AI两小时攻陷博士级数学题，菲尔兹奖得主忧思：数学博士还有未来吗？

导语：AI仅用两小时就攻克了一个足以作为数学博士论文核心的难题，菲尔兹奖得主Gowers亲历后开始担忧：未来的博士生该如何训练？数学研究的意义又将走向何方？

剑桥大学数学教授、菲尔兹奖得主Timothy Gowers近日的一则帖子在数学界投下了一枚深水炸弹。他坦言，自己用GPT-5.5 Pro在几小时内解决了一个以往足以作为博士论文核心章节的开放问题。更让他焦虑的是，这或许预示着数学博士培养模式已走到变革的悬崖边。

GPT-5.5 Pro做了什么？——从指数界到多项式界的飞跃

Gowers的尝试源于数学家Melvyn Nathanson提出的一批关于整数集合的加法数论问题。这类问题探讨的是：将一组整数以特定方式相加，结果集合的规模和形态会有怎样的特征。Nathanson以善于提出此后多年才大热的深远问题而闻名。

Gowers将其中一个问题输入给GPT-5.5 Pro，模型思考约17分钟后，给出了一个构造方案，不仅解决了关于集合“跨度”的问题，还将前人结果中指数级的界改进为多项式级。在数学上，这意味着从“几乎不可用”变成了“接近最优”。随后，模型又用两分多钟将论证整理成标准的数学预印本格式。

更令人震惊的是后续深入探索。Gowers将MIT学生Isaac Rajagopal此前发表的研究结果告知模型，询问能否进一步改进。GPT-5.5 Pro再次给出肯定答案，它不仅改进了Rajagopal的结果，还在关键步骤中引入了一个此前从未有人用过的数学构造思路。Rajagopal本人评价道，这个想法“相当聪明，完全原创”，并坦言这可能是他自己需要苦思一两周才能想到的东西。整个过程，GPT-5.5 Pro用了不到两个小时。Gowers强调，自己几乎没有提供任何实质性数学引导——他只是在提问，而非给答案。

博士培养的危机：入门级问题已被AI“堵死”

这个结果引发了一连串深刻的问题。首先是署名和发表的困境：如果人类数学家得出同样结论，无疑可发表在学术期刊上，但现在没有作者需要署名，也没有人需要“credit”。Gowers提到，arXiv目前不接受AI生成内容，而期刊投稿似乎也失去意义。他建议建立一个专门收录AI产出数学结果的平台，由人类数学家核实，但具体怎么做，他也尚未想清楚。

但更紧迫的冲击在于博士培养的传统路径。长久以来，数学导师帮助新生研究者“入门”的常见方式，就是找一个难度适中、有希望出成果的开放问题——不太简单，也不至于让人绝望。成功解决这样一个问题，能给博士生带来巨大信心，证明自己有能力做真正的数学研究。但现在，这条路几乎被堵死。如果AI能在几小时内解决“难度适中”的开放问题，那么这类问题便不再适合用作训练人类新手。Gowers的判断是：数学研究的门槛，已经悄悄抬高了一截。

不过，他并未彻底悲观。他给出两点保留：其一，博士生本身也可以使用AI。未来的数学研究可能不再是“人类能否独立证明AI证不了的东西”，而是“人类能否借助AI，共同解决任何一方单独都无法解决的问题”。其二，所有数学分支是否都面临同样冲击尚不确定。组合数学这类问题导向的领域，AI擅长从前提出发向前或向后推理；但在一些更依赖审美判断、需要判断哪些观察有趣、哪些方向值得追究的领域，AI是否具备这种判断力仍属未知。

做数学研究还有意义吗？——署名时代的黄昏与思考的红利

对于那些正考虑攻读数学博士的人，Gowers给出了一个诚实但并不轻松的回答。他认为，“通过解决难题让自己的名字永远与某个定理联系在一起”的时代可能已接近尾声——不只是对普通研究者，对所有人都如此。他设想，如果一位数学家与AI长时间合作，AI完成了所有技术工作并贡献了核心想法，这位数学家只起到引导和提问的作用，人们会将其视为这位数学家的重大成就吗？Gowers的答案是：不会。

