2026年10月的一个周二，一场突如其来的成果倾泻改写了数学研究的面貌。天未亮时，微软旗下代码托管平台GitHub上出现了一个公开仓库openai/math。这次发布没有走发布会与同行评议的常规流程，而是直接将内容投向全球，没有给学界留出预备时间。
随之而来的是量级罕见的学术冲击：722份由AI生成的数学稿件、372个全新结果族，一次性覆盖了十几个主流数学分支。OpenAI在简短公告里透露的一个细节令学界不安——每个被完整攻克的开放难题，平均只动用ChatGPT Pro大约3小时的思考算力。
发布会当天：学界情绪从震动到惶恐
数小时内，纽约大学数学教授特里斯坦·巴克马斯特（Tristan Buckmaster）出现在CNBC镜头前。这位学者的总结被广泛引用：“周二倾泻而下的这批论文，直接毁掉了整整一代年轻数学家的职业生涯。”
对专注于纯数学的象牙塔研究者来说，这近乎毫无防备的冲击。许多青年学者长期押注某个细分猜想，靠它评职称、争教职，却在并发运行的机器面前发现，自己视作立身之本的研究题目被迅速完成——那些难题在多个并发进程里像开胃小菜一样被处理掉。
同一时间，哈佛大学教员助理、本特利大学数学副教授诺亚·吉安西拉库萨（Noah Giansiracusa）却在推特发布长文，情绪截然不同。他钻研多年的“核心难题”被AI抹平后，非但没有崩溃，反而长舒一口气：“我感到前所未有的如释重负，甚至充满乐观。”他甚至反问，这究竟是一场学术灾难，还是一个伟大时代的开端。
五个月三记重锤：轻视、震动与彻底失守
过去，纯数学被普遍视为人类智慧的坚固堡垒：AI即便能写出流畅散文、生成逼真图像，也被认为无法理解抽象数学，因为数学依赖严密逻辑而非概率联想。但五月到十月间，OpenAI的三次动作击碎了这种自信。
第一击发生在2026年5月。OpenAI称其通用推理模型反证了著名的爱尔迪希平面单位距离猜想（Erdős unit distance conjecture）。该猜想由爱尔迪希于1946年提出：平面上任意取n个点，最多能挑出多少对距离恰好为1的点？爱尔迪希生前判断该数量增长非常缓慢，而OpenAI构造出反例，证明它能够以多项式级速度暴涨。诺亚教授坦言当时自己的第一反应是轻蔑：“这不过是一个刚好适合‘暴力计算’的冷门组合问题，AI只是走了狗屎运，靠算力穷举出来的。”曼彻斯特大学数学家托马斯·布鲁姆（Thomas Bloom）随后公开反驳，指出该反证并不含所谓纯暴力计算，AI给出的是精巧而深刻的现代逻辑构造。
第二击落在2026年9月8日。OpenAI把目标对准克莱研究所七大“千禧年大奖难题”之一的纳维–斯托克斯方程（Navier–Stokes）存在性与光滑性问题。该方程刻画从飞机绕流到血液流动的流体规律，近百年来学者们始终无法证明：平稳流动的液体在极端条件下，内部速度会不会在有限时间内“炸飞”并产生奇点。此次OpenAI动员约一万个并发AI Agent，88小时里燃烧数百万美元算力，证明在特定光滑外力下流体确实会在有限时间内发生爆破、形成奇点。更值得注意的是，成果不再依赖容易产生幻觉的自然语言叙述，而是直接给出Lean形式化代码。Lean类似数学领域的编译校验器，人类可能看走眼，它却会把论证拆成最底层逻辑原子逐行机器校验，跑通即代表逻辑意义上的确证。
当时不少人的自我安慰是：这耗费了数百万美元，是顶尖实验室才玩得起的“核武器”，普通数学家的日常研究AI依然插不上手。但这种侥幸只维持了不到一个月。
10月6日：722篇手稿与平均3小时的成本曲线
第三击发生在10月6日。OpenAI在GitHub公开了对约4000道测试开放题的测评结果：722篇手稿、近400个难题被瞬间攻破，成果横跨代数几何、低维拓扑、数论、图论等十多个分支，从高不可攀的千禧年大奖难题一路延伸到普通学者日常研究的题目。最刺痛学界的数字是：这些被解出的难题，平均每道仅消耗ChatGPT Pro约3小时思考时间。过去顶级团队要死磕数年的疑难，在如今可日常购买的算力面前薄如纸片——神殿门槛已经不复存在。
被提前剧透的学术人生：25年心血与青年困境
论文清单中出现了代数拓扑学名题“沃尔D(2)问题”（Wall's D(2) problem）。对伦敦大学学院资深数学家弗朗西斯·约翰逊（Francis Johnson）来说，这道题目占据了他整个学术生涯。“我在这个题目上整整耗费了25年。”他在接受《新科学家》采访时声音低沉地回忆，为了攻克它自己出版了两部专著，耗掉学术生涯最黄金的岁月，最终却只能承认人类心智在此遇到绝壁。
