第十二章 原来做不到的事情，怎样成为新行业
一、能力出现与活动成立之间
一项工具展示出新能力，常常立即引发关于新职业的想象。系统能够生成证明，于是似乎会出现大量证明服务；系统能够比较模型，于是似乎人人都能建立数学实验室。然而，能力出现只是开端。一个活动要持续存在，还需要有人反复遇到相应问题，愿意投入时间或资源，并能够理解和使用结果。若工具只在演示中令人惊叹，却无法进入真实任务，它就尚未形成稳定活动，更谈不上新行业。
行业也不是若干能力的自然集合。它包含供给者、使用者、工作分工、质量预期、交换方式和持续维护。一次计算可以由工具完成，但一个组织可能需要的是长期可靠的模型服务；一次证明可以被生成，但一个研究共同体可能需要的是持续更新的可核验知识库。后者要求协调、记录和责任，不会从单次输出自动长出。历史中的新行业往往伴随这些配套关系的形成，而不是只伴随机器性能的提高。
对于数学家，这个区别提供了实际方向。未来机会未必集中在销售单个答案，而可能来自组织以前难以开展的数学活动：帮助一个领域比较基本假设，为一类问题建立持续验证机制，让不同模型在共同算例上显露差异。这里的服务不只是把已知定理送到新客户手里，也可能在互动中产生新的研究对象。数学职业与数学发生由此有机会相互促进。
二、成本下降怎样改变需求
需求不是永远固定地等待供给。有些活动之所以很少被提出，是因为人们知道其成本过高。例如，一个小型研究团队可能从未要求为所有算法版本建立形式化保证，因为它承担不起相应劳动；一位领域研究者可能从未比较十种对象定义，因为仅理解其中两种就需要多年。工具降低成本以后，这些潜在要求可能变成实际计划。活动的扩大因此不只是更多人购买同一种东西，也可能是人们开始要求以前不会要求的事情。
但成本下降并不保证需求无限增长。使用者还需要理解结果，改变自己的流程，并承担由新活动引起的其他成本。一个模型生成速度提高百倍，若实验验证仍十分缓慢，整个研究循环未必相应加快。一个证明服务价格降低，若客户无法判断它证明了什么，也不会立即普及。因此，需求形成往往发生在工具能力与使用条件共同变化的时候。研究者应当寻找完整循环中的障碍，而不是只寻找可以快速自动化的局部。
Autor在对自动化历史的分析中强调，替代效应需要与互补、产出扩张和劳动供给调整一起理解。这对本书的启示是，新活动必须从实际关系中考察，不能只依据机器能否做某项任务来判断职业前景。（Autor，二〇一五。）不过，该文形成于特定技术时期，本书不把其中关于人机比较优势的具体边界当作永久结论。AI继续改变能力范围，需求与分工也要持续重估。
三、从特殊服务到日常活动
许多能力在普及时会改变社会对正常工作的预期。曾经只有大型组织能够获得的计算、设计或信息服务，可以逐渐进入更小的组织甚至个人活动。其意义不只是用户增加，更在于活动频率与问题粒度变化。一个机构过去一年做一次模型评估，成本降低后可能在每次重要修改后都评估；一个研究者过去只检验最终猜想，现在可能在定义形成阶段就不断进行反例试验。
这种变化为数学服务提供了新的尺度。服务对象不必总是宏大工业系统，也可以是一类反复出现的小问题：某套更新规则是否保存约束，某种聚合方式是否掩盖重要差异，某个学习流程中的评价指标是否相互冲突。单次问题可能不够大，不值得专门成立项目，但当它们持续出现，就需要稳定的数学表达、比较工具与解释方式。工具封装可以降低进入成本，数学家则参与构建活动的可靠形态。
