OpenAI那次相关事件已经过去差不多两周，相关讨论还没有平息。有一套还没有对外公开的下一代模型，调动了大约一万个AI智能体，花88小时完成纳维-斯托克斯方程存在性与光滑性问题的证明，同步放出166页论文以及Lean验证代码。消息出来的时候，我刚好在翻看一份流体方程旧笔记，看到这条新闻第一反应不是震惊，而是一阵说不清的恍惚。
质疑很快就跟着来了。纽约大学教授布克马斯特公开提出异议，他说自己之前就在相近方向完成带光滑外力的欧拉方程有限时间奇点相关研究，还曾经用Codex处理过草稿，怀疑模型参考了他的研究思路。OpenAI方面予以否认，但也没办法完全排除相关产品数据参与模型训练的可能性。这件事本身谁对谁错暂时放一边，它暴露出来的问题比证明结果本身更值得琢磨：当AI完成数学证明的速度远远快于人类同行评议的速度，学术优先权的边界该怎么界定；草稿、对话记录算不算一种隐性的数据贡献，这些问题目前都没有标准答案。
事件之后陶哲轩发布一篇博客，主题大概是人工智能在数学领域存在严重错位。25位菲尔兹奖得主联合签署声明，不到一天签名人数突破2500。这份声明认可AI具备的能力，但点出很多人忽略的一点：数学研究的过程本身具备价值。为攻克一个猜想而创造出新工具、搭建全新理论框架，这些衍生成果在数学家眼中才是真正宝贵的财富。而AI这种高速的“钻头”，有可能一并打碎这些中间产出。
如果是正在攻读基础数学博士的人，这件事意味着什么？
不用急着焦虑AI会不会取代自己。短期来看并不会。纳维-斯托克斯方程这份证明是否成立，数学界还在独立核验，OpenAI自己也表示不会去申领克雷数学研究所的百万美元奖金。而且这只是特定构造方向下得出的结果，不等于这个难题已经被彻底解决。更值得留意的是另一处变化：Anthropic借助Claude，只用11天就把怀尔斯1995年的费马大定理证明转换成1300万行计算机可验证代码，这项工作原本预估人类要花费大约十年时间。形式化验证正被AI大幅提速，这件事会直接改变数学论文的验收标准。
如果你研究方向属于代数几何、数论、拓扑这类纯数学核心领域，一个趋势已经比较清晰：掌握Lean代码编写、能够把证明做形式化处理的能力，会慢慢变成像二十年前掌握LaTeX那样的基础技能。不是要求你去开发AI工具，而是未来你的研究成果，大概率需要以机器可验证的形式呈现。现在花时间学习Lean，不是单纯追赶热点，而是为未来五到十年学术成果的产出方式做准备。
另外一个需要正视的现实：纯数学方向的教职竞争，在AI出现冲击之前就已经十分激烈。国内一线城市985高校的长聘岗位，基本都要求海外经历搭配顶刊论文，非升即走带来的压力非常实在。AI并没有让这条路变得更窄，只是让“只走纯数教职”这一条出路显得更加单薄。如果在读博期间发现自己对教职的热情并没有预想那么坚定，计算数学、概率统计、运筹优化这类方向和工业界本身就有成熟对接渠道，不需要彻底转行，只需要把已掌握的数学工具落地到具体场景。但如果是标准纯数方向，想要转到金融或者互联网领域，确实需要额外补充不少工程和业务相关知识，最好在博士三年级之前就着手准备。
还有一条路径可以好好考虑，就是进入AI公司。OpenAI、Anthropic、DeepMind这类企业现在都在招收具备数学背景的人员，岗位需求也不局限于模型推理相关工作。形式化验证、数学数据集构建、证明内容机器可读化，这些岗位需要真正理解数学结构的人，不是只会调参的工程师。陈立杰在OpenAI负责大模型数学推理相关研究，他提到今年早些时候预估AI大概会在2027年产出顶级数学论文，实际发展速度已经超出他当时的预期。这类岗位目前总量不算多，但发展方向是明确的。
说到底，AI在数学领域带来的真正改变，不是能不能解出难题，而是难题被解出来之后，由谁判定证明是否成立，以及这份证明留下了哪些研究沉淀。数学家的角色正在从证明的完成者，慢慢转变成提出问题、判断研究价值的人。陶哲轩说过，好问题会比好答案更加稀缺。对于在读博士来说，找到自己真正感兴趣的研究问题，远比追逐热点重要得多。AI能够帮你做验证、检索文献，甚至把猜想转化为形式化证明，但它没办法替你判断哪一个猜想值得投入三年时间钻研。这种判断能力，才是读博阶段最该培养出来的能力。
