袁新意：中国数学人才培养已经发生质变，但青年教师科研压力过大

撰文 | 侯慧静（《中国科学报》见习记者 ）

8月13日，未来科学大奖委员会正式公布2026年度获奖名单。今年的“数学与计算机科学奖”授予北京大学北京国际数学研究中心教授袁新意，以表彰其在算术几何领域作出的奠基性贡献，特别是创立Arakelov几何中的算术大性理论，并将其应用于一致Bogomolov猜想和一致Mordell猜想。

就在不久前的国际数学家大会上，袁新意受邀分享学术报告。开幕式结束后，他与同伴一起等电梯，听到几个外国人在聊天。他们说，“China is taking over math.”

这句话令袁新意印象深刻。

“Taking over”就是“接管”的意思，说“中国正在接管数学”，意指大会上浓厚的中国元素——四位菲尔兹奖得主中，王虹和邓煜均为中国籍数学家。

获得未来科学大奖后，袁新意接受媒体采访，谈起中国数学的发展，思考中国应该营造怎样的学术氛围，也谈到在人工智能（AI）越来越会“解题”的今天，人为什么仍要学会提出问题。以下是主要采访内容。

袁新意。受访者供图

数学与产业日益紧密

问：像你研究的Mordell猜想、Bogomolov猜想，其实对常人来说完全看不懂，人类为什么要花费大量精力，攻克这些看似“没有现实用处”的猜想？

袁新意：我做这些研究多半出于自己的兴趣，因此研究时出发点简单。

历史上许多理论在提出时，无人知晓它的用处，多年后人们才能意识到它的意义。其中最著名的例子便是19世纪德国数学家黎曼提出的黎曼几何。黎曼几何非常抽象，提出时人们看不出它的用处，直到爱因斯坦将狭义相对论向广义相对论延伸时，黎曼几何便派上了用场。此时，黎曼已经去世多年。

我们应该把科学包括数学看成一个共同体，如果只看表面，可能某个东西是无用的，但在其他领域，无用的东西可能突然就有用了。这个很难说准。

问：在AI、芯片设计、工业软件等“卡脖子”领域，数学人才的短缺被认为是核心瓶颈。你回国后，是否感受到产业界对数学人才的需求变化？

袁新意：确实能感受到变化。在我的观察中，社会对数学人才的需求的确越来越多，这从高校数学系的高考录取分数线就能看出来。比如，2000年我入学时，北大数学科学学院与其他理科院系相比，录取分数线并不是很高。此后保持这一趋势，大概到2010年以后，录取分数线变成了北大理科中最高的。

其中有两个原因。一是有更多学生愿意做数学研究；二是人们逐渐意识到，学了数学再去业界发展得会更好。

问：为何量化基金、AI、芯片设计等领域越来越需要数学人才？

袁新意：我认为产业界需要的是数学人才的逻辑能力与抽象能力。一方面因为数学训练能塑造严密的逻辑能力；另一方面，数学人才的抽象能力很强，能够将业界面临的具体问题抽象为更容易处理的数学模型。

中国数学人才培养体系发生质变，亦需更好的科研环境

问：近些年，华人数学家接连拿到国际大奖，这反映出中国数学培养体系的哪些变化？

袁新意：我认为是培养体系的质变。人才从培养到做出突破成果，需要几代人的努力。

从中国改革开放后的几代看，我是“80后”，出生于改革开放之后，那时中小学教育已步入正轨。我的上一代是在改革开放中成长起来的，他们中有很多人出国留学，在海外做出了杰出的工作，当然有更多的人才留在国内，取得了优秀的成绩。海外的这批华人数学家，回国访问、兼职，协助国内的数学家培养人才，包括建立新的培养体系。我们这批人就是从这些体系中受益的。比如，我进入北大时，许多在国外工作的著名学者过来组织活动、设计课程，还将我们招到国外学习。

这种培养体系延续到“90后”这一代，后面全职回国工作的人越来越多，再加上国家经济形势越来越好，国际影响力稳步提高，我们所能掌握的资源越来越丰富，自然也就有了更好的发展。

这是一个培养体系20多年的成果。

问：你如何看待当前中国数学研究在国际上的地位和未来的发展？

袁新意：2025年1月，我写过一篇数学强国的文章。当时我用了一些数据来分析，中国最近十多年飞速进步，在数据上已经强于日本和俄罗斯，比美国和欧洲（英法德等加起来作为一个整体）弱一些。按照这个势头，我想我们还会有更好的表现。

问：今天的中国数学面临哪些机遇和挑战？

袁新意：我们现在正处于上升期，培养了大批人才，已经引进很多回来，但也有不少还没引进回来。目前国际局势给了我们吸引人才回国的机遇。

但同时，我认为国内的科研制度还需要改进，主要在于青年教师的科研压力过大。比如，如今青年教师申请教职所需的项目、论文、头衔等名目多，压力很大。制度评价机制过于“一刀切”，太过在意能看得到的、能衡量的指标，比如在什么样的期刊、发了几篇文章。

问：如何为青年科研人员提供更好的科研环境？

袁新意：有人批评我们学习美国的“非升即走”（tenure track）制度，实际上症结在于部分高校对这套制度的借鉴走了样。

一方面是考核规则。美国的非升即走只做一次考核，通过后就可以获得终身教职，安心做学问。但中国的一些高校搞好几次评审，在指标要求下，不合格又可能转回准聘，甚至有可能被辞退。

