“1000个AI、30小时搞定费马大定理”，这条新闻很容易被读错。搞定的不是新证明，而是把怀尔斯1995年发表的129页证明逐行翻译进计算机能检查的Lean代码，随后，最终的费马大定理也在28.7小时时完成。同样的事2026年9月第一次做成时，几十个智能体花了11天，写下1300万行Lean。知乎哔哩哔哩
而这次1000个智能体团队既不用专用协作平台，也不需要研究人员在过程中进行指导，在沙箱断网的条件下自行搭起协调系统，全程上百万次工具调用没有触发一次拦截。知乎
所以"学数学的人以后要改学什么"这个问题，答案不是转行。当"做出答案"的边际成本趋近于零，数学训练的重心正在从"产出证明"移向四件事：挑好问题、严格验证、讲清理解、驾驭AI。这不是安慰性的推断——过去一个多月的公开争论里，数学家已经在改招聘和发表规则，课程与考试也已经按新标准写了出来。
"批量刷"不是十一月的突发新闻
把时间轴拉直：今年9月，OpenAI宣称旗下模型攻克了纳维-斯托克斯千禧年大奖难题，并称智能体只用了88小时完成求解。10月6日更是分水岭，OpenAI一次性公布722篇数学文稿，涉及三四百个数学问题，很多堪称菲尔兹奖量级。知乎知乎
10月26日，OpenAI又公布调和分析、指数时间假设、四维杨-米尔斯三项进展，顺带发布四项合作原则：不为模型产出的结果争学术署名，只定位为原始科研数据，并向西蒙斯基金会捐500万美元资助独立核查研讨。同一轮，人类数学协会（AHM）发布声明，陶哲轩等学者声援，号召数学家停止与OpenAI合作。知乎微博
必须把"刷出"和"成立"分开。七百余篇手稿没有经过同行评审，这家公司也基本上没有公布证明的思维链、未说明是否基于他人思路，在没有任何正确性保证的情况下直接发布。六位数学家为此创建了"数学之舵"论坛，把逐篇核查、讨论正确性与原创性的活儿揽了下来。连态度并不敌对的芝加哥大学数论学家Frank Calegari也在陶哲轩博客直言，这些论文尽管有些想法很出色，但写得糟糕透顶、违反署名期待，有些甚至是错的。知乎知乎
陶哲轩在10月16日的科学×AI峰会报告里给了这轮"批量"一个冷水位：OpenAI曾在脚注里写明，他们一共试了4000道题，成功率只有9%，91%全都失败。刷屏的只是成功的9%。但冲击也真实存在——菲尔兹奖得主Duminil-Copin哀叹，自己职业生涯公开提过的重大未解问题，没有一个躲过这次公告，全都被声称证明了。知乎知乎
为什么最先被攻破的是"证明"
陶哲轩给出的机制解释值得每个学数学的人记住：纯数学解题恰好同时满足三个条件——结论可客观核验、全流程可在计算机内完成、几千年教材论文构成海量高质量训练数据。于是数千年来的证明稀缺时代翻转了，难题很难攻克、证明本身极具价值的旧规则正在失效。一个博士生推两周的引理、一次报告攒十年的结果，现在几分钟到几小时就能被机器"凑"出一份——旧简历突然不值钱了，这才是恐慌的来源。知乎
但机器的强弱边界很清楚。姚期智和杨植麟团队11月5日挂出的TCSExam把理论计算机研究拆成四条赛道、100道全部要求Lean逐行可验证的题目：GPT-6 Astra在只给主定理、不给中间引理的裸考条件下，20道研究级定理证明题完整证出了14道。知乎
反过来，一旦把中间引理和思路补给它，Kimi解出的定理数从3道涨到7道，DeepSeek V4.1 Flash从0道涨到6道。同一批模型判若两人，说明短板不是"智力"，而是把问题拆成可验证步骤的引导与闭环——这正是人能站的位置：瓶颈从"能不能算出来"挪到了"会不会问、会不会验"。知乎
要换的这四件事，课表已经写出来了
第一件事，把形式化验证当成新的基本功。Lean这类形式化证明语言把定义、命题、证明写成机器可逐行检查的表达式，斯坦福2026年秋季已为在读数学博士生开设MATH 289课程，不要求事先具备编程或AI经验。大纲七个模块里有四个是过去数学系课表上完全没有的：编程与Git、大模型架构、推理模型与智能体工程、GPU与算力成本估算——第二件事"驾驭AI工具链"已经包含在内，用智能体出题、跑验证、管引理库，正在变成日常科研动作。知乎
第三件事，把时间花在选题上。3Blue1Brown主创Grant Sanderson把数学家的工作拆成五层——证明定理、提出猜想、构建理论、寻找应用、沟通交流，AI集中打击的是最底层的证明生产。他那句被引用最多的判断也因此成立：证明正在变成数学的"原始数据"，就像π小数点后的数字，是原料而不是终点。Calegari说得更直白：选出值得做的问题，最终可能比产出证明更重要。Calegari同时指出，这轮"倾倒"对朗兰兹纲领的核心问题几乎没造成触动——数学的前沿是扩张的，不是被清零的。知乎
第四件事，把"消化与讲解"当成可以谋生的正事。陶哲轩的"数学2.0"里，实验数学正在爆发：联合LMFDB的竞赛三个月集齐了全部25000个伽罗瓦群，而此前人类只找到约60种。与此同时，把机器撒出来的证明堆整理成可传承的知识，第一次被明确写进了"值得给职位"的理由。给AI证明写人话版阐释、做报告、翻译动机，过去被视为低一档的活儿，正在变成新岗位。知乎知乎
对还在打基础的学生，最后一条边界要划清。罗格斯大学Kontorovich与弗吉尼亚大学Koberda在同文区分了两种认知外包：过早的外包让思考没有发生，生产性的外包只是替你去搬原料。判别方法笨而有效：关掉AI重推一遍，推不出来就是还没学会。机器举铁比你重，不妨碍你需要健身房。知乎
真正要盯的，是招聘和期刊先改
骂万亿美元公司改变不了它，改自己的规则才改得动——这是Calegari六条行动清单的核心，也是整场风波里对学生最实的部分：招聘更看面对面讲述而非纸面档案，期刊要抛弃不适应的，研究生教育强调广度但不放弃技术训练。未来没有理由仅仅因为一个机器也能产出的结果，就奖励一篇论文。这套杠杆已经先动了一格：OpenAI自己放弃了学术署名。至于风向是否彻底转向，要看接下来两个节点——722篇手稿的同行评审能留下多少，以及招聘委员会和期刊是否真按新标准收人。
所以回到标题的问题：陶哲轩11月初在《自然》撰文说，即使AI再强，数学也不会穷途末路。要改的不是专业，而是目标：别再把"亲手证出来"当成数学能力的全部，把力气挪到机器暂时给不了的东西上——值得做的问题、验得过每一行的严谨、讲得清动机的表达。这三样，恰恰是数学系改课表、期刊改审稿、招聘委员会改面试方式时，反复点名要的东西。知乎
