侃AI 00414 清零之后：从“解题者”到“提问者”——AI时代数学博士生的职业逻辑重组、判断力升值与共同体分裂

潘力刚地产.激光.IT.AI医学

前世：

何以中国

今生：

读懂中国，认识中国，讲好中国故事，提高文化自信： 这就是中国

千里姻缘一线牵，公益相亲平台： 圆梦缘
科学、医学、人文、历史、文学、音乐、影视、摄影、数、理、化、计算机、人工智能、......： 仰望星空 文库
你在加拿大魁北克的家园： 蓬莱仙阁楼台 加拿大魁北克傍山依水家园 文库
赏心乐事谁家院： 好山好水好风光 文库
别时容易见时难： 千里江山 文库

千流归大海，高山入云端（数据总库）： 仰望星空脚踏实地 BECC CECC
勘、侃、龛、看人生： 圆桌派

逻辑思维

加中教育促进会 BECC-CECC 《仰望星空 文库》列表

侃AI by BECC-CECC 加中教育促进会

侃AI 00414 清零之后：从“解题者”到“提问者”——AI时代数学博士生的职业逻辑重组、判断力升值与共同体分裂 20261101

‍

‍

2026年10月，Anthropic研究员Jascha Sohl-Dickstein在一场题为“人类世的终结”的演讲中，对台下的顶尖博士生说了一句足以让任何人脊背发凉的话：你们原先设想的传统职业规划，已经彻底不复存在了。中文科技媒体将这句话提炼为一个更具传播力的标题——“全球博士生职业生涯一夜清零”。

这句话是修辞，也是事实的某种粗粝投影。修辞在于，“一夜清零”夸大了断裂的瞬时性，忽略了学术训练中那些无法被算力折算的沉淀；事实在于，它戳破了一个长期被默认为安全假设的预期：读博、博后、终身教职，是一条即便拥挤但方向清晰的路径。Sohl-Dickstein给出的数据并非危言耸听：过去十年训练顶尖模型的算力增长了1000万倍；AI独立完成任务的时长每几个月翻一番；过去七个月里，模型连续解出了数学家此前未能攻克的问题。而在这些抽象数字的背后，是Claude在雅可比猜想上找到反例，是它在黎曼zeta函数零点下界上把已知比例从41.6%推进到67.2%，是它用11天生成了费马大定理首个端到端机器验证的形式化证明。

“清零”不是对博士生个人能力的判决，而是对一种职业逻辑的判决：当“生产数学结果”这件事本身正在被大规模自动化，以结果生产为核心组织起来的训练体系和职业阶梯，就失去了它不言自明的前提。

要理解这场冲击的实质，需要先把“AI做数学”从笼统的惊叹中拆解出来，看清它究竟在哪一层面上动摇了博士生的职业根基。

Sohl-Dickstein演讲中最具物质性的论据，是算力尺度的跃迁。他将人脑一生所能完成的计算总量标定在约1万亿千万亿次浮点运算的量级，而当前顶尖模型的训练算力已在某些维度上接近甚至超越了这一代表“一生智慧总和”的参照点。更具冲击力的是趋势的斜率：EpochAI的推算显示，到2030年全球可用算力将是2025年的1万倍，而人类目前“甚至还没有越过这条陡峭曲线的拐点”。这意味着，AI数学能力的提升不是一条会自然放缓的S形曲线上的中段，而是一场仍在加速的指数爆炸的极早期。Sohl-Dickstein对台下博士生所说的“清零”，本质上是在告诉他们：你们正在用一套为线性世界设计的职业策略，去应对一个指数世界。

这种指数逻辑在2026年的数学进展中获得了密集的实证。7月，Anthropic的Levent Alpöge在观看世界杯的间隙，将困扰数学界87年的雅可比猜想交给Claude Fable 5，后者找到了一个简洁的反例。8月，Anthropic官方披露，一个未公开的研究版Claude在尝试黎曼猜想未果的过程中，将黎曼zeta函数非平凡零点位于临界线上的已知下界比例从41.6%提升至67.2%，并生成了形式化可验证的证明。9月，Claude在基本自主运行11天后，用约1300万行Lean代码完成了费马大定理的首个端到端计算机验证形式化证明，而人类数学家Kevin Buzzard领导的同类项目预计需要十年。10月，OpenAI一次性公开了722篇AI生成的数学手稿，涉及372个成果组。这些事件在不到四个月内的密集发生，构成了一种此前数学史上从未出现过的节奏：不是某个天才的灵光乍现，而是一条正在被工业化地、并行地、以算力为燃料推进的“结果生产线”。

