焦虑背后的核心观点：现在是入局的最佳时机

面对数学界因AI冲击而产生的普遍恐慌，许多博士生和本科生感到前途未卜。作者认为，尽管学术贡献的分配方式可能被重新定义，但数学体系本身及其本质几乎不受影响。即便未来机器能完美执行数学家的工作，这一领域依然具有极高的价值。作者指出，很多人离开学术界是因为恐惧职业消失或性质改变，但事实是数学不仅会继续存在，而且可能比以往任何时候都更有用且充满快乐。这种观点旨在安抚那些因害怕而考虑逃离的人，强调这是一个进入数学并资助它的黄金时刻。

拆解数学家的工作：从证明定理到构建理论

要理解AI的影响，首先需厘清数学研究的全貌。除了大众熟知的“证明定理”，数学家的工作还包括判断哪些问题值得提问（品味）以及构建理论框架。正如格罗滕迪克所言，伟大的数学家提出猜想，最伟大者写下定义。构建理论如同让海水上涨以连接两座山峰，提供的是深层且整体性的理解。例如笛卡尔的解析几何和伽罗瓦的群论，其价值不在于解决单一问题，而在于提供了全新的思考范式。此外，应用性研究将抽象数学与科学工程连接，而清晰的沟通则是所有工作的必要组成部分。这些任务共同构成了数学家创造价值的完整链条。

数学的价值来源：应用、技能迁移与审美愉悦

数学对世界的价值体现在三个层面。首先是下游应用，如虚数在量子力学中的作用或非欧几何对广义相对论的贡献，这些往往滞后数十年才显现。其次是个人层面的技能迁移，数学训练赋予的抽象思维和解决问题的能力极具通用性，使许多数学家在金融、AI安全等领域大显身手。最后是常被低估的审美愉悦。做数学本身带来一种“咔哒”对上的智力快感，这种艺术性的满足感是许多数学家投身该领域的核心动力。作者认为，公共资金的支持并非为了资助少数人的审美爱好，而是通过培养具备解题能力的学生来产生巨大的正外部性。

AI冲击下的假设：证明能力增强后的连锁反应

作者设定了一个思想实验：假设AI在定理生成上已全面超越人类。回顾过去四年，LLM从无法加法迅速进化到能解决IMO级别几何题及埃尔德什问题证明，其掌握竞赛级数学的速度远超预期。然而，即便AI在“生成证明”上更强，对价值链的影响却微乎其微。因为应用主要源自理论构建而非单一证明。例如，费马大定理的证明本身不如由此衍生的代数几何和椭圆曲线理论重要。因此，公共资助依然合理且必要。AI的介入反而可能提高数学家在理论构建上的杠杆效应，改变的是功劳分配的文化而非数学存在的根基。

锻炼解题肌肉：不可替代的人类训练价值

尽管AI在解决问题上日益强大，但亲自进行证明练习对于锻炼人类解决问题的能力依然具有核心价值。这类似于健身房的类比：虽然机器能举起更重的重量，但这并不否定人类亲自举重所获得的生理与认知价值。随着AI接管价值链中的更多环节，“锻炼解决问题的肌肉”这一过程原则上始终要求人类亲自参与。这种能力不仅具有内在价值，还通过教学渠道转化为资金流向——让人类专家具备生成证明的能力是训练学生及获得溢出收益的关键。即便在AI能力大幅扩展的未来，只要这一环节仍有价值，其经济与社会回报机制就不会消失。

情绪分化：线上挫败与线下兴奋的双重现实

AI介入数学研究引发了截然不同的情感反应，网上常见负面情绪认为机器生成的定理抽干了乐趣，而线下则多见兴奋与解锁感。许多数学家因结果被AI轻易得出而感到劲头被抽空，这种感受真实且值得讨论。然而，也有研究者如高等研究院的Konstantin Kogler体验到了截然不同的兴奋：他通过模型互动解决了领域内的重要难题，感受到“关于数学、力量及真理的难以置信的兴奋”。这种分化反映了当下话语环境的本质，但也为博士生提供了启示：去社交、合上电脑与同伴深入交流，比独自面对屏幕更能缓解焦虑并激发灵感。

