數學的開端——AI 如何迫使這個專業重新思考

摘要——AI 很快就會產生超越人類的數學，而這個專業必須從重視書面成果轉向重視人類的理解、口頭辯護和協作討論。

---

AI 的里程碑及其影響

• 近期進展：三年前 AI 還不會將兩個數字相加；一年前 OpenAI 和 DeepMind 的內部模型在國際數學奧林匹亞競賽中達到金牌水準；現在 AI 系統正在自主解決重大的開放性問題。
• 不可避免的轉變：作者主張，穩健超越人類的 AI 數學很快就會到來，而數學文本的產出將越來越與人類的理解脫節。
• 為何重要：如果機構繼續將論文和定理陳述視為專業知識的主要信號，它們將無法區分真正的理解與 AI 生成的產出。

數學目前試圖達成的目標

• 兩個個人目標（作者的觀點）：
  1. 產出並理解高品質的數學。
  2. 培養高品質的數學家。
• 傳統的操作化：成功是透過證明定理來衡量，尤其是那些解決開放性問題的定理。這個指標現在已經不足，因為一個足夠聰明的 AI 可以在沒有任何理解的情況下列舉猜想和證明。

為何人類理解仍然至關重要

「機器可能會產出我們重視的答案，但它本身不會產出人類對這些答案的理解。」——Daniel Litt

• 理解 vs. 真理：電腦寫出的證明並不會自動傳達結果為何重要，或它如何融入更廣泛的理論。
• 社群功能：數學家目前決定什麼是有趣的，並圍繞這些問題建立研究計畫。AI 可以生成許多結果，但人類仍然必須策劃、詮釋和擴展它們。

提議的機構改革

1. 重新定義博士目標

• 新目標：成為一個深入主題的世界級專家，並能夠將該專業知識傳達給他人。
• 評估轉變：論文可能仍然作為書面產物存在，但學位應主要基於嚴謹的口頭辯護來授予，考官在辯護中探究候選人的理解。
• 來源無關：底層結果是否由 AI 輔助產生無關緊要；辯護測試的是學生對材料的掌握。

2. 優先考慮無法自動化的技能

• 內在技能：深入理解、直覺，以及提出新問題的能力。
• 社會關係技能：教學、指導和持續的數學討論。
• 評估工具：強調演講、研討會和現場問題解決環節，而非靜態論文。

3. 培養健全的研討會文化

• 期望：演講者必須向聽眾解釋他們的工作，直到聽眾滿意為止。
• 理由：口頭闡述迫使演講者展示真正的理解，這對 AI 來說更難偽造。
• 社群益處：增加對話有助於建立 AI 無法取代的共享直覺。

4. 獎勵研究計畫的建構

• 超越單一定理：重視識別有前景方向、聚集合作者，以及維持一條探究路線的能力。
• AI 輔助計畫：接受 AI 可能提出猜想，但人類數學家應因塑造和堅持該計畫而獲得認可。

預期反對意見與反駁

• 關於驗證的擔憂：一些評論者指出，驗證 AI 生成的證明可能變得不可行，尤其是對於千禧年問題等長期項目。本文的回應是透過討論和教學加倍投入人類驗證。
• 口頭辯護的公平性：批評者擔心口頭評估對有舞台恐懼或表達技巧較不流利的人不利。社群將需要發展包容性的評估實踐，平衡口頭和書面證據。
• 「按鈕式」數學的潛力：作者承認，任何有筆記型電腦的人現在都可以低成本生成《數學年刊》等級的論文，但他認為這種豐富性是一個正向催化劑，讓更多人參與數學，前提是存在一個健全的詮釋社群。
• 與軟體工程的比較：有些人看到與程式碼審查的相似之處；建議的解決方案類似——改進模型並保留人類審查，而不是放棄審查過程。

社群回饋的綜合

• 對口頭辯護重點的支持：多位評論者（例如 @wrs、@MarceliusK）讚揚透過現場討論來評估理解的轉變。
• 對機構慣性的懷疑：像 @bonoboTP 和 @ComplexSystems 這樣的用戶警告，堅持現有結構將是徒勞的；需要更廣泛的跨學科對話。
• 對新機會的樂觀：@Jun8 將這種情況比作外骨骼，讓更多人能舉起更重的重量，建議新的獎勵標準而不是放棄競爭。
• 驗證焦慮：@vld_chk 和 @theodorewiles 強調迫在眉睫的驗證瓶頸；本文對社群解釋的重視直接回應了這個恐懼。
• 動機作為剩餘瓶頸：@ksd482 認為 AI 移除了大多數技術障礙，留下人類動機作為關鍵的限制因素。

未來可能的面貌

1. 豐富的 AI 生成 PDF：文獻量將爆炸性增長，但只有一部分會被理解和使用。
2. 以研討會為中心的職業：成功將由領導和參與高品質討論的能力來衡量，而不是由撰寫論文的數量。
3. 混合研究團隊：人類數學家將與 AI 工具合作，委派例行推導，同時專注於直覺、類比和教學法。
4. 重新定義的聲望：獎項和招聘將重視指導、闡述和研究計畫的創建，而非孤獨的定理證明。

結論思考

「我們一直處於開端，我們也永遠會處於開端。」——Daniel Litt

超越人類的 AI 在數學中的出現並不標誌著這個學科的終結；它標誌著一個新時代的開始，在這個時代，人類的理解、溝通和社群成為最有價值的資產。