你有没有想过，有一天 AI 能解开人类啃了 80 年的数学难题？2026 年，这事已经成了真，而且还把整个数学圈搅得天翻地覆。

近日，OpenAI 的推理模型在研究人员引导下，自主推翻了匈牙利数学家埃尔德什 1946 年提出的平面单位距离猜想。这个问题已经悬了 80 年，之前没人能啃下来。

近期，谷歌旗下深度思维的 AlphaProof Nexus 框架，一口气解决了 9 个此前未解决的埃尔德什问题，其中两个已经悬了 50 年以上，还为 OEIS 整数序列百科补正了 44 个猜想，成果都发表在了科学杂志上。

不久前，OpenAI 的下一代 Astro 模型拿下 10 项数学与理论计算机科学新成果，找到这些解答的 token 总成本仅为 2000 美元。

上个月，OpenAI 更是在 GitHub 放出 700 多篇数学手稿，宣称模型能解决覆盖代数、逻辑、几何、概率等方向的数百道难题，从反例构造到开放问题求解，全都能搞定。

面对 AI 刷屏的成果，数学圈直接吵翻了。

6 月，16 位数学家在荷兰莱顿大学发布莱顿宣言，警示 AI 滥用风险，很快就有全球数百名数学家联署。

9 月，陶哲轩、邓煜等 25 位菲尔兹奖得主联合发文，直指人工智能在数学领域的错位：科技公司把攻克数学难题变成了刷跑分的商业竞赛。

上个月 OpenAI 放出 700 多篇手稿后，人类数学协会直接发声明，称这不是学术研究，是技术资本的权利，还呼吁数学家停止和 OpenAI 合作。

但这些学者也没否定 AI 的工具价值。就连把 OpenAI 发手稿那天称为 “数学末日” 的德克萨斯大学教授斯科特阿伦森都承认，这可能是数学史上极其重要的一天之一。

数学家们真正焦虑的，是当机器生成证明的速度远远甩开人类理解的速度时，整个数学学术生态该怎么运转？当解题变成 AI 的性能指标，数学最珍贵的洞见、提问能力，还有代际思想传承，会不会被慢慢挤压？数学不只要正确答案，搞懂为什么对，往往比结论本身更重要。

为啥偏偏是数学先被 AI 攻破？其实根子就在数学本身。

数学是规则高度闭环的形式系统，只靠逻辑推演就能验证对错，不需要等现实世界的反馈。

数学问题有清晰的目标和边界，一个猜想有没有被证明，一个反例成不成立，都有明确的判断标准。这种适合大规模试错迭代的特性，刚好能让 AI 的能力发挥到极致。

不像生物、化学、物理这些学科，它们要面对的是现实世界，一个假设对不对，得做实验、看观测，还要受成本、周期、伦理的限制。哪怕 AI 能飞快提出假设，也没法像数学那样，马上在系统内部判定对错、快速迭代。所以数学自然成了 AI 最先突破的试验场。

那 AI 到底是怎么做数学研究的？以 Meta 不久前发布的论文来看，过程并没有那么复杂。

不需要巨型超算，不需要海量技能，也不需要复杂的多智能体协同。数学家只要打开网页，开启思考模式，用自然语言提示、追问、修改就行，和我们用 AI 工具聊天没多大区别。

整套流程里，都是人类在负责选题、定方向，逐条核验证明。Meta 甚至还专门安排另一组数学家独立审稿。

但如果说这种人机协同能成为数学研究的新范式，还有三个让人挠头的问题。

第一，人类能不能看懂 AI 的证明？ 动辄几百页的推理链条，人类只能确认结论成立，却跟不上每一步逻辑。如果看不懂中间的过程，这份证明和一个只会输出答案的神谕有啥区别？

第二，功劳该怎么划分？ 发现权归谁？论文署名怎么算？菲尔兹奖只颁给 40 岁以下的在世人类数学家，未来要不要接纳数字合作者？

第三，数学家的基本功会不会退化？ 数学直觉和审美，都是在枯燥繁琐的演算中一点点打磨出来的。当演算证明可以外包，人类的深度思考能力会不会用进废退？

当然，我们也不必过度恐慌。

回头看 1976 年，四色定理依靠计算机上千小时运算完成证明，1988 年 Mathematica 问世时，同样有 “数学家要失业” 的担忧。但现实是，计算机只是接管了重复劳动，人类得以抽身去攻克更难的命题。

工具可以替代机械计算，但替代不了提出伟大问题的头脑。真正的风险不是 AI 变强，而是人类主动退到工具身后，把理解也一并交出去。

机器擅长在既定规则内做海量搜索，但数学真正伟大的起点从来不是解题，而是提出值得被解答的问题，判断哪条道路值得奔赴，感知一份证明独有的美感。怀尔斯为费马大定理沉心 7 年，张益唐历经漫长沉寂才大器晚成，支撑他们的眼光、信念与审美，至今仍是人工智能无法拥有的东西。

所以这未必是人类智力的黄昏，更像是人类知识生产方式的一次宏大换挡。技术本身反而相对简单，真正需要补齐功课的是制度、教育和学术评价体系。未来数学如何教学？重大发现如何认定？人与 AI 的边界画在哪里？时代的考卷才刚刚下发。无论 AI 算力进化到何种地步，数学家真正的护城河始终是人对数学的真正理解。