700篇预印本引爆数学界：OpenAI从AI公司变身前沿科研机构，科学研究的权力格局正在颠覆
700篇预印本引爆数学界：OpenAI从AI公司变身前沿科研机构，科学研究的权力格局正在颠覆
2026年10月的一个清晨，全球数学界的邮箱和社交媒体同时炸开了锅。OpenAI在网上一次性发布了超过700篇数学预印本——不是某个博士生花5年磨出的一篇证明，也不是某个数学系集体攻关的阶段性成果，而是GPT-5.2模型批量”生产”的数学发现，涵盖离散几何、组合学、数论等多个子领域。更令人震惊的是，在这批预印本发布之前，OpenAI已经宣布其模型成功推翻了离散几何领域的一个核心猜想——一个困扰人类数学家的开放问题。
这里需要先厘清两个经常被混用的数字：Nature以”mathematicians are up in arms”（数学家们群情激愤）为标题报道此事时，使用的表述是”700 maths preprints”（700篇数学预印本）(来源: Nature, d41586-026-03196-8)；而New Scientist的报道则称OpenAI”announces 722 mathematical discoveries”（宣布722项数学发现）(来源: New Scientist, 2592421)。两者的差异并非矛盾——一篇预印本可能包含多项独立的数学发现或结果，因此722项发现分布在约700篇预印本中是完全合理的。本文在后续讨论中将区分使用这两个概念：涉及论文数量时使用”约700篇预印本”，涉及具体成果数量时使用”722项数学发现”。
学术界的反应从惊叹迅速转为焦虑：当一个AI模型能在数周内产出相当于一个中等规模数学系数年的研究产出时，”做数学”这件事的定义本身正在被改写。
这篇文章要回答的核心问题不是”AI能不能做数学”——答案已经摆在那里了。真正的问题是：当AI公司从技术服务商转型为前沿科研机构，科学研究的权力格局、验证机制和价值分配将如何被重新定义？以及，这一转型背后，商业压力与科学野心之间的张力将把我们引向何方？
第1章：推翻猜想——当AI解开数学家解不开的题
从辅助到独立：一个分水岭事件
2026年，OpenAI在其官方博客上宣布了一项标志性成果：其模型成功推翻了离散几何领域的一个核心猜想 (来源: OpenAI官方博客, “An OpenAI model has disproved a central conjecture in discrete geometry”)。这不是AI第一次参与数学研究，但它标志着一个质变——从”辅助人类数学家加速验证”到”独立提出反例并推翻既有理论”。
要理解这个事件的分量，需要先理解”推翻猜想”在数学中意味着什么。数学猜想是数学家基于大量观察和直觉提出的命题，往往经过数十年甚至数百年的检验仍未被证明或证伪。推翻一个核心猜想意味着找到一个精确的反例或构造性证明，证明该命题为假。这需要的不仅是计算能力，还有对问题结构的深层理解——至少在功能层面如此。
需要指出的是，截至本文写作时，OpenAI官方博客虽然明确表示该猜想属于离散几何领域的”核心猜想”（central conjecture），但关于该猜想的具体名称、最初提出者及提出年份，公开报道中的信息仍不完整。Nature的报道侧重于事件的学术影响而非猜想本身的技术细节。这一信息缺口本身就反映了一个问题：当科学发现的发布者是一家商业公司而非学术机构时，信息披露的完整性和透明度往往不如传统学术发表。如果后续有更详细的技术论文发布，我们将能更准确地评估这一成果的历史地位。
OpenAI的模型在离散几何领域做到了这一点。离散几何研究的是离散结构（如点、线、多面体）的几何性质，与组合学、拓扑学有深刻联系，是现代数学中极为活跃的前沿领域。一个AI模型能够在这个领域推翻核心猜想，意味着它不仅能处理形式化的符号操作，还能在某种程度上”导航”高维数学空间，找到人类数学家未曾探索的路径。
GPT-5.2：专为科学设计的能力跃迁
