數學永恆的終結？對 ChatGPT 5.5 Pro 的反思

人工智慧與高階數學的交集長期以來一直是理論辯論的主題，但最近與 ChatGPT 5.5 Pro 等模型的經驗正將這場對話從假設轉向實踐。當 AI 可以用人類專家所需時間的一小部分產出可發表之數學論文時，其影響遠不止於單純的生產力提升。它觸及了數學發現的本質以及研究者的文化認同。

數學發現的轉變

最近的報告指出，ChatGPT 5.5 Pro 能夠解決複雜的數學問題並生成證明，這些證明不僅正確，而且具有潛在的可發表性。這一過程的速度令人震驚；通常需要資深數學家思考數週的任務，現在可以在不到一小時內完成。

這些模型最顯著的能力之一似乎在於它們能夠連接現有知識中互不相干的部分。正如一位觀察者所注意到的，AI 經常透過識別人類尚未建立聯繫的前例來取得成功。這種「組合式創意」（combinatorial creativity）讓 AI 能以極高的效率在高度定義的問題空間中導航，有效地優化通往解決方案的路徑。

學術訓練的危機

這種能力的飛躍為數學教學法帶來了深刻的挑戰。傳統上，博士生透過處理「溫和問題」（gentle problems）——即具有挑戰性但可解的問題——來接受訓練，這些問題是通往原創研究的門檻。然而，如果 LLM 現在可以毫不費力地解決這些溫和問題，那麼新研究者的進入門檻將會發生根本性的改變。

它對我來說，訓練初級博士生進行研究 [...] 變得更加困難了，因為幫助某人入門的一個明顯方法是給他們一個看起來像是相對溫和的問題。如果 LLM 已經到了可以解決「溫和問題」的地步，那麼這將不再是一個選項。

這創造了一個悖論：為了對該領域做出有意義的貢獻，學生現在必須證明一些 LLM 無法證明的東西，而不是僅僅證明一些尚未被證明的東西。這將目標從「新穎性」轉向了「抗 AI 性」，潛在性地疏遠了新人才，並使通往精通之路變得更加複雜。

人類的角色：從創造者到策展人

隨著 AI 接管了技術性的繁重工作，數學家的角色正在演變為引導者或策展人。這引發了一個關鍵的哲學問題：如果一位數學家引導 LLM 達成了一項重大發現，但 AI 提供了技術性工作和核心思想，那麼誰應該獲得功勞？

目前出現了兩種主要的思潮：

協作模型： 有人認為「LLM 語音師」（LLM whisperers）——即能夠提示、引導並驗證 AI 輸出的專家——正在做出巨大的貢獻。在這種觀點下，人類引導 AI 的能力就是成就。
傳統主義模型： 其他人則認為，真正的數學洞察力誕生於技術性的掙扎之中。如果沒有證明的過程中的掙扎，人類僅僅是一個促進者，而成就屬於機器。

這種區別至關重要，因為正如許多專家所指出的，有效使用這些工具仍然需要深厚的領域專業知識。一位物理學教授指出，雖然 Gemini 可以發現筆錄錯誤並建議聯繫，但它仍然會犯下只有領域專家才能發現的概念性錯誤。AI 本質上仍然是一個「非常高效的學生」，需要嚴格的指導。

心理上的代價與「永恆」問題

對於學術界中的許多人來說，研究的動力源於對傳承的渴望——一種智力上的永恆。意識到機器可以複製或超越這種產出，威脅到了學術追求的心理基礎。

所以，如果你的目標是做數學是為了實現某種意義上的永恆，那麼你應該明白，這將不再可能持續太久了——不僅是對你，而是對任何人。

這種情緒在研究生中也得到了迴響，他們覺得如果工作可以由演算法生成，那麼他們的工作可能不再能「超越」他們在地球上有限的時間。

實務風險：「AI 垃圾」與驗證

儘管結果令人印象深刻，但「AI 垃圾」（AI slop）——低品質、幻覺或表面上正確的內容——的風險仍然很高。存在一種日益增長的擔憂，關於研究者生成他們並不完全理解的結果，並將其轉發給同事進行驗證。這對專家來說造成了 undue 負擔，因為他們現在必須篩選 AI 生成的證明來尋找實際的錯誤。

此外，這項進步的成本並非免費。這些「長思考」模型所需的龐大運算時間——有時單個複雜回應需要近一小時——引發了關於長期經濟永續性以及科學界對控制運算資源的少數企業守門人的依賴問題。