数学家出走记

8 月中旬，纽约大学阿布扎比分校的博士后 Rishikesh Gajjala 在 X 上发了一篇长帖，宣布离开数学学术界。

他特意说明，这个决定与职业倦怠、就业市场或者研究兴趣无关。“令人惊讶的是，这是因为过去几个月里，我能用大语言模型完成太多数学工作。”他写道。

图丨相关推文（来源：X）

两个月前，Gajjala 和合作者刚刚推翻了困扰数学家超过 60 年的 Wegner 猜想。他仍在不断发表成果，没有在学术竞争中掉队。真正让他犹豫的，恰恰是研究变得太顺利了。

博士期间反复思考、原以为还要耗费数年才能推进的问题，借助大语言模型，几周就有了漂亮的答案。一开始的确令人兴奋，可随着模型在研究中承担越来越多工作，Gajjala 感觉自己在发现过程中的作用变小了。

数学吸引他的地方，很大程度上是那些没有答案的日子。长时间试错，偶尔找到一个突破口，再把零散的想法拼成证明，这个过程曾经带给他近乎宗教性的意义。当答案可以通过一轮轮提示迅速逼近时，他开始怀疑，自己喜欢的究竟是数学结果，还是抵达结果的过程。

Gajjala 在帖子中说，接下来他将加入 Pramaana Labs，一家为 AI 系统做验证的创业公司。研究对象仍与数学有关，工作重心却变了：以前是寻找证明，以后更多是确认机器写出的证明能不能相信。

而回看 2026 年上半年，已经不止 Gajjala 一个人选择从狭义上的“数学界”离开，走向与 AI 相关的方向。

连菲奖得主也转向了 AI

7 月 23 日，38 岁的加拿大数学家 Jacob Tsimerman 获得菲尔兹奖，奖项表彰了他在 André-Oort 猜想等问题上的工作。随后的新闻发布会上，他宣布将从多伦多大学休假，加入 OpenAI 的 AI 安全部门。

“我认为世界正在改变。”Tsimerman 说，“我们今天所熟悉的数学职业，我不认为它会继续以现在的形式存在。”

尽管 Tsimerman 并没有辞去多伦多大学的教职，他仍然是学校的教授，也打算保留这重身份。但在刚刚拿到数学界最高荣誉时公布就宣布从数学界休假，还是让这次休假带上了不同寻常的意味。

他对 AI 最直接的担忧是安全风险。Tsimerman 曾参与撰写论文，讨论 AI 导致人类灭绝的几种可能路径。与此同时，他也在日常研究中频繁使用 ChatGPT 和 Claude。模型给出的证明经常有错，却能迅速提供值得尝试的方向，省去大量搜索和试错。

图丨 Jacob Tsimerman（来源：University of Toronto）

Tsimerman 后来在 X 上进一步解释，自己的研究时间有 80% 以上都花在解决一个已经明确的问题上。选择什么问题、怎样描述问题固然重要，真正消耗时间的，仍是一次次尝试把它做出来。假如 AI 很快在这部分工作上稳定胜过数学家，余下的工作还能不能支撑一种职业，他没有答案。

他去 OpenAI 也并非为了证明更多定理。他想了解模型怎样被训练，又为什么会表现出某些难以预测的行为。数学家习惯追查隐藏的假设，判断一段推理究竟成立，还是仅仅看起来成立。这些训练到了 AI 安全研究中，也有了直接的用途。

而就在发布会前几天，Tsimerman 曾经指导过的学生 Levent Alpöge 宣布，他借助 Anthropic 的 Claude Fable 5 找到了一个反例，证明提出 87 年的雅可比猜想在三维及更高维度并不成立。

Alpöge 本科就读哈佛时，Tsimerman 指导过他的毕业论文。如今，Alpöge 已经在 Anthropic 工作，Tsimerman 即将加入 OpenAI。Alpöge 直接借助 AI 寻找数学结果，Tsimerman 则准备研究这种能力可能带来的风险。

试过 AI 之后，他们选择换个工作

师生一起从数学领域转向 AI 的故事还不止这一例。另一对师生，Ken Ono 和洪乐潼，选择共同创办一家新的 AI 数学公司。

洪乐潼在 MIT 读本科时曾参加 Ono 主持的研究项目。她获得过北美本科数学研究的重要奖项 Morgan Prize，后来进入斯坦福攻读数学博士，中途退学创办 Axiom Math。2026 年 3 月，Axiom 完成 2 亿美元 A 轮融资，估值达到 16 亿美元。