但钻研数学并非毫无价值。他的判断是：那些自己真正解决过难题的人，将在与AI协作时展现明显优势——正如懂编程的人比不懂的人更擅长用AI写代码，懂算术的人更容易发现计算器的错误。数学训练带来的思维能力高度可迁移。“你可能不会得到与上一代研究者相同的回报，”他写道，“但你很有可能因此为即将到来的世界做好充分准备。”最后他平静但分量十足地说：“一个从明年开始读博的学生，最早也要到2029年才能毕业。我的判断是，到那时，从事数学研究意味着什么，将已经发生了难以辨认的变化。”

DeepMind的新框架：为人机协作的数学时代铺设基础设施

正如Gowers所言，未来数学研究必然是人与AI的有效协作。那么这种协作该如何落地？谷歌DeepMind近日发布的一篇论文《AI Co-Mathematician: Accelerating Mathematicians with Agentic AI》给出了一个系统性的尝试。

论文首先指出一个常被忽略的事实：数学研究发表的几乎全是打磨精良的严格证明，但数学家的日常工作包含大量隐藏的幕后活动——初始直觉的检验、反例的发现、核心定义和证明经历一轮又一轮的否定与修正。然而现有AI工具局部虽强，整体却缺位：它们缺少一套真正贴合数学家日常工作方式的协作流程。DeepMind将这一窘境与程序员做对比：程序员已有Claude Code、OpenAI Codex等AI助手，因为软件工程有现成的协作范式——需求文档、自动化测试、版本控制。而数学家还在刀耕火种。

AI Co-Mathematician正是要补上这套基础设施。它基于最新的Gemini模型，提供一个持续运转的项目空间。总协调智能体负责拆解复杂任务，分派给多条同时推进的工作流，数学家可随时介入调整方向。它的定位并非取代现有AI数学工具，而是为AlphaProof、AlphaEvolve等引擎提供统一调度层，使其在数学家主导的研究流程中被按需调用。

一个演示案例清晰地展现了其特点：一位数学家想研究一个几何开放问题，上传相关论文并输入一句话描述意图。普通聊天AI会立刻开始解题，但这套系统没有。总协调智能体先扮演讨论伙伴，追问清楚研究焦点：到底聚焦哪个变体？要证明某个特定下界是精确的，还是只要建立任何严格上界？这个细节折射出核心理念：把问题问对，比解决问题更重要。确认问题后，系统才分头发起文献梳理、计算框架构建、执行搜索等流程。数学家不需要紧盯屏幕，可随时通过对话界面介入。若某条工作流陷入僵局，系统会主动报警，说明卡点并请求人类帮助。

一个不起眼但关键的设计是：系统会完整保留所有走不通的路径，作为项目历史的一部分永久保存，供人类和AI共同参考。因为知道哪条路是死路，本身就是一种知识。此外，系统对AI的局限性保持警惕，其架构围绕“不确定性”运转：追踪每一个论断的演变，通过持续审查、数值模拟和文献核查验证结论，并在工作文件中以高亮和批注明确标出存疑之处，方便数学家人工核实。

在早期测试中，该系统已帮助研究者解决了一些开放问题，找到了新的研究方向，并发现了被忽视的文献线索。在专攻前沿数学难题的FrontierMath Tier 4基准测试上，它取得了48%的得分，是目前AI系统最高分。尽管仍处于小范围发布阶段，但它清晰指向一个方向：AI不再只是偶尔答对难题，而是开始嵌入整个研究流程。

数学的“工业化”正在加速

数学界一向以慢著称——一个猜想可以悬置百年，一篇论文可以打磨十年。但眼下这场变化的速度，已不允许用数学的时间尺度来应对。正如陶哲轩所说，AI正让数学进入“工业化”时代，未来会出现规模化生产数学成果的全新方式，与传统手工式研究并行共存。Gowers的这一周实验，不过是这座冰山露出水面的一角。