这一突破并非偶然。OpenAI在2026年发布GPT-5.2时，专门展示了该模型在科学和数学领域的能力提升 (来源: OpenAI官方博客, “Advancing science and math with GPT-5.2”)。与此前的通用大语言模型不同，GPT-5.2在数学推理和科学假设生成方面进行了针对性的优化。
这里有一个关键的技术-商业交叉点：OpenAI选择将GPT-5.2的科学能力作为核心卖点之一，而不仅仅是代码生成或对话能力。这一战略选择反映了公司对AI价值链的重新定位——从”生产力工具”向”知识生产引擎”的跃迁。当你的模型能推翻数学猜想时，你卖的就不再是一个聊天机器人，而是一种全新的科学研究能力。
从技术角度看，根据OpenAI官方博客的描述，GPT-5.2在数学领域的突破涉及以下几个方向的能力提升：第1，长链推理（chain-of-thought reasoning）的深度和准确性显著提高，使模型能够处理需要多步逻辑推导的数学证明；第2，与形式化验证工具（如Lean、Coq等证明助手）的结合能力增强，使模型生成的证明可以被自动化检查；第3，在数学文献上的大规模预训练，使模型积累了对数学概念和技巧的广泛”知识”。需要说明的是，截至本文写作时，OpenAI尚未发布GPT-5.2的完整技术报告或system card，上述技术描述主要基于官方博客的公开信息，具体的架构细节、训练方法和基准测试成绩仍有待更详细的技术文档披露。
但最深层的变化在于：GPT-5.2展现出了某种”数学直觉”的功能等价物。它不仅能验证已知定理，还能提出新的构造、发现新的反例、甚至猜测新的定理。这正是从”工具”到”研究者”的质变所在。
大多数人没看到的：这不是单点突破，而是系统性能力
外界容易将OpenAI推翻离散几何猜想视为一个孤立的PR事件。但如果你将它与随后发布的约700篇预印本放在一起看，图景完全不同：这不是一个模型偶然”猜对”了一个反例，而是一个系统性的数学研究能力在多个子领域同时涌现。
学术界已经注意到了这一趋势。一篇题为”The Gold Rush in AI4Math: Where Are We Now?”的综述论文系统梳理了AI在数学领域的研究现状与进展，指出AI数学研究正在经历一场”淘金热” (来源: arXiv, 2608.24961)。另一篇题为”The Generative AI Gold Rush in Theoretical and Computational Research”的论文则从更广的视角分析了生成式AI在理论和计算研究领域引发的系统性变革 (来源: arXiv, 2609.04872)。
这两篇学术综述的存在本身就说明问题：当学术界需要专门撰写综述来梳理AI在数学领域的爆发式进展时，我们面对的已经不是”AI能不能做数学”的问题，而是”AI做数学的速度和规模已经超出了传统学术体系的消化能力”。
第2章：700篇预印本风暴——数学界为何”群情激愤”
一场史无前例的学术”倾销”
2026年10月，OpenAI在网上一次性发布了约700篇数学预印本，涵盖722项数学发现 (来源: Nature, d41586-026-03196-8; New Scientist, 2592421)。Wikipedia甚至为这一事件创建了独立词条——”OpenAI bulk release of mathematical papers”（OpenAI数学论文批量发布事件）(来源: Wikipedia, “OpenAI bulk release of mathematical papers”)——这本身就说明了事件的历史性意义。
要理解数学家为何”群情激愤”，需要先理解数学学术发表的传统节奏。根据美国数学学会（AMS）的统计数据，数学领域的论文发表周期通常较长，一位活跃的数学研究者年均发表量在纯数学领域通常为1-3篇（应用数学领域可能更高，因其与工程和计算科学的交叉使得合作论文更多）。一个拥有30-50名活跃研究者的顶尖数学系，年论文产出量级大致在50-150篇之间，具体数字因院系规模和研究方向而异。而OpenAI一次性投放约700篇预印本，无论以哪个基准衡量，都相当于一个大型数学系数年的产出——而且是在数周内完成的。
这种规模的”学术倾销”对数学界的冲击是多维度的。
