OpenAI 在 GitHub 一口气公开 722 份数学研究手稿，《The Verge》采访的三十多位数学家中，有人整套研究计划被打乱；也有研究者的论文已完成九成，却卡在要不要提前交卷上。

这一次，轮到数学家了。

最近看到OpenAI在GitHub上一口气公开了722份数学研究手稿，第一反应是被这个阵仗吓了一跳。

数论、几何、代数这些领域里，很多问题光是能拆解题目就已经不容易，更别说找到一条经得起检验的证明思路。

小编本科读的就是数学专业，虽然接触的内容还比较基础（没认真学），但学过数学的人应该都能理解那种无力感。

有的数学题就短短几行，公式你全都见过，可来回换思路去解，到头来才发现，压根没搞懂题目到底想考察什么。

网上有句调侃，数学不会是真不会。一份看似简短的证明，背后可能藏着多少次推不下去的尝试。

这次OpenAI的消息，除了关注AI能力进展，也想到了那些正在研究相关问题的数学家。

他们可能为了一个问题查阅了大量论文，花几年寻找突破口，甚至已经围绕这个方向安排好了接下来的研究计划。

突然有一家AI公司集中公布这么多份解答，心情恐怕很难只有兴奋。

今日凌晨发布的The Verge长篇采访联系了三十多位数学家。其中圣安德鲁斯大学数学教授Colva Roney-Dougal表示，她认识的一些朋友和同事，原本准备申请经费的研究计划已经受到了很大影响。

纽约大学教授Tristan Buckmaster也说，他听说有三位研究者的整套研究计划遭遇了严重冲击。

对于博士生或者刚进入学术界的年轻人来说，选择一个问题，往往也意味着确定未来几年的工作。需要先阅读大量前人的论文，摸清别人走过哪些路，再寻找值得继续推进的方向。

等到取得结果，还得整理成经得起同行检查的证明，才能拿去投稿、申请职位或者争取下一阶段的研究经费。一道难题甚至可能支撑一份论文，影响毕业后的去向。

可如果突然有一天，AI公司一次公布了一大批同类成果，即使里面有些证明后来发现存在漏洞，研究者也没法完全当作什么都没发生。

原本计划申请的课题，可能得重新解释还有哪些值得研究的地方。就连尚未公布的想法，也会令人担心，自己辛苦推进的工作会不会在交稿前被别人抢先发表。

在数学家平时交流的社区MathOverflow里，有研究者表示手里的论文大约完成了九成，按照惯常的研究习惯，本来还需要继续打磨。

但最近的AI消息让他犹豫，既怕仓促发表留下问题，又怕等到自己写完，相关结论已经被AI抢先公布。

这个点特别像普通打工人那熟悉的压力感。明明知道一项工作还需要再检查一下，外界却不断催着交付。每个人都想保证质量，可一旦周围的人都提速，耐心完成工作反倒可能显得落后。

学术研究原本应该允许长期思考，如今连论文完成九成的人，也要认真考虑要不要提前交卷。

还有一位理论计算机科学研究者在亲笔文章中讲到，过去三年，她将大量研究时间投入一个与量子计算有关的问题。

她反复尝试过许多办法，也曾使用AI Agent协助探索。就在本周，OpenAI公布了一份声称解决该问题的证明，她读着这份手稿，发现其中某些思路与自己摸索过的方向十分接近。

她承认，内心有一部分仍想多留一点时间，继续生活在这个问题尚未解决的阶段，不过，她也期待沿着新结果寻找接下来的课题。这样的态度很难简单归结为欢迎或者抵制AI。

Lean 自动化数学证明

研究者当然希望难题取得进展，同时也会珍惜自己在寻找答案的过程中投入的几年光阴。AI可能替他们推开一扇门，却也让那段没走完的探索突然改变了方向。

不过事情还远没有发展到AI已经写完全部数学研究的程度。OpenAI公布的修订记录显示，10月7日，三份手稿因为相关证明存在符号错误而撤回，另外十四份得到修改。

这又产生了一个有点尴尬的局面：AI可以迅速生成一批看起来非常完整的研究论文，数学家却需要逐篇核实推理、检查引用、确认结论究竟有多大价值。

数学领域对此格外敏感，因为一条证明链里只要有关键环节出了问题，后续结论就可能全部受到影响。

更让人意外的是，OpenAI已经明确将尚未解决的数学难题用于模型评测。

根据仓库的公开说明，这次研究涉及约四千道问题。对于最终公布的成果，官方给出的平均计算量约相当于三个小时的ChatGPT Pro思考算力。

10月9日，数学家Nisheeth Vishnoi在自己的博客发表了一篇很长的文章。他没有急着评判这些证明的水平，反而想起自己多年教学生、与同事交流数学问题的经历。

有些技巧不会写进论文，有些错误的探索需要在黑板前讨论很久才能弄清楚。学术共同体正是靠这些交流，慢慢积累起研究经验。

大学培养出的数学人才不断进入AI公司，许多学术知识也在长期公开交流中积累。公司利用人才、算力和自己的技术体系，建成越来越强大的专有模型。

等这些模型具备解决复杂数学问题的能力，原本培养人才的学校和研究者，反而很难拥有同等条件的工具。

对于那些没有得到公开记录的经验，究竟有多少进入模型，又通过什么渠道进入，Vishnoi也坦言自己并不清楚。

他在文章最后写到，自己曾经想象，等孩子长大，可以陪他们坐在纸前一起研究数学。

两个人遇到难题，试试不同的办法，花很久才找到一点进展。但现在，等到那个时候，机器也许早已准备好了答案。

他担心的是，孩子还有多少机会体验这种缓慢却令人快乐的思考过程。

读到这里，小编又想起本科读数学时那种挠头的感觉。题目做不出来当然难受，等老师讲清楚某个关键步骤，突然明白原来可以这样想，又会觉得之前耗掉的时间多少有了意义。

对于研究数学的人，这种感受也许强烈得多。

一个课题研究多年，最后得到答案很重要，过程里形成的判断、直觉和兴趣，也构成了他们愿意继续做研究的理由。

另外，也有不少数学家对AI展现出的研究能力感到兴奋。他们相信，数学领域还有大量问题值得继续探索。这批成果中，有些证明让专家感到惊讶，也有一些出现了错误。

围绕AI的争议，既涉及论文质量与署名规则，也涉及年轻研究者怎样谋生，以及大学该怎样培养下一代数学家。

拿一条数学家快失业的结论概括这些讨论，会错过其中最值得思考的部分。

对于其他行业的普通人，这件事未必会改变明天的工作。

一个专业领域积累多年的技能，突然遇到了更强的自动化工具，个人首先感受到的未必是解放，也可能是自己熟悉的工作节奏被打乱。

尤其是职业生涯刚起步的人，还需要靠作品和业绩证明自己，技术变化带来的不确定感会更具体。

模型，RSI的进步当然很值得期待，但如何让使用工具的人也拥有学习和成长的时间，同样值得讨论。

小编学数学的时候，常常觉得这个专业吃力不讨好，毕业后也没再继续走纯理论数学这条路，虽说也有点怀念当初慢慢研究的过程。

毕竟数学最让人难忘的时刻，往往是自己折腾了很久，终于弄明白一个小小的道理。

当AI可以给出越来越多的答案，我们也许更需要想清楚，除了交出答案，还希望自己在工作和学习里留下些什么。