在斯坦福商学院的一次对话中，奥特曼提到，部分数学家看到AI的表现后，第一反应是：“我们完了，这个领域结束了，得让研究生转专业。”

奥特曼转述了这些数学家受到AI冲击后的反应。

10月6日，在宣布攻克纳维-斯托克斯难题之后，OpenAI又一次性公开了超过700篇数学手稿。

当AI开始大规模提交研究成果时，人类接下来该做什么？

有人表示难以置信：“这是假的。”

还有人充满愤怒，认为OpenAI不该这么做：如果这是获取更多数学知识必须付出的代价，他们宁愿不要。

但奥特曼发现，在他听到的反馈中，一些人的想法大约到第五天就发生了变化。

从担忧整个职业消失，到重新找到自身的价值，中间经历了什么？

从“我们完了”，到重新理解自己的工作

奥特曼回顾了过去10天里他观察到的数学界反应，称这一过程“很有意思”。

最初是难以置信：“这是假的。”

到了第一天，恐慌开始蔓延：“我们完了，这个领域结束了。”甚至开始建议研究生更换专业。

再到第三天，愤怒情绪高涨：“OpenAI这么做太糟糕了。”

但大约到了第五天，他开始听到不同的声音。

一些数学家重新意识到：自己的工作原本就包含理解知识、交流思想，以及把复杂成果讲解得让其他人能够理解。

大多数人从未解决过千禧年难题，但仍然可以作出重要贡献。

想通这一点后，他们开始相信：

我的数学家生涯会有所不同，但希望会变得更好。

当然，“五天”的转变周期只是奥特曼对一部分数学家反馈的概括，并不代表整个数学界已经接受了变化。

他也承认，模型的进步比预想中更快。

在数学推理等狭义领域，他认为“超级智能”已经出现。

但对于每天埋头研究的人来说，这场变化带来的感受，远比“超级智能来了”“奇点降临了”的兴奋与期待更加复杂。

陶哲轩：“浪漫时代”正在退场

奥特曼谈到了新的职业可能，陶哲轩则说起了这场变化中可能失去的东西。

一个人苦思多年，终于解开一道难题。

这种浪漫，正在被AI改写。

在10月15日发布的Numberphile访谈中，这位20岁获得博士学位的UCLA数学教授陶哲轩谈到，数学正从个人英雄式攻坚，走向大规模研究的时代。

他提到了怀尔斯花费七年时间攻克费马大定理的故事。

人们热爱一门学问，也会迷恋其中的探索过程，以及苦思之后终于想通的满足感。

如今，AI开始批量提交证明。

研究者除了亲手寻找答案，还要花时间理解机器交来的成果。

在《Math 2.0》演讲中，陶哲轩指出，探索过程中获得的新认识和新方法，可能比最终那个答案更重要。

为什么原来的路走不通？新方法突破了什么限制？还能用来解决哪些问题？

这些收获，往往会影响后续一整片研究。

一道题解出来了，围绕它的探索还没有结束。

如果只盯着“谁先交出答案”，就容易忽略探索过程中那些闪光的想法和宝贵的收获。

装上自动门，门童就没价值了吗？

陶哲轩在UCLA的一次访谈中，讲了一个酒店的比喻。

一家酒店想节省开支，请来一位管理顾问。

顾问认为，门童的工作就是开门。于是酒店装上自动门，把门童裁掉了。

但顾问没看到，门童还会帮助客人、叫车、照看入口，让人感到安心。这些服务，同样影响着客人的体验。

这个比喻，戳中了一个常见的误解：

我们总习惯用一个“招牌动作”，概括一整个职业。

数学家解题，程序员写代码，编辑写文章。

标签贴起来很方便，却省略了背后的许多工作。

对数学家来说，“解题”之外，还有连接不同领域、培养下一代，以及教别人如何思考和解决问题。

其他职业也一样。

AI生成了一篇稿子，还要有人核实事实、选择重点，判断读者需要知道什么；AI写出了一段代码，还要有人确认它是否解决了用户的问题。

产出变得容易，判断什么值得做、结果是否有用，仍然需要人类后续工作的介入。

AI交卷之后，谁来把证明讲清楚？

这些后续工作，恰恰是陶哲轩在访谈中直言不满的地方。

在Numberphile访谈里，他提到，OpenAI的成果中有一两项，至少在他们目前看来，包含很巧妙的新想法。

但还有很多内容难以理解，尚未被仔细检查，也有出现错误并撤回的情况。

他直言里面会有好东西，也会有糟糕的东西，但我们还不知道各占多少。

他还抱怨，当时没有OpenAI的人帮助他们理解这些材料。在他看来，对方似乎认为工作已经完成。

成果发布之后，谁来解释关键步骤？谁来回答同行的疑问？发现问题后，谁来继续跟进？

当成果成批涌来，后续的理解与验证却没能及时跟上，数学有点“消化不良”了。

10月15日，Simons基金会宣布联合OpenAI、Anthropic，承诺合计1500万美元资金及资源，支持数学家检验、理解和拓展AI成果。

这些支持，也可以看作对陶哲轩所提问题的一种回应：AI实验室发布成果之后，还需要为后续的检验和理解投入资源。

陶哲轩也看到了新的研究机会。

在UCLA访谈中，他设想，把一种方法应用到上万个问题上，系统观察它在哪些情况下有效、在哪里失效。

过去，很难组织足够的人手完成这样的探索。

有了AI，研究者可能开展以往难以实现的大规模研究。

令人着迷的研究方式正在改变，新的可能也在出现。

AI越聪明，人越要学会判断

聊到学生应该学习什么时，奥特曼讲起了自己小时候的经历。

老师要求他学写作，他回答，自己不想成为作家，想当数学家。

老师告诉他，写作也是学习思考、组织思想的工具。

即便长大后不写东西给别人看，这种训练仍然有价值。

奥特曼借此强调，那些帮助人思考的技能，依然值得学习。

这与陶哲轩对学生的提醒相呼应：如果尚未理解一门学科，就无法检查AI的答案是否正确。

答案可以由AI生成，判断力仍然需要自己练出来。

对于即将开始职业生涯的学生，奥特曼依然乐观。

他认为，变化最剧烈的时候，也可能给有想法、有动力、掌握新技能的人提供更多机会。

他的建议是别只追逐五年前流行的方向，去做新的事情。

但他也承认，大量工作任务和部分岗位会经历剧烈调整。

从“我们完了”到重新寻找方向，观念的转变或许只需要几天。

新的工作怎样做、贡献如何评价、新人如何培养，却需要更长时间去摸索。

数学家面对的问题，已经摆到了更多人面前：

当AI交来一份看似漂亮的成果，你能看懂它、指出问题，并决定下一步值得做什么吗？

参考资料：

https://www.youtube.com/watch?v=anAmTGcewX8 https://www.businessinsider.com/sam-altman-openai-mathematicians-math-disruption-navier-stokes-2026-10 https://www.businessinsider.com/math-ai-tools-openai-terence-tao-ucla-2026-10 https://www.scientificamerican.com/article/the-inside-story-behind-openais-million-dollar-math-proof/ https://www.youtube.com/watch?v=bAnwMdfcMVw&t=10s 本文来自微信公众号“新智元”（ID：AI_era），作者：元宇，36氪经授权发布。