争议焦点1：验证瓶颈
数学论文的价值在于其证明的正确性。每一篇数学论文都需要同行评审——由该领域的专家逐行检查证明的每一步。一篇中等复杂度的数学论文，同行评审可能需要数周到数月。700篇论文意味着需要数千人次的专家评审时间。
Technology.org的一篇分析文章专门追踪了这批成果的验证状态，标题直截了当：”OpenAI’s 372 Math Results: What Has Actually Been Verified” (来源: Technology.org, 2026-10-14)。这里的”372”这一数字需要谨慎解读：根据该报道的上下文，372指的是截至报道时被纳入独立验证追踪范围的数学结果数量，而非已完成验证的数量。也就是说，在OpenAI宣布的722项发现中，仅有约一半进入了系统性的验证流程，而在这372项中，实际完成独立验证的比例仍然有限。这一区分至关重要——”被追踪”和”被验证”是两个完全不同的状态。
这创造了一个前所未有的困境：学术界面对的不再是”一篇论文是否正确”的传统问题，而是”数百篇论文如何在合理时间内被验证”的系统性瓶颈。传统的同行评审体系是为每年数千篇数学论文的全球节奏设计的，而不是为一家公司一次性投放700篇的场景设计的。
争议焦点2：AI生成的证明是否等同于”理解”
数学界对这批预印本的第2个深层焦虑在于认识论层面：AI生成的证明，即使在形式上完全正确，是否等同于人类的数学理解？
这不是一个空泛的哲学问题。数学证明的价值不仅在于证明命题为真或为假，还在于证明过程中揭示的数学结构和联系。一个好的证明能帮助数学家理解”为什么”某个命题成立，而不仅仅是”它确实成立”。如果AI生成的证明是通过暴力搜索或不透明的推理链得到的，即使结果正确，对人类数学家的启发价值也可能有限。
但这里存在一个对立视角：也有数学家认为，AI生成的反例和构造本身就具有巨大价值，即使其”推理过程”不透明。在离散几何猜想被推翻的案例中，关键不在于AI是”如何想到”这个反例的，而在于反例本身的存在改变了整个领域的研究方向。从这个角度看，AI的价值不在于模拟人类的思维过程，而在于扩展人类的发现空间。
我的判断是：两种视角都抓住了部分真相，但争论的焦点正在偏移。真正的问题不是AI证明”是否等同于理解”，而是当AI能以数百倍于人类的速度产出数学结果时，数学界的注意力和资源将如何重新分配。这是一个权力问题，而不仅仅是认识论问题。
争议焦点3：学术发表体系的结构性危机
700篇预印本的冲击波还触及了学术发表体系的根基。数学领域的顶级期刊（如Annals of Mathematics、Inventiones Mathematicae、Journal of the AMS等）每年发表的论文数量是有限的。以Annals of Mathematics为例，该刊每年通常发表约40-60篇论文。如果AI生成的论文开始大规模涌入投稿系统，现有的编辑和审稿资源将被严重挤压。
更深层的问题是：如果AI生成的论文在数量上碾压人类数学家的产出，期刊的筛选标准将如何调整？是否需要为AI生成的论文设立单独的发表通道？AI是否应该被列为论文作者？这些问题在700篇预印本发布之前还是学术会议上的假设性讨论，现在已经变成了迫切需要回答的现实问题。
Wikipedia词条”OpenAI bulk release of mathematical papers”的创建本身就是一个信号：这一事件已经被视为具有百科全书级别的历史意义，它不仅是一个科技新闻，更是学术史上的一个转折点 (来源: Wikipedia)。
第3章：AI4Math的淘金热——从工具到研究者的范式转移
淘金热的全景图
OpenAI的约700篇预印本并非孤立事件，而是一场更广泛的”AI4Math淘金热”的最高潮。学术界对这一趋势已有系统性的观察和分析。
arXiv上的综述论文”The Gold Rush in AI4Math: Where Are We Now?”系统梳理了AI在数学领域的研究现状 (来源: arXiv, 2608.24961)。这篇论文的标题使用”Gold Rush”（淘金热）一词绝非偶然——它暗示着当前AI数学研究领域存在的双重特征：一方面是真实的价值发现，另一方面是过度炒作和资源错配的风险。
