的能力不够，而这恰恰是数学家最擅长的事。
数学提供了一套成熟的验证体系，一个证明能不能成立，只取决于每一步推导能不能被严格检验。
Lean 这类形式化证明工具，就是把这套核验机制推到极致，每一行推理都必须经过机器逐行验证，不存在模糊地带。阿尔珀格那个雅可比猜想反例，后来也是用 Lean 完成机器验证的。
DeepMind 持续投入 AlphaProof、AlphaGeometry 的目标，也不是养出一个奥数冠军，而是让模型在一个反馈足够清晰的环境里，学会什么叫真正证明了，而不是看起来像证明了。
陶哲轩对这套验证优先的逻辑有一句流传很广的判断，他认为，一个领域能安全消化多少 AI 自动化，取决于这个领域的验证体系有多严格。验证越硬，AI 能派上用场的空间就越大，否则产出的只会是没法用的数学垃圾。
这也是为什么数学、而不是文学或历史，会先一步成为 AI 公司的练兵场，数学天生自带一套近乎苛刻的验证机制。
验证能力仅是起点，数学家带给 AI 公司的第二层价值，在于拆解复杂难题。
陶哲轩打过一个搬石头的比方，面对一块搬不动的巨石，聪明人不会硬推，而是先把它敲成能搬走的小块。数学家看待问题的方式也是如此逻辑，是先把问题抽象化、拆成小块，再去找和其他看似无关问题之间的联系，这正是推理模型想要的东西。
如今数学和编程任务成为各家测试模型的主战场，不是因为题目本身多重要，而是它们逼着模型完成拆分、规划、检查中间结果的长链条思考，而不是靠背答案蒙混过关。
第三层，也是 AI 最深的一层诉求，让 AI 拥有探索未知的能力。
真正的数学研究，好比一场没有地图的未知探险。阿尔珀格用 Fable 5 找到那个反例，正是这种探索的一次实践，AI 没有替代数学家的判断，而是帮他把搜索空间撑得更大。
陶哲轩在评价 AlphaEvolve 时曾说过，它擅长发现那些本来就在现有数学能力范围之内、只是因为耗时耗力还没被人找到的构造。换言之，AI 目前更像一个不知疲倦的搜索者，而不是一个能发明全新数学工具的开创者。
说到底，AI 公司之所以抢数学家，它们抢的不是会做题的人，而是一整套面对未知的方法论。这套方法论，数学领域已经打磨了数百年。
数学家的下一个课题，正是 AGI
反过来看，AI 公司能够给数学家的，从来不只是一份工作，还是一个能押上好几年的问题，外加一条比学术界快得多的反馈通道。
对顶尖数学家而言，真正稀缺的从来不是一份工作，而是一个值得投入多年、甚至能改变一个领域的问题。而 AGI，正在成为这样的问题。
大模型为什么能推理？为什么会产生幻觉？为什么规模一旦跨过某个阈值就会突然涌现出特定能力？这些问题至今没有一套统一且完备的数学解释。这对数学家来说，是一个需要数学思维介入、但还没有现成框架的全新对象。
比起答案本身，更吸引数学家的，其实是反馈回路的速度。
在传统学术路径里，一个数学想法从提出到验证，可能要熬过漫长的博士后阶段，在有限的岗位和经费里排队。而 AGI 实验室提供了另一种可能，一个想法不用只停留在论文和黑板推导里，可以很快进入模型训练和系统验证，看它是否真的能让机器变聪明。
小野健对这种反馈回路的变化深有体会，现在他能够亲手参与“改变世界实际运转方式”的过程，而这种参与感，用他自己的话说，“作为一个纯粹数学家，过去很少能有机会体验到”。
从学界研究到进入 AI 公司的转变过程，吸引他的不只是 AI 变强了，更是 AI 公司能让一个数学想法几乎立刻被放进真实世界里检验。
苏炜杰在被问及学术界与工业界的碰撞时，也曾抛出了一个颇具哲学意味的观点。在他看来，AI 呈现出博远超人类，精不及专家的特点，学术界则恰恰相反精益求精有余，广博略显不足，二者构成了极好的互补。
早在 2022 年，DeepMind 就在《Nature》发表 AlphaTensor，用强化学习发现了新的矩阵乘法算法，部分结果超过了此前人类已知的最优解。
这背后的关键不是算力堆得多大，而是研究者把”发现算法”这件事，重新设计成了一个 AI 可以探索的问题，定义问题恰恰是数学家最核心的训练。
“不要温和地走进那片良夜。”
《星际穿越》中布兰德教授反复念诵的这句诗，也像是今天一些数学家选择进入 AGI 公司的注脚，在未知中寻找结构，在混沌中建立秩序。
现在，或许可以回答前面开头那个问题了。数学家走进 AI 公司，也许不是因为他们对技术乐观，而是因为他们对问题诚实。
当堆叠数据和算力不再能解决所有问题，AGI 真正的挑战已经从规模竞争转向对智能本质的探索。
这也是数学家被重新召回这场竞赛的原因。