约翰逊说，“魔鬼已经从瓶子里被放出来了。我们只能退后一步，目瞪口呆地看着这一切发生。”比老教授的迟暮更残酷的是年轻研究者的处境：不少博士生从本科起就锁定一个窄缝赛道，期望靠微小突破拿学位、在学术市场立足。而当AI一次批量产出七百多篇论文，学术评价体系瞬间失灵。康涅狄格大学数论教授阿尔瓦罗·洛萨诺-罗布莱多（Alvaro Lozano-Robledo）悲愤质问：“为什么？纳维–斯托克斯还不够证明你们很强吗？为什么要一次性把成百上千个课题全解掉？这到底是在推动科学，还是科技巨头对整个数学界发起的一场傲慢的‘恶意收购’？”
终点被抄近路：失去“摸索过程”的代价
2022年菲尔兹奖得主、法国数学家雨果·迪米尼-科潘（Hugo Duminil-Copin）把问题指向了纯数学的灵魂：价值究竟在“给出答案”，还是在“寻找答案的过程”？在统计物理领域，网格图逾渗理论中的θ(p_c)=0猜想是一道公认的试金石，考察的是水渗入海绵或电流穿过多孔晶格时，临界点上能否出现通往无限远的通道。科潘苦攻数年、屡战屡败。他在反思录中写道：“正是那成百上千次痛苦的失败尝试，逼着我发明了数十个全新的数学工具。我把这些在死胡同里摸索出来的副产品，移植到了完全不同的数学领域，反而催生出了连我自己都无法设想的重大突破。”而前不久，科技公司Anthropic的研究人员借助Claude模型在几天内产出了完整证明，并在Lean中跑通校验。科潘却感到寒意：当AI直接把人类空降到终点，那些只能在漫长黑暗中孕育的思想胚胎是否已被连根拔起？
2026年菲尔兹奖得主雅各布·齐默曼（Jacob Tsimerman）的预言更为冷峻：数学可能很快进入“没有任何人类能彻底读懂细节”的阶段。他打了比方——现代人并不了解高铁内部每颗螺栓与芯片如何工作，但只要列车能开，人类就必须硬着头皮乘坐。
迷雾散去后的相反反应：焦虑为何消失了
诺亚教授的自白信在一片虚无当中显得格外另类。他坦言，当发现写进基金申请的“北极星”课题被解决时，他突然醒悟：一直以来压在数学家头上的那块巨石总算落地了。此前数年，走廊里私下流传的是同一种恐慌——“AI会不会抢我的饭碗？是今年还是明年？手头的题目会不会明天变成废纸？”而当墙上信号变得无比明确——从零星的顶尖大奖难题到日常基础研究，整体版图都在重构——那种充满不确定性的煎熬也随之消失。他要表达的是：“我们终于可以停止反复评估AI到底有多大威胁，彻底接受现实，去寻找利用这个超级工具的新方法，这难道不令人兴奋吗？”
这种轻松感与他跳出象牙塔的履历有关。诺亚拥有布朗大学代数几何博士学位，研究算法审计与社交网络虚假信息算法，主持热门科普播客，还出版过用数学应对日常算法压榨的作品。所谓申请材料中的“纯数学猜想”，对他更像是观察星空的望远镜，而非唯一衣食来源。放下狭窄的解题考核口径后，他立刻看到全新研究方向——反过来研究AI本身。
新大陆方向标：AI难度的隐藏地形图
既然OpenAI抛出约4000道开放题中只有大约400道被攻下，剩余约3600道仍屹立不动，诺亚就此设想：数学界可比照计算机科学中柯尔莫哥洛夫复杂度的思路，定义一种“AI难度度量”。他关心的问题是：在人类认为困难重重的地形里，AI眼中的地貌是什么样子？为何人类皓首穷经的难题，在模型看来只需几小时拼接逻辑？为何人类眼中的显而易见，AI却陷入死循环？在这一新维度上，能否为AI难度证明出统计上界与下界？
就连此前严厉批评OpenAI的阿尔瓦罗教授也加入到评论区讨论。他指出未来的数学或将由三条互补边界共同划定——人类大脑能够跃迁出的本质元概念，现实算力与工程调度的上限，以及逻辑链条在机器内部被压缩重组的难度。三者交织，为数千年的古老学科打开从未存在的门径。
旧职业消失，问题本身登台
回望科学史，19世纪照相机出现时也曾有肖像画师哀叹“绘画已死”，但事实是机器成像终结的仅是“精确记录人脸”的手工劳作，却将画家从写实束缚中释放，催生了印象派、立体派和现代艺术的爆发；伽利略把望远镜投向天空，结束的是经不起检验的地心说，开启的是更广阔的现代天文学。
放到此次事件看，OpenAI推出的代价是25年冷板凳与上万行推导，被压缩成机房3小时以内的电流嗡鸣。在交付成本几乎归零之后，数学最本源的价值回到一个问题：核心不再侧重“如何证明”，而是“为何发问”。学者们看得清楚：旧角色自然褪去，但那批能定义好问题、能在人机协作的新地图上写下第一条航线的人，也许是下一个黄金海域的领航者。
小结：OpenAI用一份没有开发布会的GitHub仓库，把722篇论文与近400个难题摆到桌面，代价表述为平均3小时ChatGPT Pro思考时长，从根本上压缩了数学解题门槛。学界短期需要承受论文批量喷发造成的评价混乱与年轻学者出路承压的风险，长期则要把人力从纯粹证明转向设定问题与识别AI难度结构。真正的胜负手不在谁先证明一条定理，而在拿到机器的算力之后是否还能产出原创理论体系，以及能否处理论文质量与验证标准的跟踪问题。