另一篇综述”The Generative AI Gold Rush in Theoretical and Computational Research”则将视角扩展到整个理论和计算研究领域 (来源: arXiv, 2609.04872)。这两篇论文共同描绘了一幅图景：AI不仅在数学领域，而且在物理学、化学、生物学等多个基础科学领域，正在从”辅助工具”向”研究主体”转变。
已被突破的领域与仍然存在的禁区
基于目前的公开信息，AI在数学领域的突破主要集中在以下几个方向：
已展现强大能力的领域：
- 离散数学与组合学：OpenAI推翻离散几何猜想就是最典型的案例。这类问题通常涉及在有限结构中寻找满足特定条件的构造或反例，AI的大规模搜索和模式识别能力在这里有天然优势。
- 数论中的计算密集型问题：AI能够处理需要大量计算验证的数论猜想，如检验特定数值范围内的素数分布模式。
- 形式化证明的自动化：AI与Lean、Coq等证明助手的结合，使得将自然语言证明转化为机器可验证的形式化证明变得更加高效。Lean数学库Mathlib目前已包含超过18万条形式化定理，为AI训练提供了高质量的数据基础。
仍然具有挑战性的领域：
- 需要深度概念创新的问题：如千禧年数学难题中的Riemann假设、P vs NP问题等，这些问题可能需要全新的数学框架，而非对已有框架的搜索和组合。
- 高度抽象的代数几何和拓扑学：这些领域的核心进展往往依赖于概念性的突破而非计算性的验证。
- 跨领域的深层联系：如Langlands纲领所涉及的数论与几何之间的深层对应关系，目前AI尚未展现出在这一层面的突破能力。
范式转移的深层逻辑
为什么AI能在数学领域实现从”工具”到”研究者”的转变？这背后有3个相互强化的技术趋势：
第1，规模化推理能力的涌现。 GPT-5.2等模型在足够大的参数规模和训练数据下，展现出了超越简单模式匹配的推理能力。这种能力在数学领域表现为：模型不仅能”记住”已知定理，还能将不同定理组合成新的推理链，甚至发现人类数学家未曾注意到的联系。
第2，形式化数学的基础设施成熟。 过去10年，数学形式化社区（如Lean数学库Mathlib）的持续建设，为AI提供了高质量的训练数据和验证工具。AI生成的证明可以被自动化工具检查，这大大降低了验证成本，也为AI的”试错-改进”循环提供了即时反馈。
第3，计算资源的指数级增长。 数学研究中的许多问题本质上是在巨大的搜索空间中寻找特定结构。现代AI模型结合大规模计算集群，能够探索人类数学家穷尽一生也无法遍历的搜索空间。根据Epoch AI的追踪数据，前沿AI模型的训练计算量在过去6年中增长了约1000倍，这种计算规模的扩张直接支撑了AI在数学搜索问题上的突破。
这3个趋势的交汇，创造了一个”完美风暴”：AI不仅有了做数学的”智力”，还有了验证结果的”基础设施”和探索空间的”体力”。这就是为什么AI4Math不是一个渐进式的进步，而是一个范式转移。
大多数人没看到的：AI正在改变数学研究的”生产函数”
经济学中有一个概念叫”生产函数”——描述投入（劳动、资本）与产出之间的关系。在传统数学研究中，生产函数大致是：一位训练有素的数学家 × 数年时间 = 0-3篇论文。这个函数的瓶颈在于人类认知的带宽——一个人能同时持有和操作的数学概念数量是有限的。
AI正在根本性地改变这个生产函数。新的函数变成了：一个训练好的模型 × 计算资源 × 数周时间 = 数百篇结果。瓶颈不再是认知带宽，而是计算资源和验证能力。
这意味着数学研究的”边际成本”正在急剧下降。一旦模型训练完成，多产出一篇论文的边际成本几乎为零（只需要额外的计算时间）。这与传统学术研究中每篇论文都需要大量人力投入的模式形成了根本性对比。
当一种活动的边际成本趋近于零时，其产出将呈指数级增长——这正是我们在约700篇预印本中看到的现象。问题是：数学界的”消费端”（即理解、验证和应用这些结果的能力）并没有同步扩展。这种生产与消费之间的失衡，是当前争议的根本原因。