理论构建的解放：从证明终点到数据起点

乐观视角下，AI生成证明意味着数学家可更主动地投入理论构建而非受限于解题速度。你可以快速提问并看到解答，进而梳理元素以编织如伽罗瓦群论或格罗滕迪克代数几何般的宏大叙事。虽然需解决来源归属等伦理问题，但将证明视为辅助理论构建的“原始数据”而非终点是一种解放。正如教材附带答案能加速理解，连贯的答案展示能帮助研究者突破卡点。证明只是数据，如同π的小数位数；真正的价值在于理解思路如何生长为连贯理论。若模型解释质量不佳，人类数学家仍需负责将其讲明白，但这只是过渡阶段。

社交属性与前沿快乐的重新定义

数学的快乐分为两类：普遍性的解题满足感（如思路“咔哒”对上的瞬间）与前沿研究者的开拓快乐。前者因需亲自较劲而不受AI影响，且更具社交属性——看到他人对数学的热情会放大自身的投入激情。后者则面临分化：一部分人因AI打开新窗口而兴奋，另一部分人因“开拓未知”精神的削弱而感到泄气。若AI连理论应用都超越人类，资金可能流向算力而非人类研究者。公共资助的理由将转向数学作为“培养解题者的机构”所带来的正外部性，或将其视为一种艺术形式。尽管失去“成为开拓者”的希望是一种损失，但为数学而数学本身仍是值得追求的目的。

教学的价值与AI无法取代的人际纽带

数学资金的来源结构揭示了其深层价值：虽然部分资金来自公共或私人慈善，但大部分经费实际上源于教学环节。教学的终极价值建立在两个基础之上：一是训练人们建立解决问题的思维能力，二是让学习者内化一种非常具体的快乐。尽管有人担忧AI安全或灾难性未来，但在相对乐观的分支中，大学结构仍会保留。因为教育的瓶颈不在于解释清晰度——AI或许更擅长此道——而在于动机。人们渴望从充满热情的人类教师那里获得激励，尤其是当对方是尊敬的人时。屏幕生成的清晰内容无法替代这种基于关系的人际互动，因此教学被认为是AI最难取代的岗位之一。

研究范式的转变：从证明到理论构建与可视化表达

在可预见的未来，数学研究将更聚焦于“构建理论”这一核心环节。证明作为学术贡献的替代指标，其价值正在下降，逐渐回归为一种原始数据。这意味着衡量人类学术贡献的方式必须改变。同时，传统的习题训练模式已不再适用。只要做数学能带来快乐，它对人类就永远有价值。这种大众对数学的胃口是显而易见的：例如Brady Haran频道中讲解数学的内容最为火爆；马丁·加德纳的专栏因订阅者众多，不得不从《科学美国人》末尾移至最前。这证明社会对数学有巨大需求，数学界应更主动地面向外部世界，满足这种渴望。证明本身可能几十年来一直被高估，而新的评价体系应更侧重于理解深度与理论构建能力。

给2026年博士生的具体行动建议

现在是进入数学领域的最佳时期之一，因为整个共同体都在反思并寻找变革的范例。作为一个新人，你有机会在历史关键时刻影响该领域的未来形态。具体建议如下： 1. 模仿与创新：如果可能，尝试像3Blue1Brown那样以高度视觉优先的方式讲数学。十年前这可能被视为业余爱好，但现在大家最有可能对这类创新保持开放心态。你可以尝试将其转化为被认可的学术成果。 2. 利用AI或坚守人类视角：若喜欢构建理论，可利用日益强大的生成证明机器开辟新领域；若不喜AI，则可定义“由人类为人类而做的数学”的标准。 3. 强化口头表达：既然机器擅长某些环节，衡量理解深度的最有效方式将偏向口头表达。因此，应多做报告，将其变为日常训练的一部分。 4. 深度对话与反思：去散步并与朋友讨论，明确自己热爱数学的初衷及未来贡献方向。找到真正让你热爱的东西并一路做下去，因为圈子从未如此思想开放。

“如果我是 2026 年的博士生，我可以告诉你我会怎么做。我会做 3Blue1Brown。”

“衡量一个人对材料理解得有多深……最有效的方式，会越来越偏向口头表达这一边。”

结论

视频论证表明，尽管AI在定理证明上迅速超越人类，但并未动摇数学的核心价值。其根本原因在于：应用源于理论构建而非单一证明；解题训练具有不可替代的认知锻炼功能；且教学依赖的人际动机无法被屏幕替代。AI将证明降维为“原始数据”，迫使评价体系从重结果转向重理解与口头表达。对于2026年博士生，这是重塑学科形态的窗口期：应利用AI加速理论编织，强化视觉化与口头表达能力，或坚守人类视角定义数学标准。公共资助理由将转向培养解题者的正外部性及艺术价值，而非单纯追求证明产出。