数学的开端——AI 将如何重塑这一职业

AI 已超越人类算术能力

作者指出，三年前 AI 还无法可靠地计算两个数字之和，一年前 OpenAI 和 DeepMind 的内部模型在国际数学奥林匹克竞赛中获得了金牌成绩，而如今 AI 系统已能自主解决重大开放问题。这一快速进展意味着超人数学 AI 即将到来，并将迫使人们对这一学科进行彻底反思。

核心问题：产出 vs. 理解

传统上，数学以定理的产出来评价——即声称有新结果并提供证明的论文和博士论文。文章认为，这种操作化是不完整的，因为一个枚举证明或猜想的机器可以生成正确的陈述，却无法提供人类的理解。因此，当前社区对定理计数的依赖，冒着失去数学更深层价值的风险：洞见、直觉以及解释思想的能力。

“通过枚举所有猜想以及 ZFC 的所有证明来自动化数学的前景，可能不会让你感到不安。……是否仍然需要人类数学家？我认为是的。这台机器可能会产生我们重视的答案，但它本身不会产生对这些答案的人类理解。”

数学应该以什么为目标

文章提出了两个广泛目标：

1. 产出并理解高质量的数学。
2. 培养高质量的数学家——能够内化、交流并拓展数学思想的人。 即使数学文本的产出与对该文本的理解日益脱节，这些目标也必须被追求。

所需的制度变革

1. 重新思考博士评估过程

• 从书面论文转向严格的答辩。 学位将主要根据候选人向考官解释主题直至考官确信其理解的能力来授予，无论结果是否借助 AI 生成。
• 保持主题的原创性，但忽略来源。 只要候选人展现出深刻理解，结果源自人类还是 AI 不应影响学位授予。

“我提议对数学博士目标进行如下重新概念化：成为某个有趣、深刻主题的世界专家，并能够将这种兴趣和理解传达给他人。”

2. 优先考虑以人为中心的技能

• 奖励讲座、研讨会和持续讨论，而非论文，因为现场解释更能证明理解。
• 对研究生入学进行面试，就像教师招聘一样，确保沟通能力尽早得到评估。
• 培养健全的研讨文化，演讲者必须满足听众的理解需求，而不仅仅是展示精美的 PDF。

3. 保留数学的社会关系功能

• 保留学习研讨会、敲门对话和社区范围的求知欲作为核心活动。这些人类互动是将 AI 生成的结果转化为共享洞见的主要机制。
• 认识到弄清楚什么是有趣的是人类独特的贡献，它引导 AI 输出走向有价值的方向。

预期反对意见与反驳

• 关于验证的担忧： 一些评论者担心 AI 生成证明的庞大数量将超过人类验证的速度，可能导致“无限”验证问题。
  • 文章承认这一风险，但认为社区的角色将转向理解和解释结果，而非验证每一行形式化证明。
• 对失去“解谜”吸引力的恐惧： 批评者担心将问题解决委托给 AI 会使数学变得无趣。
  • 作者反驳说，人类的好奇心将持续存在；为什么和这教会了我们什么仍将是驱动力，即使如何做被自动化。
• 对口头表现的潜在偏见： 一些评论者指出，并非每个人都擅长现场演示。
  • 文章建议采取平衡方法：口头答辩补充而非取代书面工作，机构应为多样化的沟通风格提供支持。

Hacker News 上的社区反应

• 对口头答辩的支持： 像 @wrs 和 @MarceliusK 这样的用户称赞通过严格口头考试评估候选人的想法，将其比作软件工程中的代码审查实践。
• 对 AI 生成证明的怀疑： @vld_chk 警告说，AI 证明的验证时间线可能变得实际上无限，威胁数学记录的可靠性。
• 对新机会的乐观： @Jun8 将这种情况比作古代奥林匹克运动会，新技术（“外骨骼”）提高了标准，建议我们应奖励更广泛的贡献，如社区建设和指导。
• 呼吁更广泛的跨学科讨论： @bonoboTP 强调，数学面临的挑战将在许多知识工作领域产生共鸣，需要协调改革。
• 强调人类动机： @ksd482 指出，AI 消除了许多瓶颈，留下动机作为进步的主要剩余障碍。

为什么现在重要

廉价、高质量的 AI 数学生成器与传统对书面输出的依赖的融合，造成了不匹配：论文不再标志着专业知识。没有制度适应，该职业将面临贬低人类数学家并失去历史上证明数学研究合理性的文化和教育功能的风险。

具体的前进步骤

1. 在研究生项目中实施以答辩为中心的博士标准。
2. 重新设计招聘和招生，包括现场问题解决面试。
3. 投资研讨基础设施，奖励清晰、互动的讲解。
4. 为研究项目设计创造激励——认可识别并培养有趣问题家族的学者，即使 AI 协助解决它们。
5. 制定社区范围的验证协议，将形式化证明检查与人类主导的解释环节相结合。

结语

数学一直是“在开端”。AI 将加速结果的产出，但该学科的持久价值将在于人类的理解、交流以及将孤立定理转化为连贯知识体系的集体好奇心。