每经特约记者：林晓 每经编辑：陈宇

10月6日，在OpenAI即将公开数百篇数学研究论文的前夕，北京大学北京国际数学研究中心知名教授孙鑫收到了一封来自国际同行的邮件。发件人是2022年菲尔兹奖得主雨果・迪米尼‑科潘（Hugo Duminil‑Copin），邮件中附带了两份尚未公开的研究手稿。

“按照学术惯例，这类初稿通常会先在同行间传阅，待反馈完善后再公开发表。但这次情况特殊，所以决定提前公开。”孙鑫在接受采访时转述道。

仅仅数小时后，OpenAI便正式发布了722篇数学研究论文，其中恰好包含了迪米尼‑科潘在邮件中提及的四个核心研究问题。

无独有偶，孙鑫的海外合作者妮娜・霍登（Nina Holden）也遭遇了类似情况。10月7日，她不得不提前公开了一篇尚未完成的论文，并在前言中特别说明：“由于OpenAI昨日公布了大量相关研究成果，我不得不调整原有的发表计划。”

传统上，数学家攻克一个重大猜想往往需要数年甚至数十年的努力。然而，AI展现出的强大解题能力，正在深刻改变数学界的研究生态。

10月25日，由《知识分子》《赛先生》联合主办的“AI对数学研究的变革与挑战”主题论坛上，多位数学和人工智能领域的顶尖学者深入探讨了AI带来的影响。2026年菲尔兹奖得主、芝加哥大学教授邓煜指出，AI能够帮助数学家处理繁琐的技术细节，加强数学不同分支间的联系，推动数学研究更紧密地回应现实需求。但他同时强调，数学研究应保持其独立性，不应仅追求直接应用价值，人类仍需掌握研究方向，保持自主思考能力。

2026年菲尔兹奖得主、芝加哥大学教授邓煜 （图片来源：主办方供图）

争议焦点：AI创新是否建立在人类工作基础上却未充分说明

为何AI首先在数学领域取得重大突破？

中国人民大学高瓴人工智能学院教授、副院长魏哲巍在接受《每日经济新闻》采访时解释道，数学研究具有明确的验证机制，这与AI的发展路径高度契合。他特别提到了AI训练中的“可验证奖励”机制：AI需要明确知道自己的答案是否正确才能持续进步。数学证明的清晰可验证性，使得AI能够在较少人工干预的情况下，通过大量尝试不断提升解题能力。

然而，魏哲巍也指出，AI在数学领域积累的“研究经验”能否迁移到其他科学领域尚不确定。他分析道，理论物理和部分计算经济学问题也具有可验证性，但制药等需要生物实验的领域，验证周期长，实现难度大。

中国人民大学高瓴人工智能学院教授、副院长魏哲巍在论坛上发表演讲 （图片来源：主办方供图）

邓煜在演讲中进一步指出，人类数学家受时间和精力限制，难以对所有数学领域和技术都有深入理解。但AI通过学习海量数学文献，可以做到这一点。此外，AI的试错成本极低，可以同时探索多种解题思路，大幅提高研究效率。

但他同时对部分AI公司的做法表示质疑：“许多AI成果建立在人类数学家的深刻理解和技术积累之上，但AI公司往往没有充分披露证明背后的思考过程，也未说明对人类研究的贡献。”

邓煜强调：“如果使用了他人的思路，尤其是整套证明直接沿用他人思路，必须明确说明。但在AI公司发布的文稿中，这类说明往往缺失，即使直接沿用人类思路的证明也未给出标注。”

深层担忧：现有评价体系忽视提问者贡献

AI带来的变革正在数学学科内部显现。

2026未来科学大奖得主、北京大学北京国际数学研究中心教授袁新意提出，数学发展包含提问、解题和总结提炼三个关键环节。目前AI最擅长的是解题，但在提出有价值的问题和理解证明背后的数学结构方面仍有明显不足。

2026未来科学大奖得主、北京大学北京国际数学研究中心教授袁新意 （主办方供图）

这种能力差异在AI生成的数学论文中尤为明显。袁新意观察到，部分AI论文虽然逻辑正确，但行文冗长、重点不突出，简单推导占据大量篇幅，而真正的创新点却被淹没。

中国科学院数学与系统科学研究院研究员何伟鲲也表示：“证明正确只是基本要求，数学追求的是优雅和深刻。我们需要在正确的基础上追求更高境界。”

但现行学术评价体系更看重最终证明成果，对提问者、理论建立者和前人贡献重视不足。袁新意担忧，这会导致博士生训练体系受到冲击：“如果大量问题被AI快速解决，学生将缺乏独立研究的机会，长远来看会影响下一代数学家的培养。”

面对这一挑战，不同高校已开始探索新的教学模式。

袁新意介绍，他仍要求低年级博士生用传统方式完成首篇论文，亲身体验完整的研究过程。魏哲巍则分享，尽管所在学院专注于大模型研究，但他在本科算法课上坚持板书教学，并在部分程序设计课程中设置断网环节。

魏哲巍认为：“未来社会需要的能力可能与我们现在培养的不同，且仍在快速变化。在明确这些变化之前，过早让工具替代基础训练反而会损害学生的能力。”

积极展望：AI推动数学研究进入新阶段

尽管存在争议，数学家们普遍认可AI对科研的积极价值。

邓煜以自己的偏微分方程研究为例说明，过去由于现实问题复杂，数学家只能先研究简化模型。随着AI能力提升，繁琐的技术推导可由机器完成，研究者能专注于更复杂、更接近现实的问题。

孙鑫也持乐观态度，他认为AI将促进数学物理与理论物理的深度融合，帮助研究者重新关注复杂证明背后的物理意义。“以统计物理和量子场论为代表的数学物理将在AI助力下迎来新发展，数学物理与理论物理的界限将变得模糊。许多数学家在技术细节中迷失了物理直觉，AI的发展将缓解这一问题。”

北京大学北京国际数学研究中心教授孙鑫 （图片来源：主办方供图）

邓煜还提出，AI公司应赋予用户明确的数据使用选择权，并建立可追溯机制。当数学家向AI输入研究思路被模型学习后，应能区分人类和AI在后续证明中的各自贡献。

正如AlphaGo推动围棋界重新审视传统定式，数学研究也正在经历类似变革。但与围棋有明确胜负标准不同，数学研究的价值不仅在于解决难题，更在于揭示规律和提出新问题。这或许才是人机协作时代数学家面临的长远挑战。