我们为什么还需要人类数学家？
AI 驱动的定理证明取得进展，包括在 Navier–Stokes 等高关注问题上的最新成果，重新引发了人们对人类数学家是否仍然不可或缺，以及其角色应如何演变的讨论。评论者对比了 AI 通过蛮力或统计方式探索庞大形式空间的能力，与人类在提出好问题、构建新的概念框架以及生成理解而不仅仅是正确证明方面的优势。讨论还延伸到资助、伦理与长期控制：社会是否应继续投资由人类主导的数学研究，AI 可能如何重塑学术激励，以及当前沿知识越来越由不透明系统生成时，这对人类意味着什么。
人类数学家的角色
- 许多人认为数学不会“用完”：解决一个问题会引出更多问题，像分形一样。AI 更像是一盏手电筒，而不是人类好奇心的替代品。
- 也有人反驳：如果 AI 能以低成本、大规模处理前沿问题，政府可能会质疑对人类主导的纯数学投入资金，尤其当它被视为估值过高时。
- 几条评论强调，人类的关键角色是：提出好问题、判断什么有趣，以及发明新的框架或“封闭系统”，而不只是解决给定的问题。
AI 的能力与局限
- 一些人认为，最近的 AI 数学成果只是“依靠海量算力的蛮力”；另一些人回应说，如果真只是这样，几十年前的天真蛮力就该奏效了，所以事情显然更复杂。
- 关于 LLM 只是“预测 token 的机器”还是表现出真正智能的争论不断；有人说“智能 vs token 预测”这种框架本身就没意义，我们应该问“它们到底能做什么？”
- 在数学里，证明是可验证且安全的；把 RL 风格的搜索扩展到混乱的物理领域（例如对动物做手术）在道德和技术上都存在争议。
理解 vs 正确性
- 一个强烈的主题是：数学的目标是理解，而不仅仅是累积真的定理。一个 10,000 页、没有人能真正理解的 AI 证明，被认为价值很低。
- 有人用《巴别图书馆》作类比：没有理解，信息就不算“有价值”。也有人反驳说，实用且可验证的效果（例如治愈疾病）即使没有完整理论也同样重要。
- 有人提出问题：如果只有 AI 能“理解”某些结果，那对人类知识意味着什么？
职业、机构与获取
- 有人担心，AI 加上巨量算力会把高端数学集中到富裕实验室和国家手中，而学术数学成本低，还为许多学科提供教学基础。
- 也有人担心错误激励：保密、扣留结果、私营实验室抓取公共工作后再把访问权卖回去。
- 另一些人则看到了好处：LLM 是很好的解释工具，可以减少精英主义和把关，让更多人通过卸下低层次的操作工作来“做世界级数学”。
数学的本质与范围
- 有多种尝试去描述数学：将观察到的现象形式化，研究结构及保持结构的映射，探索抽象关系。
- 几位发言者强调，局外人常常错误地把数学简化为奥林匹克竞赛式的解谜。
- 争论还包括是否存在有限数量的“有趣”数学；有人援引物理限制、哥德尔定理和“有趣数”悖论。总体共识是：在人类和 AI 的尺度下，这个空间实际上是无界的。
AI、权力与对齐
- 有人怀疑，强势行动者是否真的会把“让人类繁荣”当作公理；有人认为 AI 更可能服务于狭隘的精英或企业利益，并带来监管俘获的风险。
- 基于物种的类比（“没有更聪明的物种会放弃控制权”）受到批评：AI 不是一个物种，而人类也经常把权力委托给能力更弱的领导者。