OpenAI攻克百道数学难题，数学家却说数学才刚开始

9 月 21 日，OpenAI 公告称，一款 8 月 28 日才开始训练的内部模型已攻克 100 多道世界级数学难题，横跨数学大部分领域。数学圈情绪因此持续低落，读博者担心学位贬值，教书者担心期刊崩盘，写了半辈子证明的人开始怀疑这门手艺还剩几年。

多伦多大学数学家 Daniel Litt 随后在博客发表《A beginning for mathematics》。几周前他刚做过《The End of Mathematics》演讲，新文章给出更积极的版本。他接受一个激进前提：能在大部分数学任务上稳定超过人类的 AI 可能很快出现。真正的问题是，到那天数学职业该怎么改，学生该怎么培养，人类数学家该把精力放在哪里。他的结论乐观：AI 可让高质量数学越来越不依赖人类亲手生产，但人类对数学的理解反而可以更深。

Litt 指出，数学共同体对“目标是什么”没有共识。有人为解题，有人视数学为游戏或诗，有人信奉希尔伯特，有人勘探柏拉图世界，也有人只想把热爱传给下一代。他把目标压缩为两条：生产并理解高质量数学；培养高质量数学家。过去实现这两条的办法都差不多：证明定理。但他说，这套评价漏掉了关键一层。给计算机或猴子一套 ZFC 公理，让它机械应用推理规则，也能源源不断产生定理。开放问题也可如此枚举证明。这说明数学真正看重的，从来不只有“命题被证明”。

他假设猴子极其聪明，理解所证内容，阐述漂亮，解决悬案，还能提出新问题。即便如此，人类数学家仍有必要：机器能生产答案，但生产不了人对答案的理解。我们可能正站在数学大爆炸前夜，模型会产生更多新结果，但只要人类还在意理解了多少数学，数学家就不会多余，甚至可能更忙。

Litt 区分数学本身的价值与今天学术数学的制度形态。他希望保留学习讨论班、数学家偶然碰出的新想法、学生敲老师办公室讨论问题、多人一起弄懂原本没人明白的问题。期刊、同行评审、arXiv、论文署名则未必一成不变。数学界太执着于保护旧制度，若现成模型花几美元就能产出不错的新数学，指望现有平衡原封不动延续并不现实。他也不赞成把“会提问题”变成新评价标准，因为制度变化慢、模型升级快，不如直接考虑终局：假设 AI 补齐绝大多数数学能力，我们还想保留什么？

教育方面，Litt 认为最紧迫的是学生该做什么。博士论文过去既贡献新结果，也证明学生掌握了数学。但 AI 让后者失效：学生可交出自己没完整读过的论文。他提议把数学进展与数学能力分开，未来博士目标可重新定义为：成为某个重要深刻问题上的真正专家，并能把理解传达给别人。论文仍可存在，但学位授予可更多依赖严格答辩：讲清问题，应对追问，处理陌生例子，迁移方法。研究结果是否最初由 AI 找到并不关键。学生可用 AI，但最后必须自己懂。论文越易生成，报告、长时间讨论、面对面追问反而更能判断理解。

Litt 还指出，数学共同体长期低估筛选“什么数学值得研究”的工作。AI 能拿开放问题练手，是因为人类数学家已提前筛选。某个猜想成为开放问题，通常意味着很多人认为它有价值。未来可更明确奖励能搭建研究纲领的人：提出好问题，构建值得长期推进的方向，说服他人这里值得挖。AI 大概率也会越来越会提问题、做猜想、设计研究计划，产出海量 PDF。

当 PDF 多到看不完，真正瓶颈浮现：有没有足够多人真正理解新数学。Litt 说，如果一个猜想倒在森林里没人听见，那又有什么关系？模型自己提出漂亮猜想再自己证明，若无人理解关心，它在纯数学中价值有限。数学内容越丰富，反而越需要更多数学家。即使结果有直接应用，也需有人看懂假设、结论边界和失效条件。数学生产力提升没有消灭理解成本，只是把瓶颈暴露得更明显。

数学以前很便宜，一人一黑板即可。AI 出现后，部分问题第一次可通过注入现金解决：多买算力，多烧 Token，多跑推理。有些数学家失落，因为难题曾把一群人聚起来，为绕过它发展辅助理论、创造新工具，甚至找到比原问题更重要的东西。模型直接给答案，中间绕路可能不再发生。Litt 承认损失真实，但反应干脆：若一道基础数学问题花一顿晚餐的钱就能解决，应该高兴。答案出来后，还得问它解释了什么、让我们理解了什么、为何如此、能推广到哪、带来哪些新问题。一些问题可能再被 AI 用一顿晚餐解决，另一些则重新让所有人困惑，新数学共同体又围绕困惑长出来。

最后，Litt 回到普通场景：学生没想明白，去敲教授办公室门。两人可问 AI，也可先自己推。模型可能给出漂亮解释，但“看到解释”和“自己理解”之间还有一步，没人能替你完成。AI 会不会越来越强？Litt 基本默认。