视频：https://www.youtube.com/watch?v=Q8Fkpi18QXU

我是看完这个视频之后，才更强烈地感觉到：AI 对数学的影响，并不只是“多了一个更强的工具”，而是在逼着数学这门学科重新理解自己。

一、先记住几个关键词

为了不让后面的讨论太飘，这几个词最好先有个清楚印象。

• Lean：一种形式化证明系统。过去很多数学证明更像“写散文”，现在则越来越像“写代码”。它不是在替代数学，而是在把证明过程变成可以被机器检查、复用和积累的对象。
• 消融实验（ablation study）：把系统里的某一部分拿掉，看看结果会坏到什么程度。这个思路原本更常见于机器学习，但它其实也适合帮助人分析一个想法究竟哪里是核心，哪里只是装饰。
• 形式化（formalization）：把人类自然语言里的模糊、跳跃与默认共识，翻译成计算机可以严格执行的逻辑结构。
• 第谷数据（Tycho’s data）：如果没有足够精确的数据，开普勒的理论直觉很可能只会停留在猜想层面。这个例子提醒人，真正推动学科前进的，不只有想法，还有可靠的验证材料。
• 红鲱鱼（red herring）：看起来很像关键线索，实际上却会把你带偏的东西。AI 极擅长大规模制造“说得通”的东西，而不是自动保证“真的对”的东西。

二、数学正在变得更像一门实验科学

这个视频最有意思的地方，不是它在谈 AI 会不会取代数学家，而是它隐约指出了一种更大的变化：数学正在部分地获得一种“实验科学”的气质。

这里的“实验”当然不是指拿烧杯做实验，而是说，很多过去只能依赖少数人头脑内长期训练才能推进的工作，现在开始拥有了新的试错基础设施。

这种变化至少体现在三个方面。

第一，门槛正在下降。
过去要参与某些前沿数学问题，往往需要经过非常漫长的训练路径。不是因为问题本身永远只属于少数人，而是因为你必须先掌握一整套历史上逐渐堆起来的语言、风格和技术习惯。AI 和形式化工具的出现，至少在一部分领域里，开始降低这种入门门槛。它们不一定让问题本身变简单，但确实在压低“接触问题”的成本。

第二，劳动分工正在变化。
想法的生成成本被急剧压低了。以前一个人需要花很长时间试探方向、做例子、写草稿；现在很多“可说的话”几乎可以被瞬间批量生产出来。于是学科真正稀缺的部分，不再只是“能不能说出一个想法”，而是“能不能判断这个想法是不是在推进问题”。生成变便宜，验证变昂贵，这是一种非常关键的结构变化。

第三，学科边界开始松动。
在传统训练里，数论、几何、分析、代数往往有各自清晰的社区语言和进入方式。但一旦大量知识被编码进统一的形式系统、代码库、证明库、模型接口中，它们之间的边界就会比以前更容易被穿透。某些原本只在一个领域内流通的方法，也许会更自然地被迁移到别处。

三、“无中生有”仍然是人最难被替代的部分

即便如此，我还是觉得，人类真正的核心价值并不在于“比 AI 更能算”，而在于某种更难程序化的生成能力。

AI 很擅长沿着既有结构深挖。它能帮你整理文献、生成证明草稿、提供类比、补足细节、扩大搜索半径。但它更像是一种极强的展开器，而不是天然的奠基者。真正稀缺的，仍然是那种把一个陌生方向先认出来的能力。

我现在更倾向于把这种能力理解为三件事。

• 审美判断：在一堆候选结构里，凭经验、直觉和训练，感觉到哪个方向更“真”，哪个方向虽然华丽却只是噪音。
• 跨界连接：敢于把一个领域的方法粗暴地搬去另一个领域试，哪怕这种联系一开始看上去并不体面。
• 删除假设：不是在原框架里继续堆东西，而是反过来追问，哪些被默认接受的前提其实可以拿掉。

很多真正重要的突破，恰恰不是“把一件已经清楚的事做得更快”，而是先意识到：原来问题可以换个样子被提出。

四、AI 时代更现实的个人策略

如果把视角从“数学会怎样”再拉回到“我该怎样活”，那我觉得真正该练的，不是盲目追新，而是下面几种能力。

1. 练判断力，而不是囤积点子

AI 会让“点子”越来越不值钱。
以后真正重要的，不是你能不能一下子说出二十个方向，而是你有没有能力在二十个方向里迅速看出，十九个都只是像样的废话。

所以一个很实际的习惯是：每次 AI 给出建议，不要急着接受，而要反问自己，这个东西的核心矛盾是什么？如果把修辞、比喻和表面复杂度都拿掉，它到底还剩什么？

2. 建立自己的验证资源

如果生成越来越廉价，那么验证资源就会越来越贵。
这里的“验证资源”不一定只是实验数据，也可以是一手材料、长期观察、真正做过的项目、亲手踩过的坑，甚至是某个领域里别人无法随便复制的经验密度。

AI 的问题不只是会幻觉，而是它很容易用流畅感掩盖不确定性。你越有自己的硬材料，越不容易被这种流畅感带走。

3. 练习把复杂逻辑讲清楚

未来另一个会越来越稀缺的能力，是解释能力。
AI 可以生成海量内容，但“内容很多”不等于“别人真的理解了”。谁能把复杂结构讲成别人能抓住的形式，谁就更接近拥有解释权。

这件事在数学里尤其重要。真正高水平的人，往往不是把东西讲得更神秘，而是把它讲得更自然。

4. 保持可塑性

这个时代最危险的姿态，也许就是把自己的身份绑定得太死。
如果你死守某种旧分类，比如“我只属于这个方向”“我只会这套语言”“我只能在这个框架内思考”，那你很容易在下一轮范式变化里变成旧地图的一部分。

可塑性不是盲目追新，而是让自己始终保持重新组织知识的能力。

五、视频里最值得记下来的几句话

“It is an incredibly unpredictable time… What we have to do is remain very adaptable.”

这是一个极其不可预测的时代。真正重要的，不是预先押中未来，而是保持极强的适应性。

“AI has driven the cost of idea generation down to almost zero… Now the bottleneck is verification.”

AI 已经把想法生成的成本压到了接近零，接下来真正稀缺的，会是验证。

“Assessing what ideas actually move the subject forward.”

关键不只是有想法，而是能判断哪些想法真的在推动学科向前。

六、写在最后

我不觉得这件事的重点是“AI 会不会替代数学家”。
更值得追问的问题是：当生成、检索、组合、改写这些能力被大规模外包之后，人还剩下什么必须亲自承担？

我的答案大概是：方向感、审美、验证、叙事，以及在混乱中保持判断的能力。

如果 AI 替我们完成了那 90% 可以被展开、被组合、被自动化的劳动，那么剩下那一小部分关于直觉、勇气、删改、取舍与承担的工作，反而会变得比以前更重要。

这大概也是我看完这个视频之后最强烈的感受：
AI 不是在让数学变浅，而是在逼着人重新回答，什么才算真正的数学能力。