另一方面是晋升率。非升即走本意是以高标准招纳人才，在招聘时要关注这个人的潜力，尽量确保在6年后能够留下来。也就是说，招聘时便要根据做学问的轨迹评估6年后的发展，以“留”为目的招人。所以，美国的非升即走制度好的时候晋升率能到80%至90%。

在国内，由于单位抢人竞争激烈，很多时候主要为了拼科研数据和论文产出，提升学校声望。所以高校以低标准招纳很多人，6年之后再大量淘汰。这种情况下，高校的非升即走晋升率很低，学者的压力就会非常大。

在美国，如果高校想多招一些人会以博士后制度招聘，明确未来无法留校，也给了年轻人一个心理预期。

AI能力提升迅速，但依旧缺乏原创性

问：今年初你曾提到，AI还没有做出让职业数学家感到重要的原创性成果。半年多来，AI在数学问题上的能力提升很快。你怎么看这一变化？

袁新意：半年前我说AI的原创性还不行，这一点现在依然没有改变。但这半年AI做数学问题的能力确实提升很快，主要体现在整合已有数学思想，以及构造例子和反例上。

得益于AI广博的知识面，它整合已有思想的能力很强。在面对一个问题时，AI可以匹配相似想法，也很容易调用不同分支的知识，这一点远超单个人类数学家。

另外，AI的算力很强，可以进行大量试错，所以在构造例子和反例方面也很有优势。

比如埃尔德什单位距离问题，体现的主要是AI知识面的优势。它使用的方法并不是完全原创的，埃尔德什此前已经想到用代数数论的方法来处理这个组合问题，AI的进展是使用了更复杂、更高级的数论知识来实现这个想法。

对人类来说，现在数学体系已经发展得非常复杂细分，做组合的人可能不太懂数论，做数论的人也未必熟悉组合；但对AI来说，这不是问题。

另外，雅可比猜想三维情形的反例，则更多体现了AI的算力优势。它当然不是简单地进行枚举，也会结合推导和已有例子的启发，并且也受了之前数学家的工作的启发，但我想最明显的优势还是它能够进行大量计算和试错。另外，这个反例实际上不是特别令人意外，因为数学家们本来就不相信三维的雅可比猜想，而很多数学家努力想证明的是二维的雅可比猜想。

问：如果从整个数学行业来看，AI大量生成证明之后，会给数学研究带来哪些影响？

袁新意：我觉得主要有三个方面。

第一，可能使现有的评价机制瘫痪。传统上，一篇论文要得到同行认可，需要投稿到专业期刊，由专家判断两个问题：一是文章的正确性，二是结果的重要性。如果AI生成文章的速度太快，论文数量超过了人力能够审核的范围，评价机制就可能受到很大冲击，真正重要的文章也可能被淹没。

而学者找工作、评职称、申请经费和评奖项等，又与论文发表密切相关，所以评价机制一旦受到影响，整个行业都会受到影响。

第二，会污染网上的数学资源。AI可以生成很多文章，但其中一些文章的对错并没有得到确认。如果大量错误内容进入网络，以后大家看到一篇文章，就很难判断它究竟是对还是错。

第三，我比较担心它会影响年轻人的成长。AI可能会把很多相对容易的问题，也就是所谓“低垂的果实”摘掉。这些问题过去恰恰是年轻学生训练研究能力的重要材料。如果这些问题都被AI做了，年轻人可能缺少适合入门和训练的材料，这会影响整个行业的人才培养和传承。

前两个问题，有一些可以通过形式化验证来缓解。比如现在有Lean这样的形式化工具，虽然还不完善，但如果以后能够把数学证明输入软件，由软件判断证明是否正确，至少可以帮助解决数学资源的污染问题。

评价机制的问题更复杂一些。因为我们评价一篇数学论文，不只是判断它对不对，还要判断结果是否重要、是否原创、是否会影响这个领域的发展。这些东西不是形式化语言能够判断的。

问：在这种情况下，你认为AI和人类数学家应该是什么关系？人类数学家更需要做什么？

袁新意：我的观点是，AI可以协助我们做数学问题，是一种合作关系，也可以说是我们的助手。

有些观点认为AI已经可以独立做数学，我觉得至少现在还远远没有到这个程度。现在这些AI成果背后明显还有很多人为的引导，需要不断给它提问题，不断启发它，不断试错。

AI有比人强的地方，但也有现在不具备的东西。一个是人类对数学有“品味”。我们不仅判断对错，还会判断好不好、重要不重要。对AI来说，不同的数学可能只是不同长度的代码，但人会判断一个结果的意义和价值。

另一个是好奇心。我们因为对未知的东西好奇，才会提出问题，再试图解决问题。现在让AI自己提出我们认为真正有意义的问题，我觉得几乎是不可能的。AI现在做的，主要还是人类已经提出的问题。

问：那么对学生和刚进入数学研究领域的年轻人来说，应该怎样使用AI？

袁新意：对年轻人来说，首先还是要学会传统的研究方式。

比如我的学生写第一篇论文时，我希望他能够尽量独立完成。他可以用AI查一点东西，但不能太依赖AI，因为这个阶段首先要训练自己的研究能力。

等到自己知道怎么做研究以后，就应该主动使用AI。这个时候再借助AI，研究能力和研究产出都会有很大的提升。

本文经授权转载自微信公众号“科学网”，编辑：方圆。

特 别 提 示

『返朴』提供按月检索功能。关注公众号，回复四位数组成的年份+月份，如“1903”，可获取2019年3月的内容目录，以此类推。