第三章 数学家为什么会感到自己的价值受到威胁

一、被改变的是一套生活安排

当数学家看到工具完成自己需要数周才能处理的推导，最直接的反应可能是惊讶，随后却常出现复杂的不安。这种不安不能仅被解释为不愿接受新技术。一个研究者围绕专业能力安排了多年生活：选择学位，迁居，接受较低的早期收入，推迟其他计划，在一个窄领域积累经验。他相信这些投入能够通向持续工作。工具的突然进步，动摇的可能是这整套时间安排，而不只是某项操作的优越感。

数学工作还有一种特殊的自我联系。许多成果缺少立刻可见的外部回报，研究者需要依靠对问题意义的信念维持长期投入。同行承认、导师评价和解题成功，共同构成了这种信念的支撑。若过去最能确认自己的活动现在可以被系统迅速完成，人便可能暂时不知道如何描述自己。这不是一个关于“机器有没有灵魂”的抽象问题，而是“明天我应该继续怎样工作”的实际困境。

本书将这种威胁分成几个可以讨论的层次。技能受到冲击，是原有能力的稀缺性变化；职业受到冲击，是资源与岗位连接变化；身份受到冲击，是共同体对某类人的承认变化；自我价值受到冲击，则涉及一个人如何理解自己的投入和未来。它们会纠缠在一起，却不能用同一种办法处理。学习新工具可能改善技能处境，却未必立即带来职位；获得职位也未必恢复探索的乐趣。先辨认问题，才可能选择有效行动。

二、青年研究者的期限与风险

青年研究者面临的突出困难，是他们必须在尚未稳定的规则下完成有期限的考核。博士生不能无限等待评价体系调整，博士后也不能把每一项长期探索都推迟到下一份合同。若工具突然降低某类结果的生产成本，原先合理的论文计划可能显得分量不足，而转向新方向又需要时间。对他们说“去发明新的典范”，若没有相应支持，可能把一种压力改成更难承担的另一种压力。

考虑另一位假想研究者周。他还有一年完成论文，已经掌握一个专题的核心方法，此时工具能够复现其中若干步骤。最鲁莽的选择是立刻丢弃所有积累，追逐尚未理解的新口号；另一种危险则是装作没有变化，继续依靠已经失去稀缺性的劳动量证明价值。更可行的做法，是把现有计划拆开：哪些结果仍有实质意义，哪些步骤可被封装，哪些比较与推广现在能做得更深。随后与导师重新约定成果范围和贡献说明。

这种调整必须具备制度可信度。导师口头鼓励学生探索，却在毕业时仍只数传统论文，会使学生承担双重风险。学校可以在具体项目上确认：一套可复现的模型比较、一项有明确边界的形式化成果，或一份能够被他人接续的问题档案，如何进入评估。这里并非要求降低证明标准，而是要求标准能够识别变化后的贡献。青年人需要的不是永久豁免，而是清楚、可预期且与真实研究相符的规则。

三、资深研究者失去的未必只是技能

资深数学家的困难常常具有不同形态。他可能已经拥有稳定职位，却在一个领域积累了判断权、合作网络和教学方法。新的工具让学生能够绕过部分传统训练获得结果，也让外部团队进入过去门槛很高的专题。于是，他需要重新判断自己的专业经验怎样发挥作用。如果这种经验一直通过亲手完成细节获得表达，那么转向比较路线、组织验证和指导新对象构造，可能带来强烈的不熟悉感。

经验并不会自动失效，也不会自动转化。一位熟悉某类证明的人，可能很快识别模型省略的关键条件，这是一种实际优势；但若他把所有陌生表达都判为不严谨，也可能错过有效的新方法。经验既包含可迁移的结构理解，也包含对特定工作形式的习惯。区分二者，需要让经验进入具体比较，而不是通过资历确认其永久正确。可以请工具提出几条不同路线，再用专业知识解释各自的障碍；也可以让年轻合作者展示新流程，共同检查结果。

对资深研究者来说，重新学习还涉及公开承认自己不熟悉某种工具。若共同体把这种承认视为能力下降，最有经验的人反而可能被迫回避改变。因此，院系需要允许不同代际交换优势：有人熟悉证明结构，有人熟悉计算实现，有人能够跨领域组织问题。这种协作不应固定成老人判断、年轻人执行的等级结构，因为AI也可能改变判断，年轻人也可能提出方向。角色应随实际贡献变化。

四、正确性争论中的三种问题

AI数学的争论常以正确性开始，但其中可能混合三种不同问题。第一种是认识问题：某个证明有没有漏洞，形式化是否保存原意，数值证据能支持到什么程度。第二种是贡献问题：谁提出关键构造，谁完成核验，工具在其中承担了什么。第三种是职业问题：如果这类成果变得普遍，原有训练和岗位如何调整。这三种问题都重要，混在一起却会使讨论失去方向。

例如，批评某篇AI辅助论文的证明缺口，可能是完全正当的数学工作；不能因为批评者担心职业变化，就忽略其指出的错误。反过来，即便论文证明正确，也不能用正确性直接回答贡献归属或就业压力。一个结果成立，只说明有关命题获得了相应支持；它不会自动决定署名、奖励和资源分配。将这些层次分开，才能让技术评价不被身份冲突吞没，也让职业问题不被“数学进步了”一句话遮蔽。