图丨 Ken Ono 与洪乐潼（来源：WSJ）

Ono 是一位资深数论学家，做了约 30 年研究，指导过 35 名博士生。他过去常在演讲开头开玩笑，说自己代表“NI”，也就是 Natural Intelligence，“天然智能”。早期 AI 在数学上的表现没有给他留下多少好印象。

2025 年 5 月，Ono 参加了一次 FrontierMath 会议。与会者准备了一批研究级问题，想知道当时最强的模型到底懂多少数学。Ono 发现，OpenAI 的 o4-mini 不仅读过自己的论文，还能迅速找到相关文献，说出正确的研究背景。一个刚入门的研究生可能要准备几个月甚至一年，模型只需要几秒钟。

Ono 后来回忆，那年 6 月和 7 月，他一度很沮丧。自己花费 30 年积累的知识，突然成了随时可以调用的模型能力。他开始重新考虑，继续撰写只有少数同行阅读的论文，和亲自参与 AI 数学的发展，哪一件对科学更有用。

洪乐潼很早就邀请 Ono 加入 Axiom。最终，Ono 从弗吉尼亚大学休假，搬到硅谷，成为公司的“创始数学家”，同时保留教授身份。

Ono 不负责训练模型。他的工作是向工程师解释，数学家怎样判断一个问题是否重要，怎样发现证明里的漏洞，又怎样从一系列局部成立的推导中看出完整结构。有时，他会把这些经验写成只供公司内部使用的论文。大学里依靠口传和长期训练形成的研究习惯，正在被拆解成可以交给工程团队的知识。

当然，也并非所有故事都这么戏剧性，有些出走看起来没那么“沉重”，甚至带着点意外和冲动的色彩。UCLA 的应用数学助理教授 Ernest Ryu 第一次认真把 GPT-5 带进研究时，他并没有没有考虑换工作。

2025 年，他把一个关于 Nesterov 加速梯度法的问题交给 GPT-5。这个算法在 1983 年提出，此后一直有一个基础问题没有解决：加入“加速”步骤之后，迭代点是否一定收敛。

Ryu 连续用了 3 个晚上，总计大约 12 个小时。GPT-5 给出了多条思路，大部分经不起推敲。后来，模型建议换一种方式组织方程。具体推导仍有错误，Ryu 却从中看到了一个可以继续发展的结构，那条思路最终成了证明的骨架。

论文仍由 Ryu 检查、整理并写成。GPT-5 更像一个精力无限、想法很多、也经常犯错的合作者。Ryu 要迅速辨别哪些错误毫无价值，哪些错误里藏着一条可走的路。

他估计，如果独自专心研究，这项工作可能需要几周。更可能的情况是，他在第 3 天看不到进展，便转去处理其他问题。

2026 年，Ryu 从 UCLA 请假，加入 OpenAI 担任研究科学家。他没有明确表示这次证明直接促成了自己的选择，但强调那段经历深刻改变了他，此后没有理由不用 AI 做数学。

当证明不再是稀缺品

那么，到底是什么在推动这场迁徙？

最直接的原因当然是过去一两年 AI 在数学领域的能力跃升，这些已经被广泛报道，在这里我们只做一个简单回顾：

2025 年夏天，AI 模型在国际数学奥林匹克竞赛中解出了 6 道题中的 5 道。到 2026 年初，模型已经开始在研究级问题上做出可以发表的结果。5 月，OpenAI 公布一款内部推理模型构造出的反例，推翻了保罗·埃尔德什在 1946 年提出的平面单位距离猜想。将近 80 年里，数学家一直试图证明它，很少有人认真考虑它可能是错的。菲尔兹奖得主 Timothy Gowers 称其为“AI 数学的里程碑”。

一种被称为“vibe math”的工作方式也随之流行。研究者把问题交给模型，让它不断尝试证明、寻找反例、检索相邻领域的方法，再从大量输出中筛出少数有价值的部分。Gajjala 本人就是参与者之一，他在推翻 Wegner 猜想后还专门整理了一批悬赏猜想供人尝试。数学研究正在出现一种新的生产方式，它不完全依赖个人长年的深度积累，而更像是对 AI 能力的高频抽样。

只不过，如果我们只把这场迁徙理解为“AI 变强了所以数学家跑了”，恐怕还是太过草率。

密歇根大学的数学家马骁在此前接受 DeepTech 采访时给出了一个更结构性的判断。他认为，真正有用的证明，大部分不是菲尔兹奖级别的问题，很多证明有实际用途但并不太难，过去不做只是因为写证明太贵，需要很懂数学的人投入大量时间，得到的结果却未必足以发表一篇重要论文。