第4章：商业野心与科学使命的交汇——OpenAI的战略转型
营收压力与科学叙事的崛起
理解OpenAI为何在此时大举进军科学研究，不能脱离其商业背景。2026年10月，TechCrunch报道OpenAI的营收据报比此前预期低200亿美元 (来源: TechCrunch, 2026-10-08)。需要说明的是，TechCrunch原文标题为”OpenAI’s revenue is reportedly $20 billion less than previously projected”，其中”projected”指的是此前对OpenAI未来营收的预测值（可能涵盖多年累计预测），而非单一财年的实际营收差距。即便如此，200亿美元的预期下调对于任何公司来说都意味着严重的商业模式压力——作为参照，OpenAI在2025年的年化营收据报约为40亿美元（来源: The Information, 2025年报道），200亿美元的预期差距意味着市场对其中长期增长轨迹的信心出现了显著动摇。
与此同时，OpenAI高调宣布了”推进国家科学的下一个时代”（Advancing the next era of national science）的战略方向 (来源: OpenAI官方博客, “Advancing the next era of national science”)。这一宣言的时间节点耐人寻味：在商业变现面临压力的同时，OpenAI选择将自己重新定位为一个科学研究机构，而不仅仅是一个AI产品公司。
这两件事之间的关联，是理解OpenAI战略转型的关键。
科学叙事的多重战略价值
从纯商业角度分析，OpenAI转向科学研究至少有4重战略价值：
第1，差异化竞争。 在AI聊天机器人和代码助手市场，OpenAI面临来自Google Gemini、Anthropic Claude、Meta Llama等的激烈竞争。但在”AI做科学”这个赛道上，OpenAI通过约700篇数学预印本和推翻猜想的壮举，建立了远超竞争对手的品牌认知。Google DeepMind虽然在2024年凭借AlphaProof在国际数学奥林匹克竞赛中取得了银牌级别的成绩，但其产出规模远不及OpenAI此次的批量发布。
第2，政府关系与政策影响力。 “推进国家科学的下一个时代”这一表述明确指向了与美国联邦政府的合作关系。在全球AI监管趋严的背景下，将自己定位为”国家科学基础设施”而非”商业AI公司”，能够为OpenAI争取更有利的政策环境和政府合同。
第3，人才吸引力。 顶尖的数学家和科学家可能对”做更好的聊天机器人”兴趣有限，但”用AI推动科学前沿”的叙事具有强大的吸引力。约700篇数学预印本是OpenAI向全球学术界发出的一张招聘广告——证明在这里，你可以做到在传统学术机构做不到的事情。
第4，长期估值支撑。 当短期营收不及预期时，”AI将革命性地加速科学发现”的长期叙事可以支撑投资者对公司长期价值的信心。这是一种经典的科技公司策略：用愿景的宏大来对冲当下的财务压力。
对立视角：科学理想主义还是商业叙事？
对于OpenAI的科学转型，存在两种截然对立的解读：
乐观解读认为，OpenAI正在做一件真正有价值的事情。人类科学研究的速度受限于研究者数量和认知带宽，AI能够打破这一瓶颈，加速从基础数学到药物发现的整个科学研究链条。OpenAI的科学投入不是PR策略，而是对AI最高价值的真诚追求——这也是公司使命（”确保通用人工智能造福全人类”）的直接体现。
悲观解读则认为，OpenAI在商业变现受阻时转向科学叙事，本质上是一种”叙事套利”。约700篇未经充分验证的预印本更像是一场精心策划的营销活动，而非严肃的科学贡献。如果这些论文中有大量错误或平庸结果，不仅不会推动科学进步，反而会浪费学术界有限的评审资源，甚至污染学术文献。
第3种视角——也是大多数人忽略的——是制度性视角：无论OpenAI的动机是什么，AI做科学的能力是真实的，而且不可逆。即使OpenAI明天关门，AI辅助和驱动科学研究的趋势也不会停止。真正需要关注的不是OpenAI的动机，而是这种新能力将如何被制度化、规范化和治理。动机之争是短期的，制度建设才是长期的。
