AI撬开数学猜想，美国人才管道却要断了

周三深夜，一位数论方向的博士后盯着屏幕上那篇刚挂上arXiv的论文，手指悬在鼠标上迟迟没点下去。论文标题很平实，摘要里却藏着一句炸裂的声明：一个人工智能系统证伪了厄尔多斯在平面单位距离问题上的一个长期猜想。他怔了几秒，顺手点开同事刚发的消息——“看到了吗？AI替我们完成了一个‘不可能’的证明。”他还没来得及回复，另一条内部邮件跳出来：他所在的数学系因为新一轮联邦经费削减，秋季的博士生津贴又要缩编了。一边是机器开始产出研究级的数学成果，一边是培养人类数学家的管道被人为收窄。这两个新闻撞在一起的瞬间，他突然有一种说不清的荒谬感——我们到底在做什么？

这种困惑正是2026年7月一篇名为《无理解的自动化》的论文试图诊断的核心矛盾。论文作者开门见山：把上述两个趋势叠加在一起，是一个彻头彻尾的战略错误。数学能力——那种经过训练才能验证、诠释和质疑数学推理的本事——不是定理生产的副产品，而是一种基础设施。它由一代又一代的机构和制度缓慢浇筑而成，根本无法按需重建。你可以造一台机器去推演一个猜想，但你不能指望凭一台机器就凭空长出能够评估、理解并批判这项推演的人类社群。原文用到一个比喻：数学能力之于国家安全，至少与半导体制造能力同等重要。而眼下的美国，偏偏同时在削弱自己的半导体供应链和数学人才供应链。

论文之所以挑在2026年夏天抛出这个警告，是因为两个标志性事件正好在这时交会。第一个是2026年5月AI系统成功推翻厄尔多斯平面单位距离猜想的一幕。平面单位距离问题本身是组合几何里一个折磨了数学家几十年的坎：给定平面上n个点，它们之间最多能有多少对距离恰好为1？厄尔多斯在几十年前就推测出了一个上界，这个上界一度被默认为真理，直到AI给出了一个反例。这不是一个普通解题，而是直接撼动了一块被广泛接受的数学地基。第二个事件则更为隐蔽，但同样致命：联邦层面对数学科学的系统性支持正在出现断裂。资金中断、项目冻结、年轻研究者从数学系出走，一批本应在未来十年里承担起“理解AI数学输出”职责的人，就这样在管道里蒸发掉了。

把这两个事件摆在一起看，才会发现一种诡异的错位。AI在数学领域的推进速度比大多数人预想的要快，它的产出方式却与人类数学共同体格格不入。人类数学家靠验证、演讲、反驳、在研讨会上被人指鼻子骂来建立信心，而AI的输出往往是黑箱里吐出的一行结论。你当然可以让另一个AI去验证，但最终仍然要有人类站起来问一句：这个证明的逻辑链条到底可不可信？如果没有足够多具备这类判断力的人，一个国家就会陷入一种奇特的“数学文盲”状态——手里握着最先进的计算工具，却认不出工具给出的结论是毒药还是解药。这正是论文坚持将数学能力定义为“战略资产”的原因：它不是锦上添花，而是底线。一个连数学推理都无法审计的国家，根本谈不上AI安全。

有趣的是，论文并没有停留在抱怨层面，而是给出了一条十分具体的制度建议：凡是执行具有重大后果推理的AI系统，应当被强制要求以形式化、可供机器检查的格式暴露其决策关键主张。换句话说，你得把AI那套让人听不懂的“说服式推理”转换成可审计的结构。这背后其实藏着一个深层的期盼——把AI从一种不透明的权威，变成一本可以被逐行查阅的账本。这个提议沿袭了数学领域长达几十年的形式化潮流，比如用交互式定理证明器来确保证明没有漏洞，但首次把它推向了AI治理的前沿。它要解决的不是“AI能不能做数学”，而是“AI做完数学之后，我们敢不敢相信它”。而这一切的前提，依旧是得有足够多能读得懂形式化证明的人。

在人才端，论文进一步点出：数学基础设施的脆弱性在于，它极度依赖机构记忆。一位优秀的数学教师能带出一批学生，一个活跃的学术社区能催生一连串突破，而这个链条一旦断掉，想重新接上至少要花十几年。联邦支持的波动就像在地基上反复凿洞，表面上只是缩减几个项目，实际上是在消解整个系统自我更新的能力。当同一批研究者因为经费不稳而选择去科技公司做量化交易或转向本科教学时，那种能够与“会做数学的AI”对话的能力就在肉眼可见地流失。论文作者显然不认为这是一种自然衰亡，而是一种可被纠正的政策失误——这也就是为什么他用“战略资产”来重新定义数学能力，而不是简单抱怨“钱不够”。

这篇论文的焦虑其实超过了一个具体的学科。它点出了一个技术时代里最容易被忽视的悖论：当我们不断教会机器更加精妙的推理技巧时，我们自己用来理解这种推理的基础设施却在荒废。那个博士后最终在深夜合上电脑，他知道厄尔多斯猜想被证伪这件事足以写进数学史，但他也清楚，如果教数学的人越来越少，这些历史将只会被机器书写、被机器阅读、被机器记住。而人类，不过是站在一旁按回车键的观众。