而当 AI 降低成本以后，这些过去无人处理的数学需求可能被释放出来。程序验证、工程设计和金融风控，都可能需要大量并不著名、却必须正确的证明。数学的使用范围可能扩大，以完成一份重要证明为主要工作的岗位则会减少。

基于这种判断，马骁并未选择离开数学，而是正在把主要精力转向搭建面向数学证明的智能体系统，希望先把工具做出来。他把当下称为数学的“前 Claude Code 时代”, 即模型已经做出一些惊人的结果，离稳定、连续、规模化地处理数学任务还有距离。对他来说，现在更重要的是参与锻造工具，而不是赶在模型成熟之前多解几道题。

这个类比也许解释了为什么不同数学家面对同一个趋势，反应可以差异如此之大。Gajjala 觉得过程的意义被掏空了；Tsimerman 看到一个必须从内部去驯服的危险技术；Ryu 发现自己的研究方式被改变之后回不了头；Ono 被学生描绘的可能性打动；马骁则把 AI 当成一把还没磨好的刀，不如现在就参与锻造。选择不同，但他们共享一个前提：回到从前已经不可能了。

Gajjala 在帖子中写道，AI 可以给出一份看起来无懈可击的证明，可“像证明”和“是证明”完全是两回事。如果没人能够确认它正确，写得再漂亮，也只是一份未经验证的答案。马骁在采访中反复提到的也是验证。搭建数学智能体时，最关键的问题往往不是怎样让模型继续生成，而是怎样判断它生成的内容究竟能不能相信。

至少目前，变便宜的主要还是候选证明的生成。把候选证明变成一份可靠、可理解的数学结果，仍然需要人来检查概念、计算和逻辑。模型给出的答案越多，这项工作也可能越重。

过去，数学家的职业价值主要由“解决了什么问题”来衡量，想出证明被视为最困难的一步。如今，模型可以长时间搜索和试错，偶尔还能找到人类没有想到的构造。相较于继续生成更多答案，判断一个证明是否可靠、一个问题是否值得提出、一个结果究竟增加了理解还是只增加了论文，似乎在占据越来越多的时间。

数学将走向何方？

当然，也不是所有数学家都选择出走。2018 年菲尔兹奖得主 Akshay Venkatesh 说：“我们的文化中有一些宝贵的东西，应该努力保留。”一些数学家对“vibe math”生产出的大量结果仍抱有疑虑，哲学家兼数学家 Joel David Hamkins 担心的是“一片垃圾海洋正在淹没我们的期刊系统”。

也有人指出一个容易被忽视的风险：AI 在加速成熟的数学研究者的同时，可能妨碍新的数学研究者的培养。毕竟，Ryu 能用 ChatGPT 三天证明一个 42 年的猜想，前提是他已经在优化理论领域积累了十几年。但如果一个博一新生也这么做，他得到的可能就不是突破，而可能是一份他自己读不懂的论文。

但这些忧虑并没有阻止迁徙加速。2026 年过去大半，Harmonic、Logical Intelligence、Axiom Math、Math Inc 等 AI 数学创业公司仍在持续从学术界吸纳研究者，OpenAI 和 Anthropic 也在招更多数学背景的人才，用途不只是做数学产品，也包括安全研究和推理能力评估。

上一代数学家进入工业界，常见的去处是银行、对冲基金和量化交易公司。如今，AI 公司直接参与数学知识的生产，数学家在那里研究证明、验证证明，也研究模型为什么会犯错。

预测市场平台 Manifold 甚至出现了一个问题：陶哲轩会不会在 2026 年像 Ken Ono 一样，离开学术界加入 AI 数学创业公司。这个盘口当然没有多少预测价值，但它至少说明，顶尖数学家转去 AI 公司，已经不再是一件难以想象的事。

这场迁徙会把数学带向哪里，现在还没人能给出答案。Tsimerman 怀疑数学家这个职业还能否维持现有形态；马骁认为数学的使用范围会扩大，传统数学家的岗位却可能受到压缩；Gajjala 已经选择离开。

他们面对的是同一个变化：证明这个原属于数学家最核心的产出，正在从稀缺而昂贵的智力劳动，变成可以被机器大量生成的候选结果。至于新的稀缺物是什么——是验证能力，是提出问题的品味，还是某种我们尚未命名的东西——这可能要等待数学家的迁徙完成之后，才能被我们看清楚。

参考资料：

1.https://arxiv.org/abs/2606.17854

2.https://www.understandingai.org/p/mathematicians-are-grappling-with

3.https://openai.com/index/model-disproves-discrete-geometry-conjecture/

4.https://www.quantamagazine.org/the-ai-revolution-in-math-has-arrived-20260413/

5.https://x.com/publishiperishi/status/2089337253055365226

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成