数学研究里最让人敬畏的，从来不是答案本身，而是通往答案的那段路。很多人看见一道难题被解开，只会拍手称快，觉得“终于搞定了”。做过学问的人心里明白，真正值钱的，不只是最后那一页结论，更是推理过程中一次次试错、回头、修正、顿悟。如今，机器把这条路走得越来越快，快到许多顶尖数学家都开始重新打量自己手里的工具，甚至重新思考“数学”这件事到底还剩下什么。

牛津、剑桥、帝国理工这些学术重镇里，不少研究者已经感到压力。不是普通意义上的“竞争激烈”，而是一种带着不安的震动。几年前，人工智能连中学阶段的数学题都常常答不稳，像个刚学会走路的孩子，步子还虚。时间没过去太久，它就像突然补上了几门速成课，开始能处理博士层级的问题，接着又往前跨了一大步，某些任务上甚至比经验老道的研究者更利索。有人把这种变化形容成“既兴奋又担忧”，这话说得很克制。真要讲得更直白些，许多人的第一反应其实接近失重：脚下的地面还在，熟悉的规则却松动了。
陶哲轩在一场题为“数学2.0”的演讲里，说过一个很关键的判断：数学长期建立在“证明稀缺”的基础上。过去，一个漂亮证明之所以珍贵，是因为它难得。一个人可能花上几个月、几年，甚至更久，靠着纸笔和脑力一点点摸到门口。那种稀缺性，构成了数学家的价值，也构成了这门学科的气质。现在，情况变了。机器不需要休息，不会被灵感忽然中断，也不会因为某个下午心情不好而停下。它可以把海量已有方法迅速拼接、筛选、组合，把本来需要反复打磨的路径压缩得极短。很多人并不愿意轻易说“超越人类”这几个字，可他们也很难否认，某些局面里，机器已经做到了人类还没做到的事。

有位做研究的朋友曾对我说，过去的数学像攀山。每个山峰都得靠人一步步往上爬，脚下的石子、手边的缝隙、坡度的变化，都会留下痕迹。现在的工具更像一架能直接把人送上山顶的装置。人是上去了，风景也到了眼前，可那段攀登的过程被省掉了。人类最宝贵的那点筋骨，也可能在省略里慢慢退化。这个比喻很扎心，却很贴切。山顶当然重要，登山的过程同样重要。很多经验、判断和直觉，恰恰是在泥里、汗里、反复碰壁里长出来的。
不少年轻数学人受到的冲击更直接。他们看见前辈奋斗多年的方向，忽然被一套新系统快速逼近，心里难免发慌。有人担心自己的训练还没完成，赛道已经换了；有人担心自己辛苦积累的技巧，转眼变成机器的调用参数。做学问的人最怕的不是累，是不知道努力会不会还有回音。曾经，一个年轻研究者熬夜写满几本笔记，哪怕最后没做出大成果，过程本身也能锻炼眼光。如今，若机器能更快给出结果，人的中间步骤似乎就显得不再重要。职业的边界被轻轻一推，很多人站在原地，心里空了一块。

更复杂的地方在于，数学从来不只是“算出答案”。它还包括提问、筛选、定义、判断，甚至包括决定什么问题值得问。一个成熟的数学家知道，很多时候最难的不是证明，而是找到那个值得证明的命题。AI擅长在已有材料里高速搜索、搭桥、拼图，却未必懂得为什么某条路更有意义。它像一座极大的图书馆，能把历史上散落各处的方法迅速搬出来，放在你面前。它也像一位记性极好的助手，什么都记得，什么都找得到。可数学家的工作从来不只是检索。牛顿、欧拉、希尔伯特、庞加莱这些名字之所以被记住，不只是因为他们会解题，还因为他们改变了人们看待问题的方式。
去年和一位做基础研究的老教授聊天，他说自己并不排斥新工具，可每次看机器生成的推理链，总会有一点失落。不是因为答案不对，而是因为那种“我亲手想出来”的快感淡了。做数学像走一段很安静的路，路边有树、有风、有突然冒出来的念头。机器给出的结果更像直达车，效率高得惊人，风景却少了。对有些人来说，少了那份过程，数学就像少了灵魂。这个说法不算夸张。很多学术工作者坚持多年，不只是为了发表结果，更是为了在思考中感到自己活着、在场、清醒。

OpenAI曾对外提到与纳维-斯托克斯方程相关的证明方案，这类消息自然引人关注。纳维-斯托克斯方程本就是千禧年七大数学难题之一，涉及流体运动、湍流等复杂问题。这样级别的挑战，过去需要大量人的协作、耐心与运气。如今，人工智能能在某些方向上交出像样的思路，已经足够让整个领域重新估量自己的节奏。问题不再只是“能不能解”，而是“谁来理解它为什么这样解”。如果机器做出的推理越来越长、越来越深，连专家都要花很久才能读懂，那人类掌握的，还是不是这门学科的主动权，答案就不那么乐观了。
科技进步向来有两面。打字机让写作更快，电脑让计算更准，搜索引擎让查资料更方便。每一次技术升级，都有人从中获益，也有人感到旧本领被挤压。数学领域这次面对的冲击更深，因为它动到的是“证明”这种核心资产。过去，证明的稀有性支撑了学术声望，也支撑了青年学者的成长路径。以后若证明不再稀缺，稀缺的就会转移到别处，转移到提问能力、审美能力、判断能力，转移到能否看懂机器、修正机器、给机器定方向的少数人身上。这个变化不一定全是坏事，甚至可能推动知识飞得更远。可代价也真实存在，很多人会失去熟悉的节奏，失去从容生长的空间，失去那种“我一步一步走上来的”踏实感。

人类面对自动化时，常常会高估手里的旧经验，低估未来的变化。数学尤其如此。它看上去最纯粹，最不食人间烟火，实际上也最容易被工具重塑。今天我们还在讨论“AI能不能做数学”，明天也许就会讨论“人类在数学里还该做什么”。答案未必悲观。人类仍然擅长提出真正重要的问题，仍然擅长在混乱中抓住方向，仍然擅长为知识赋予意义。机器能跑得很快，跑得很远，人要做的，不只是追赶，而是守住判断、理解和好奇心。数学不会因为工具变强就失去价值，只会把价值重新分配给更难替代的东西。真正值得珍惜的，可能正是那些机器暂时还不会替我们完成的部分。