研究者需要训练一种更精确的公开表达。可以说“此处从有限样例推到所有对象缺少证明”，也可以说“贡献说明没有交代关键构造的来源”，还可以说“本院考核仍按旧劳动成本衡量成果”。这三句话对应三种可处理的行动：补证明、补记录、改制度。若一概说成“AI没有真正理解”或“反对者害怕失业”，便难以推进任何一项。把争论落到具体责任，是复合研究共同体成熟的表现。

五、从比较输赢到识别处境

许多不安来自一种反复进行的比较：我与最强系统谁更快，谁知道更多，谁能解决更难的问题。这种比较在能力评估中有用途，却不适合承载整个人生判断。研究者总能遇到在某方面强于自己的同行，也一直依赖比个人记忆更广的文献和工具。问题在于，比较的结果应当怎样改变研究组织，而不是怎样给一个人判定总价值。把全部自我押在每次竞赛的胜负上，会使任何进步都变成威胁。

一种更有帮助的分析，是列出目前真正受影响的条件。某人担心的是博士论文完成不了，另一人担心的是研究经费失去理由，第三人担心的是自己不再喜欢原来的工作。前者需要重订任务与时间，第二人需要说明新活动的公共价值，第三人则需要探索新的问题关系。它们可能交叠，但行动入口不同。辨认处境不是降低抱负，而是避免用无限宏大的焦虑掩盖可以推进的局部问题。

这种分析也应允许情绪存在。研究者对多年投入的失落，不必在一次工具演示后立即转成兴奋。转型包含学习、试错和重新建立信任，需要时间。不过，理解情绪不能等同于暂停现实变化。可以给自己一个明确的试探周期，在其中完成若干真实任务，再根据结果调整判断。让新能力通过可见的互动形成，比反复想象全面胜利或全面失败更有可能恢复行动感。

六、把焦虑变成研究记录

焦虑常常将不同时间尺度压缩在一起：今天一个引理被自动完成，想象中便连到十年后整个职业消失。研究记录可以帮助恢复中间环节。一次工具试验应写清任务、输入、结果、错误、修正成本和可重复条件。若系统帮助很大，就说明它释放了什么活动；若系统失败，就分析失败来自知识、推理、接口还是任务不清。连续记录可以逐渐替代凭单次印象形成的过度乐观与过度悲观。

这类记录也能揭示人的能力怎样改变。第一次使用时，研究者可能只会要求“证明这个定理”；后来他能够拆解命题、设计反例任务、比较不同定义，并要求系统对自己的建议提出反驳。能力不是原封不动地从人转给机器，也不是机器在一个固定人身上添加附件。人在互动中学会新的组织方式，工具输出又改变可见的问题。用本书的语言说，复合研究能力在具体活动中发生，而非由两个预先完整的能力包简单相加。

记录还必须保留失败与退出。若只展示成功对话，团队会高估工具可靠性，也看不见被放弃路线的真正成本。一个候选模型因无法区分目标现象而终止，本身就提供了边界知识。一个提示方法在换领域后失效，也说明封装不能无限迁移。把这些事实放入共同档案，可以让焦虑转成更清楚的风险判断，使下一次投入建立在可检查的经验上。

七、共同体不能把转型责任全部交给个人

如果工具改变了整个成果生产条件，却要求每位研究者独自承担学习成本、评价不确定和收入风险，那么所谓适应能力就会被家庭资源与机构条件深刻影响。有人可以用一年探索新方向，有人连一个学期的延期都无法承受。最后留下来的未必是最有潜力的人，也可能只是最能承担不确定性的人。数学共同体若关心知识多样性，就必须关心这种筛选机制。

具体支持可以从有限而明确的安排开始：为既有研究者提供可用工具与指导，为正在受影响的论文计划设置调整程序，为跨方向合作承认共同贡献，为维护公共代码与验证资料提供时间。制度不必保证每个项目成功，却可以减少不必要的失败成本。对某项新技术保持严格检验，与为受影响者提供转型条件，并不矛盾；前者保护知识质量，后者保护继续产生知识的能力。

数学家的价值因而不能被缩减成“比机器多会一道题”。这种缩减既低估数学研究，也加剧无助。更实际的目标，是让研究者能够在新的能力条件下继续形成有意义的问题、可靠的成果和可持续的合作。焦虑不会因为一句未来宣言消失，但当人看见自己能够参与新的活动，并获得相应支持时，威胁便可能转化为重组生涯的起点。下一章将讨论这种重组怎样改变人与AI之间的竞争关系。

还应为合理的保留意见留下位置。一位研究者暂时不把某类敏感资料交给外部模型，或认为某个系统不适合自己的专题，并不等于拒绝未来。判断是否保守，要看理由是否能够接受检验，而不能看是否立即采用最热门工具。同样，积极使用AI也不能自动证明研究已经升级。若人只是更快地产生未经检查的文字，复合活动可能增加了风险，却没有增加数学能力。

由此，真正需要比较的是不同安排下的研究结果与成长条件。是否缩短了有效试错的周期，是否发现了原先难以察觉的反例，是否让年轻人更早参与对象构造，是否使合作更可持续，都比口头态度更有说明力。共同体能够围绕这些问题交换证据，个人便不必通过表态来证明自己属于未来，而可以通过工作逐渐找到位置。