然而，恰恰是这条生产线的效率，暴露了“清零”叙事中被遮蔽的另一面。数学界最激烈的反应，并非来自对“AI会解题”的否认，而是来自对“解题不等于数学”的捍卫。2026年9月11日，陶哲轩、邓煜、彼得·舒尔茨等25位菲尔兹奖得主联合发表声明《人工智能在数学中的严重错位》，警告AI公司与数学共同体之间正在出现目标层面的断裂。声明并不否认AI的解题能力，它否认的是将数学的价值窄化为“答案的产出”。陶哲轩随后用了一个毫不客气的比喻：批量解题产出的成果，在某种程度上是“有毒废料”——它们需要被处理、被消化，而处理的负担落在了数学家身上。菲尔兹奖得主Hugo Duminil-Copin在OpenAI发布成果后说，AI像一台推土机，把他研究的问题“推平了”。这里的痛苦不在于AI做错了，而在于AI做对了，却以一种将数学研究中最有价值的中间过程——新工具的发明、新理论的建构、新分支的开辟——当作副产品碾碎的方式做对了。

这就把“博士生职业生涯清零”的真正机制揭示了出来。被清零的，首先不是博士生的“智商”或“创造力”，而是他们作为“结果生产者”的市场定位。一个博士生在传统训练中所积累的核心竞争力，很大程度上体现为在特定方向上比同行更快、更深地抵达可发表的结果。当AI系统能够在数小时或数天内完成过去需要数月乃至数年的结果生产时，这条以“产出速度”和“产出数量”为标尺的职业赛道，其准入门槛和边际价值都发生了坍塌。但这同时意味着，那些无法被“结果生产”所穷尽的能力——提出一个值得追问的问题、判断哪一个方向具有深层结构性的意义、在AI产出的海量形式化证明中辨认出真正有前景的“种子”、为数学共同体守护知识增长的长期秩序——反而在升值。邓煜在评价AI数学成果时强调，数学研究的主体依然是人，人把握方向、提出猜想、决定什么值得被追求。哈佛大学数学系2026年9月召开的“AI时代数学博士教育峰会”给出的建议也指向同一方向：博士训练应增加协作、提问、跨学科工作、AI工具使用和形式化等技能，而非继续将“独立完成一个可发表的结果”作为唯一的核心训练目标。

数学界的内部反应进一步印证了这种结构性转变的复杂性。Caltech本科生Caiman Moreno-Earle发起了一场鼓励用AI解决长期未解问题的“数学马拉松”，他的理由朴素而紧迫：“我们没有等待的余裕”。但这一定位为“适应”的举动，遭到了771名数学家联署公开信的抵制，信中谴责该竞赛推广的是“AI数学垃圾”——看似流畅实则难以验证的批量产出，会倒逼学术界耗费宝贵的同行评审精力去人肉排查，并存在赞助商用算力换取学生真实智力成果的道德风险。OpenAI随后退出了赞助。这场冲突的意味深长之处在于，它并非“拥抱AI”与“拒绝AI”之间的对立，而是两套关于“在AI时代什么才算有价值的数学训练”的路线之争。老一辈数学家捍卫的是学科的内在节奏和判断力的养成，而部分年轻学生感受到的是一种生存性的时间压力：如果不在AI重塑规则的过程中尽快找到自己的位置，就可能被排除在游戏之外。

在这个意义上，“清零”既是一个警告，也是一个邀请。它警告的是那种将博士训练等同于“更高级的解题训练”的惯性；它邀请的是一种重新理解“数学家之为数学家”的契机。Sohl-Dickstein本人在演讲中给出的“生存法则”也指向类似的方向：不要把初稿外包给AI，不要在“慢”的工作上浪费生命，每天强迫自己使用AI工具。这些建议的底层逻辑是功能性的：把AI当作算力放大器，而不是判断力的替代品。但比操作建议更深层的问题是：当AI能够以极低成本生成海量“正确”的数学陈述时，一个博士生最稀缺的资源就不再是“生产正确陈述的能力”，而是“在无穷多的正确陈述中识别出哪一个值得人类共同体投入时间去理解”的判断力。这种判断力无法被算力直接购买，只能在长期的、带有失败风险的、与真实数学问题肉搏的过程中缓慢养成。

‍

“全球博士生职业生涯一夜清零”这句话，如果被当作字面意义上的末日宣告来消费，它就是一句流量口号。但如果被当作一个分析性的隐喻来认真对待，它指向的是一场远比“AI抢了饭碗”更深刻的重组：博士训练所依附的那套“以结果产出为轴心”的职业逻辑，正在失去它的物质基础；而一套以“提问、判断、方向设定和秩序守护”为轴心的逻辑，正在被强制性地提上议程。

这并不意味着每一个博士生都必须成为那种能够提出“深刻问题”的稀有天才。它意味着的是，博士训练的价值重心需要从“我能比AI更快地做出什么”转向“我能比AI更好地判断什么值得被做、什么结果值得被信任、什么方向值得被共同体长期投入”。在AI能够以11天完成费马大定理形式化的时代，一个数学家最不可替代的工作，或许恰恰是花十一年去理解为什么某个问题值得被形式化，以及在形式化完成之后，知道下一步该往哪里走。

清零的不是职业生涯本身。清零的是一种曾经稳妥、如今已经失效的职业策略。而在旧策略的废墟上，新的能力地图正在浮现——它的第一行字不是“更快地产出”，而是“更准地判断”。