AI、数学与博士学位的未来：给学生的建议

保持答案先行 —— 核心结论

最重要的结论是：如果学生受到热情和好奇心的驱动，就应该继续追求数学研究 —— AI 将改变研究的方式，而不是改变数学本身是否仍然有价值或被需要。

1. 为什么原作者学生的焦虑是可以理解的

“数学学术界是否足够大且足够包容，能容纳任何怀揣纯粹热情的人……还是说它不可避免地会萎缩，以至于只有最聪明的人才能进入？” —— 学生邮件（引自原文）。

  • 这位学生担心两个具体的风险：
    1. AI 可能取代人类数学家 —— 这一担忧因 OpenAI 最近声称能解决高难度问题的发布而加剧。
    2. 职业前景可能蒸发 —— 博士水平的研究可能变成“家庭作业答案引擎”，而不是原创发现的场所。
  • 这些担忧呼应了 HN 讨论中捕捉到的更广泛的社区情绪，许多评论者（例如 reasonableklout、hintymad、soltanov）指出，LLM 的快速进步让未来显得“不确定”且“风险极高”。

2. 作者的核心乐观论点

“尽管我担心 LLM 对学术数学的侵入，但我仍然相当乐观……这可能是我们学科现代史上最激动人心的数学时刻。”

这种乐观建立在三个相互关联的观察之上：

2.1 LLM 运行在**现有思想的凸包（convex hull）**之内

  • “思想多面体”的比喻（文中插图）表明，LLM 只能重组已知的概念。
  • 证据：对 Erdős 单位距离猜想的反证法使用了现有离散几何和代数数论思想的巧妙组合，而非全新的概念突破。
  • 含义： 真正需要新概念的突破（例如黎曼猜想的证明）仍然很可能需要人类的洞察力。

评论： 几位评论者（例如 10 月 11 日的 Anonymous、Jon Bannon）呼应了这一观点，指出即使 AI 迅速填满了凸包，那些“凸包之外”的尖峰仍然需要人类的创造力。

2.2 人类数学家仍然是合作者，而不仅仅是提示词工程师

  • 与 LLM 的合作被比作研究伙伴关系：模型提供建议，数学家进行引导、验证并提取潜在的直觉。
  • 作者拒绝了“职业提示词工程师”的概念，并强调数学家关心的是结果为什么成立，而不仅仅是它成立了。

评论： Anonymous（10 月 8 日）强调了人类需要“保持理解的空间”，而 Jon Bannon 警告说，如果 AI 真的将研究简化为提示词工程，数学可能会变得“索然无味”。

2.3 数学系的教育使命依然存在

  • 大学有双重目标：发现知识和传播数学知识。
  • 即使在 AI 编写证明的世界里，仍然需要能够翻译、情境化并激励学生的教师。
  • 文中引用了 Daniel Litt 的推文，证实日常学术生活（教学、会议、指导）并没有发生根本性的改变。

评论： valuevar 和 Anonymous（10 月 8 日）称赞这篇文章提醒读者，数学不仅仅是发表论文；它是一种思维方式，对于广泛的职业生涯仍然具有价值。

3. 给学生的实用建议 —— 摘自文章与讨论

3.1 不要让 AI 决定你是否应该攻读博士学位

  • 热情是首要筛选器。 作者认为，攻读博士学位的决定应基于对课题的真正兴趣，而不是 AI 的现状。
  • AI 是工具，而非替代品。 利用它来加速学习（例如快速文献搜索、勾勒证明思路），但仍要培养脱离它进行推理的能力。

反方观点： Anonymous（10 月 8 日）和 Samuel Mausberg 指出，许多博士生已经感觉到 AI 将研究变成了“家庭作业答案检索”，这可能会降低动力。因此，建议寻找那些 AI 辅助有限或仍处于探索阶段的问题。