一个新物种：科研-商业混合体——以及Bell Labs的教训
OpenAI的转型揭示了一种全新的组织形态：既不是传统的学术研究机构（如MIT、Princeton的数学系），也不是传统的科技公司（如Google、Microsoft），而是一种”科研-商业混合体”。
这种混合体具有以下特征：
- 资源：拥有远超任何大学的计算资源和工程能力
- 激励：同时受商业利润和科学声誉的双重驱动
- 产出：同时生产商业产品和科学发现
- 治理：既不受学术同行评审的传统约束，也不完全受市场竞争的纪律约束
历史上最接近的类比是20世纪中期的Bell Labs（贝尔实验室）。Bell Labs在AT&T的电信垄断利润之上，产出了晶体管（1947年）、信息论（Claude Shannon, 1948年）、UNIX操作系统（1969年）等改变世界的发明，其研究人员获得了9项诺贝尔奖。但这个类比有两个关键的局限性需要正视：
第1，Bell Labs的衰落警示。 Bell Labs的黄金时代建立在AT&T的电信垄断利润之上。1984年AT&T被反垄断拆分后，Bell Labs的研究预算和自由度急剧下降，最终在2016年被诺基亚收购后进一步缩减。这一历史教训对OpenAI的启示是：如果科学研究的资金来源是商业利润，那么当商业模式承压时（如200亿美元的营收预期下调），科学投入可能是第一个被削减的项目。Bell Labs的研究者享有极大的学术自由，但这种自由最终被证明依赖于垄断利润的持续输血。OpenAI是否面临类似的结构性风险？
第2，规模差异。 Bell Labs的研究者是人类科学家，其产出速度受人类认知的约束。即使在最鼎盛时期，Bell Labs每年的论文产出也不过数百篇。OpenAI的不同之处在于，其”研究者”是AI模型，产出速度不受人类认知的限制——这使得其对学术界的冲击远超Bell Labs时代。Bell Labs从未让学术界感到”被倾销”，但OpenAI做到了。
第5章：权力的重新分配——谁有权做科学？
科学研究的民主化还是垄断化？
约700篇预印本事件引发的最深层问题是关于科学研究权力的分配。
传统上，前沿数学研究的权力集中在少数精英大学和研究机构中——Princeton的高等研究院（IAS）、法国的IHÉS、英国的剑桥大学等。这些机构通过数十年的人才积累和学术声誉，垄断了数学研究的最前沿。进入这个圈子的门槛极高：你需要在顶尖大学获得博士学位，经过多年博士后训练，最终在激烈竞争中获得终身教职。
AI的介入正在从两个方向同时改变这一格局：
一方面，AI可能实现科学研究的”民主化”。 如果AI工具能够帮助任何人（包括非专业数学家）提出和验证数学猜想，那么数学研究的准入门槛将大幅降低。一位在发展中国家的自学数学爱好者，可能借助AI工具做出与Princeton教授同等水平的发现。
另一方面，AI可能加剧科学研究的”垄断化”。 训练和运行GPT-5.2级别的模型需要巨额投资——根据业界估算，前沿大模型的单次训练成本已从2023年的数千万美元级别攀升至2025-2026年的数亿美元级别，而包含研发人员薪酬、数据采集、基础设施建设在内的全周期投入则可能达到数十亿美元量级（来源: Epoch AI训练成本追踪数据; Stanford HAI AI Index Report 2025）。只有少数几家公司——OpenAI、Google DeepMind、Anthropic等——有能力开发和部署这种级别的AI研究系统。如果前沿科学发现越来越依赖于这些公司的模型，那么科学研究的权力将从大学转移到科技公司。
我的判断是：短期内，垄断化的趋势将占主导。约700篇预印本的发布已经证明，拥有最强AI模型的公司在科学产出上具有压倒性优势。除非开源AI模型（如Meta的Llama系列）在科学推理能力上迅速追赶，否则前沿科学研究将越来越集中在少数AI巨头手中。但长期来看，开源社区和学术界的反弹力量不可低估——正如Linux最终在服务器市场挑战了Windows的垄断。
验证危机：谁来审查AI的工作？