这里仍需警惕把一切生活问题都包装成数学服务。并非所有差异都需要复杂模型，也并非所有决策都能由形式优化解决。数学服务的价值取决于它是否帮助使用者看清结构、辨认限制或改进行动。若模型只是增加专业词汇，却没有产生可用区别，它可能制造新的依赖。真正的普及应当让使用者获得更多理解与选择，而不是让每项日常活动都必须经过不可解释的平台裁决。
四、候选活动之一：持续的模型比较
设想一个跨学科团队研究城市步行空间。不同成员对“可达性”有不同要求：有人关心距离，有人关心台阶与坡度，有人关心疲劳积累与途中休息。传统单一最短路径模型可以处理部分要求，却未必适合所有参与者。数学家与AI合作，可以建立若干候选对象与代价规则，让不同假设在共同情境下产生可比较后果。这是一个假想服务场景，不是本书已实施的项目。
该活动的价值不在于宣布一种模型最终代表所有人，而在于使差异得到清楚表达。某种模型可能把每一段路的成本相加，另一种模型可能考虑前一段路对后续疲劳的影响；它们在简单情况下相同，在长距离或多台阶情况下分化。AI可以帮助生成算例、检查性质和组织说明，数学家与领域参与者共同判断哪些差异具有实际意义。新的对象构成问题便可能从具体使用中出现。
若这种比较需要随着道路变化、用户反馈与任务目的持续更新，就可能形成稳定工作。但它能否成为职业，还取决于数据获得、组织预算、维护责任和用户信任。数学上的新颖性与服务的可持续性需要分别检验。即便最终使用的是已有理论的组合，活动也可能有价值；若出现无法由现有组合有效表达的结构问题，则可能进一步形成研究方向。新行业与新典范之间存在联系，却不能彼此替代证明。
五、候选活动之二：可核验知识的维护
另一类可能的活动，是将分散的数学结果组织成能够持续核验与更新的知识系统。论文发表以后，相关定义可能被推广，软件实现可能改变，新的反例可能暴露适用边界。传统阅读依赖研究者在大量文本中追踪这些变化。工具能够帮助提取关系、转换表达、搜索依赖并检查部分证明，由此可能形成围绕特定问题群的持续维护服务。
这种活动与普通资料汇编不同。它需要说明每个结论在什么假设下成立，哪些版本互相兼容，哪些应用仍依赖未证明猜想，以及一个局部修改会影响哪些后续结果。研究者可以借助AI更新内容，但不能把模型生成的摘要直接当作可靠知识。维护工作需要形成验证、复核和纠错程序，并为使用者提供可追溯的依据。封装的对象因而不仅是某个算法，也包括长期积累的核验经验。
这类工作可能由大学、公共项目或商业组织承担，不必全部通过收费市场实现。它的公共性越强，越需要解释长期维护资源从何而来。若所有人都依赖共同库，却无人愿意支持维护，工具普及反而可能加重少数志愿者的负担。新活动能够被需要，与新职业能够被支持，是两个不同问题。数学共同体需要把公共基础设施劳动纳入资源安排，否则持续发生的条件就会被当作免费且不会枯竭的背景。
六、工具市场与工具支持的活动
讨论AI带来的机会时，人们容易只看工具本身的市场：开发模型、提供接口、出售算力或教授操作方法。这些当然可以形成职业，但它们不等于工具支持的全部新活动。汽车行业包含车辆制造，也支持新的运输与出行组织；计算机行业包含硬件软件，也支持无数使用计算的新工作。对数学而言，研究数学AI与使用AI开展新的数学活动，同样应当区分。
若所有数学家都被劝去开发同一种工具，就可能形成新的同轨拥挤。相反，不同专业可以从各自问题出发，提出工具目前难以满足的要求，再与技术团队共同改进。一个领域需要更好地处理对称性，另一个领域需要保存历史依赖，还有一个领域需要在不同形式系统之间转换。需求差异可能推动工具分化，也可能使不同数学结构获得新的发展条件。工具与活动之间是双向塑造，而非单向赋能。