3.2 培养 AI 不易模仿的技能

技能 为什么 AI 难以做到 如何培养
深层的概念直觉 —— 理解证明为什么有效，而不仅仅是它有效。 LLM 缺乏数学意义的模型；它们只是生成标记序列。 花时间从头开始证明经典定理，撰写非正式解释，与同行讨论想法。
创造性的定义制定 —— 发明新的对象、猜想或框架。 需要走出现有文献的凸包。 参加研讨会，广泛阅读各领域文献，记录你注意到的空白点。
沟通与教学 —— 教学、讲故事、阐述。 AI 可以生成正式文本，但很少能捕捉到吸引学习者的叙事流。 练习教本科生，写博客文章，制作视觉辅助工具。
跨学科综合 —— 将数学与物理、生物、经济学等联系起来。 训练数据是碎片化的；LLM 可能会错过微妙的领域特定约束。 从事联合项目，阅读非数学文献，参加跨学科研讨会。

评论： Anonymous（10 月 8 日）认为，没有人类可理解的阐述的证明“几乎没有价值”。这与表格一致：证明的价值与其解释性紧密相连。

3.3 驾驭不断演变的研究生态系统

  1. 将 LLM 视为编译器*，而非*神谕。** 你必须制定精确的陈述；否则模型会产生噪音。
    • soltanov (HN) 简洁地表述为：“将模型视为编译器，而不是神谕。”
  2. 预期更高的发表节奏。 一些评论者（例如 10 月 8 日的 Anonymous）预测期刊将要求每月发表论文，将重点从证明撰写转移到研究议程设定上。
  3. 利用 AI 进行探索性工作。 作者指出，LLM 让他的项目管理能力提升了三倍，为本科生加入早期研究提供了机会。
  4. 保持对资源限制的认识。 即使 AI 能解决 Navier-Stokes 方程，其货币和计算成本也可能高得令人望而却步；人类的聪明才智仍需用于寻找更廉价的方法。
  5. 参与社区范围的访谈。 作者的“AI 时代的人类数学家”视频系列（文中链接）是听取不同观点的具体方式。

4. 更广泛的社会背景 —— 资金、伦理与信用

  • 企业叙事控制： 前沿模型公司有动力在 IPO 前夸大 AI 能力（Anthropic、OpenAI）。这可能会扭曲公众认知并影响资金决策。
  • 归属与验证： 正如 Anonymous（10 月 8 日）所问，AI 生成的论文仍必须经过同行评审并提供透明的引用。
  • 就业市场现实： 虽然作者持乐观态度，但许多评论者（例如 10 月 8 日的 Anonymous、Samuel Mausberg）强调，永久性学术职位一直很稀缺；AI 可能会加剧竞争。
  • 资源的伦理使用： “自然边界”论点（Kevin Buzzard）提醒我们，以天文数字般的成本解决问题在社会上可能是不可接受的，这促使人类设计出更高效的证明。

5. 给学生的结论性建议（行动清单）

  1. 自我评估： 问问自己是否热爱思考数学，而不仅仅是产出结果。
  2. 技能审计： 确定你需要加强哪四种抗 AI 技能（直觉、定义制定、沟通、综合）中的哪一种。
  3. 试点 AI 工具： 将 LLM 用于小型副项目（例如文献综述），并评估你还需要进行多少干预。
  4. 寻求指导： 选择将 AI 视为合作者的导师，他们会让你参与研究的人类方面（想法生成、阐述）。
  5. 规划灵活性： 考虑重视数学思维的职业道路（数据科学、密码学、量化金融），同时关注学术机会。
  6. 保持知情： 关注“AI 时代的人类数学家”访谈系列和正在进行的 HN 讨论，以衡量社区情绪。

6. 结语 —— 数学在后 AI 时代的角色

“即使在最反乌托邦的场景中，如果 AI 在所有研究任务中都变得超人，如果没有人类数学家来消化它，证明又有什么用呢？” —— Álvaro Lozano-Robledo

数学是一种描述模式的语言，一种推理工具，也是一种塑造我们如何看待宇宙的文化实践。AI 可以加速该实践中机械的部分，但人类提出“为什么？”并围绕抽象结构编织故事的驱动力仍然是不可替代的。只要学生们继续提出这些问题，这门学科就会生存下去，并蓬勃发展。

本文综合了 Terry Tao 博客上的原始客座文章、该文章下方的广泛评论线程以及 Hacker News 上投票最高的讨论。直接引用以块引用的形式呈现；所有其他材料均是对原始资料的忠实总结。

Sources

相关