Technology.org的追踪报道揭示了一个严峻的现实：在OpenAI发布的722项数学结果中，截至2026年10月14日仅有372项被纳入独立验证追踪范围 (来源: Technology.org, 2026-10-14)。这不仅是一个数量问题，更是一个制度性问题。
传统的同行评审系统依赖于一个隐含假设：论文的产出速度与评审能力大致匹配。但当AI一次性产出约700篇论文时，这个假设崩溃了。
更深层的问题是：谁有资格评审AI的数学工作？如果AI在某个子领域的”知识”已经超过了大多数人类专家，那么由人类来评审AI的工作是否仍然有意义？这听起来像科幻，但在离散几何猜想被推翻的案例中，这已经不完全是假设——AI找到了人类数学家未能找到的反例。
一种可能的解决方案是”AI评审AI”——用形式化验证工具自动检查AI生成的证明。但这只能验证证明的形式正确性，无法评估其数学重要性和创新性。而后者恰恰是学术发表中最核心的判断标准。这意味着即使在AI时代，人类数学家的”品味”和”判断力”仍然不可替代——但他们的角色将从”生产者”转向”策展人”。
信任的重构
科学的运作依赖于信任。科学家信任同行评审过的论文，公众信任科学家的共识。AI的介入正在动摇这个信任链条的每一个环节。
当一篇论文的”作者”是一个AI模型时，传统的学术信任机制（如作者声誉、机构背书、期刊品牌）是否仍然适用？如果OpenAI声称其模型推翻了一个猜想，数学界应该以什么标准来评估这一声称？是像对待一位知名数学家的声称一样给予初步信任，还是像对待一位未知来源的声称一样保持高度怀疑？
这个问题没有简单答案。但有一点是明确的：科学界需要为AI时代建立新的信任机制——可能包括强制性的形式化验证、AI生成内容的标准化标注、以及新的期刊评审流程——而不能简单地将旧机制套用在新现实上。
第6章：未来推演——3种可能的场景
基于以上分析，我提出3种可能的未来场景。需要说明的是，以下概率判断是基于作者对当前技术趋势、制度惯性和历史类比的综合评估，属于定性判断而非定量模型的输出，读者应将其视为一种分析框架而非精确预测：
场景1：融合（最可能的场景）
AI成为数学研究的标准工具，就像计算机在20世纪后半叶成为科学研究的标准工具一样。数学家与AI协作，AI负责探索搜索空间和生成候选证明，人类负责提出问题、评估重要性和提供直觉指导。学术发表体系逐步适应，建立针对AI辅助研究的新评审标准和发表规范。OpenAI等公司成为科学研究生态中的重要参与者，但不取代大学和研究机构。这一场景之所以最可能，是因为它符合技术采纳的历史规律——从计算器到计算机到互联网，新工具最终都被整合进了既有的科学实践中，而非取代它。
场景2：分裂（较可能的场景）
数学界分裂为两个阵营：”传统数学”和”AI数学”。前者坚持人类独立完成的研究，后者拥抱AI驱动的大规模发现。两个阵营有各自的期刊、会议和评价标准，彼此之间的交流逐渐减少。这类似于20世纪理论物理学与实验物理学之间的分化，但更为极端。这一场景的驱动力在于数学界内部对”什么算真正的数学”这一根本问题的深刻分歧。
场景3：颠覆（可能性较低但影响最深远的场景）
AI的数学能力在未来2-3年内继续指数级提升，达到在几乎所有数学子领域都超越人类顶尖水平的程度。数学研究从”人类活动”变为”AI活动”，人类数学家的角色从”研究者”转变为”策展人”和”解释者”。这将是科学史上最深刻的范式转移之一，其影响远超数学领域本身。这一场景之所以可能性较低，是因为数学中最深刻的问题（如千禧年难题）可能需要概念性突破而非计算性搜索，而AI在概念创新方面的能力尚未得到充分证明。
结语：科学的边界正在被重新画定
让我们回到文章开头的场景：OpenAI一次性发布约700篇数学预印本、涵盖722项数学发现，其模型推翻了离散几何领域的一个核心猜想。这不仅仅是一条科技新闻——它是一个信号，标志着科学研究的权力格局正在发生根本性的重组。
过去500年，科学研究的主体一直是人类——从伽利略到牛顿，从高斯到陶哲轩。机构（大学、研究所）提供支持，工具（望远镜、计算机）提供辅助，但发现的主体始终是人。OpenAI的约700篇预印本第一次以不可忽视的规模挑战了这一假设：也许，发现的主体可以不是人。