职业选择因此不能只追逐最靠近工具供应的一层。有人适合研究基础模型，有人适合建设验证平台，有人适合深入具体对象与应用，有人适合组织跨领域学习。每条道路都可能再次受到封装影响，也都需要持续更新。关键不是找到一个永远不会变化的位置，而是形成能够连接新问题、工具与合作条件的能力。多元数学发生也需要这种多层参与，而不是一个统一职业模板。
七、从需求存在到职业成立
一种服务获得赞赏，并不意味着它已经能够支持从业者。职业成立至少需要任务有一定持续性，质量能够被判断，投入能够获得资源补偿，责任边界能够说明。缺少其中任何一项，都可能让研究者陷入不断演示、反复定制却难以持续的状态。新工具降低了启动成本，有时也会使许多人同时进入，使服务更快面临价格与注意力竞争。因此，新行业并非天然逃离内卷的安全地带。
以持续模型比较为例，第一批用户可能愿意试用，但后续需要明确：每次更新包含哪些工作，用户应提供什么资料，哪些结论只在特定条件下有效，出现新情境时如何重新检验。这里只是在分析组织条件，不是提供某种行业合同。数学家需要把自己的专业贡献表达为可以合作的活动，而不能只依赖“数学很重要”的一般判断。领域伙伴也需要参与定义问题，不能只在最后接收答案。
职业成立还需要训练与接续。如果全部工作依赖一位专家的个人记忆，即使服务有效，也难以扩大为可持续领域。需要形成案例、方法、工具与培养路径，让其他人能够学习并承担部分任务。这里的标准化不意味着消灭多样性，而是使共同部分得到封装，使新的差异有空间被处理。新行业的成熟与多元发生可以相互支持，前提是标准没有把所有问题强行压成同一种表达。
八、新活动怎样反过来改变数学
数学进入新的活动以后，可能只是应用已有工具，也可能发现原有对象划分不够恰当。关键的研究机会常出现在这种不匹配处：使用者不断要求保存某种历史，现有表示却反复抹去它；不同模型给出相同输出，后续干预却出现不同结果；一个局部最优规则组合起来产生整体失败。这些现象可以促使研究者修改状态、同一性或运算，进而产生新的数学问题。
从需求到新典范之间仍有漫长距离。需要把具体困难抽象为明确构造，比较已有理论，证明性质，形成代表性问题，并让他人能够接续。AI的重要作用，是使多个候选方案更容易被展开和相互检验。它既可以支持既有方法应用，也可以参与发现原来定义的限制。数学家不必预先宣称自己正在创造典范，而可以通过持续工作判断新活动究竟发展到了哪一层。
原来做不到的事情成为新行业，因而不是一个纯技术事件。它需要能力封装、需求形成、组织建设与知识发展共同进行。对数学家的未来而言，这意味着既要关心工具能做什么，也要关心哪些新的数学活动值得被持续支持。下一章将进一步讨论封装释放的时间怎样进入这些活动。因为即使新机会已经出现，时间也不会自动流向创造；它仍可能被旧评价和旧习惯重新占满。
观察新活动是否正在成立，可以采用比“市场很大”更具体的尺度。是否有使用者在第一次尝试以后主动带来新的问题，是否愿意为维护投入资源，是否能够指出模型帮助其改变了什么行动，是否出现其他研究者愿意接续的数学困难，这些迹象比一次演示获得的赞许更有信息量。它们仍不是成功保证，却能区分短暂好奇与持续需要。
也应记录那些没有成为行业的尝试。一项服务可能技术上可靠，却因用户问题过少而难以持续；也可能需求很大，但验证成本使低价供给无法成立；还可能只有在公共资助下才具有合理条件。这些结局不应一概被称为数学家的失败。它们帮助我们理解能力、需求与资源之间的真实关系，使下一轮探索更有针对性。多元发生需要允许不同支持方式，也需要允许某些活动以小规模存在，而非强求每个有价值的方向都扩张为大产业。
能否形成行业，需要持续观察；能否产生新数学，则还必须进入定义、命题与证明的工作。