2026年10月，数学界迎来了一场前所未有的冲击。
10月6日，OpenAI公开了一批由AI模型生成的数学研究成果，包括722份手稿，涉及372组数学问题，涵盖数论、代数、几何等多个领域。其中部分结果宣称解决了长期悬而未决的难题。值得注意的是，模型平均仅需相当于ChatGPT Pro思考约3小时的计算量，即可生成一项数学结果。
这一消息迅速在学界引发焦虑。得克萨斯大学奥斯汀分校计算机科学家斯科特·阿伦森（Scott Aaronson）将此称为“数学末日”（Mathocalypse），菲尔兹奖得主陶哲轩也开始探讨“数学2.0”，重新审视AI时代的数学研究范式。
面对机器快速生成证明带来的挑战——人类数学家的角色何在？青年学者的职业前景如何？麻省理工学院（MIT）数学教授帕维尔·埃廷戈夫（Pavel Etingof）与高级讲师斯拉瓦·格罗维奇（Slava Gerovitch）共同发表《未来的数学》一文，提出不同见解：AI的发展未必损害数学研究，反而可能将数学家从论文数量的竞争中解放出来。
图｜帕维尔·埃廷戈夫（Pavel Etingof）和斯拉瓦·格罗维奇（Slava Gerovitch）（来源：MIT）
文章强调：“与其试图挽救旧有秩序，我们更应保留真正重要的东西——好奇心、知识、理解力、独立思考的能力，以及研究和分享数学的乐趣。”
当AI批量证明定理，学术评价体系亟待重构
过去几个世纪，数学界遵循着一种“所有权文化”（Ownership Culture）。数学家通过发现新定理获得认可，成果优先权直接关联荣誉、引用及学术记录。这种机制虽推动了学科发展，但也形成了围绕成果归属的激烈竞争。
然而，当AI能短时间内生成大量成果，基于定理所有权的传统评价体系便受到冲击。作者比喻道：若有人带来了制造黄金的工具，导致黄金泛滥，继续以挖掘数量衡量价值显然不再合理。
（来源：文章配图）
在此背景下，单纯依靠证明数量和发表速度已难以反映研究者的真实能力。作者认为，这或许也是打破恶性竞争的契机。未来数学界应更加重视“智识能动性”（Intellectual Agency），即扎实的数学知识、深入理解复杂问题的能力、独立判断力、研究眼光以及向他人阐释数学的能力。
具备这种能力的研究者，既能利用AI开展高水平研究，也能在无AI辅助时保持独立思考。因此，学术招聘与评估标准需相应调整：
- 重视报告、面试及持续性学术交流，直接观察候选人思考过程及应对追问的见解；
- 推荐信应基于充分的个人了解，而非仅罗列论文清单；
- 评价核心应是数学家的知识、判断力和创造性贡献，而非证明是否借助了AI工具。
探索无限扩大的“巴别图书馆”
若AI承担了大部分证明工作，数学家的核心任务将转向何处？作者指出，首要变化是研究范围的拓展。
长期以来，数学分支日益细化，学者往往局限于狭窄领域。AI有望打破这一局限，帮助研究者快速梳理跨领域概念、解释关键定理并建立联系，使数学家能从孤立分支中走出，探索更广阔的领域。
（来源：文章配图）
作者借用博尔赫斯的意象，将未来的数学知识体系比作不断扩大的“巴别图书馆”。随着AI生成海量证明，部分结果甚至超出常人理解能力。此时，数学家的关键任务转变为：
- 从海量成果中识别有价值的内容；
- 解释复杂证明背后的思想，揭示其揭示的数学结构或可推广的方法；
- 连接分散的结果，促进知识的传播与理解。
此外，整理和修复已有文献也是重要方向。数学文献中存在表述不清、推理省略等问题。借助如Lean等形式化验证语言，研究者可将其转换为机器可检查的严格表达，结合清晰的人类解释，提高文献整理的效率与准确性。
未来的数学出版物形态也将演变，可能包含机器生成的解释、演讲录像、交互式材料甚至AI智能体，使论文从静态记录变为辅助学习与探索的动态工具。
数学教育变革：从解题到思维培养
AI的普及对数学教育提出了新挑战。传统依赖习题和最终答案的考核方式，已难以检验学生是否真正理解解题过程。
作者建议，教育重心应转向实际理解能力：
- 允许学生利用AI获取提示、解释概念或生成针对性练习，但禁止直接索取完整答案；
- 考核形式上，将监督笔试与口试结合，通过连续追问考察学生的思考逻辑及对条件变化的适应能力。
在研究生阶段，博士培养的原创性定义需拓宽。鉴于AI可能迅速解决特定课题，博士论文的原创性可体现在提出新问题、发展新方法、发现领域间联系或对已有知识进行创造性综合。
（来源：文章配图）
作者还提出了一种AI辅助研究小组模式：师生共同讨论提出猜想，利用AI进行分析，随后分工检查AI结果、寻找错误并整理共享文档。整个过程始终围绕人类的理解与合作展开。
尊重多元选择：给“AI素食主义者”留空间
并非所有数学家都愿意接受AI。出于伦理、知识产权或个人兴趣，部分研究者选择成为“AI素食主义者”（AI Vegetarians）。
（来源：文章配图）
作者主张，数学界应尊重这种选择。是否使用AI不应成为评判学术能力的依据。同时，使用AI的研究者需承担核查责任，不能盲目接受机器结论。
针对年轻数学家，作者建议不必过度焦虑于技术预测，而应广泛学习并在特定领域建立扎实专业知识，保持独立思考与合作习惯。尽管AI能完成大量研究，社会仍需维持一支具备深厚专业能力的数学家队伍，以应对科学、技术和工业领域的复杂问题。这种能力的培养需要长期积累，无法速成。
当然，这一愿景仍存争议。部分青年学者反对将数学家限定为AI成果的“解释者”，坚持亲自发现定理的价值。无论如何，在AI深入数学研究的进程中，如何保留人类独立探索的空间，仍是学界需要持续思考的命题。
参考资料：
1. MIT数学系相关论文及博客内容
2. OpenAI关于数学进展的技术报告
3. Scott Aaronson博客相关评论