这对不同的读者意味着不同的事情：
对数学家和科学家来说，这意味着需要重新定义自己的角色。不是”AI会取代数学家”这么简单——而是数学家需要学会与AI协作，将自己的比较优势（直觉、品味、问题选择）与AI的比较优势（速度、规模、搜索能力）结合起来。拒绝适应的人将被边缘化，但积极适应的人可能会进入一个前所未有的科学发现黄金时代。
对科技行业来说，OpenAI的转型揭示了一条新的价值创造路径：AI公司不仅可以卖工具，还可以直接产出知识。这将模糊科技公司与研究机构之间的界限，创造出新的商业模式和竞争格局。在OpenAI面临200亿美元营收预期下调的背景下 (来源: TechCrunch, 2026-10-08)，”AI做科学”是否能转化为可持续的商业价值，将是对这一模式的终极检验。Bell Labs的兴衰史提醒我们：依赖商业利润支撑的科学研究，其命运最终取决于商业模式本身的可持续性。
对政策制定者来说，这意味着科学政策需要根本性的更新。传统的科研资助体系（如美国的NSF、欧洲的ERC）是为人类研究者设计的。当AI成为科学研究的主体之一时，如何资助、评估和治理AI驱动的研究，将成为一个紧迫的政策问题。OpenAI宣布”推进国家科学的下一个时代” (来源: OpenAI官方博客)，这不仅是一个公司战略，更是一个需要全社会回应的命题。
对所有人来说，最根本的问题是：当机器能够做出人类做不到的数学发现时，”知识”和”理解”的意义是否会改变？如果一个AI能证明一个定理但没有人能理解这个证明，这个定理是否仍然是”人类知识”的一部分？
这些问题没有现成的答案。但有一点是确定的：2026年秋天的约700篇预印本不是终点，而是起点。未来的科学史，需要为AI留出一个独立的章节——而这个章节的第1页，正在我们眼前被书写。
参考资料
- OpenAI posts 700 maths preprints online: mathematicians are up in arms — Nature, 2026-10
- An OpenAI model has disproved a central conjecture in discrete geometry — OpenAI官方博客, 2026
- Advancing science and math with GPT-5.2 — OpenAI官方博客, 2026
- OpenAI announces 722 mathematical discoveries in one go — New Scientist, 2026
- OpenAI’s revenue is reportedly $20 billion less than previously projected — TechCrunch, 2026-10-08
- OpenAI’s 372 Math Results: What Has Actually Been Verified — Technology.org, 2026-10-14
- Advancing the next era of national science — OpenAI官方博客, 2026
- The Gold Rush in AI4Math: Where Are We Now? — arXiv, 2026
- The Generative AI Gold Rush in Theoretical and Computational Research — arXiv, 2026
- OpenAI bulk release of mathematical papers — Wikipedia, 2026
- Epoch AI, Training Compute of Frontier AI Models — 来源: Epoch AI, 2026（训练成本与计算量追踪数据）
- Stanford HAI, AI Index Report 2025 — 来源: Stanford University Human-Centered AI Institute, 2025
主题分类：C