AI 越来越会做数学,准备在这个领域投入几年的人,该怎么办?3Blue1Brown 的 Grant Sanderson 在这段视频里,回应了一位数学博士生的焦虑:请直接告诉我,明天该做什么。
他的答案比标题更具体:他判断,数学界正处在重新思考什么贡献值得认可的时期,新人也有机会参与改变它。 这个判断出现在视频后段,读到这里,我才理解他为什么把标题写成“现在可能是学数学最好的时候”。
这是一篇精简观看笔记,依据 40 分 44 秒的原视频及英文字幕整理。文中的未来情形是 Grant 用来推演的假设,不能当作当前 AI 已具备的能力清单。
数学的工作、价值和收入,需要分开看
在 3:10 开始的部分,Grant 先拆开三个问题:数学家平时做什么,数学给人带来什么,以及谁愿意为它付钱。
数学研究包含证明命题、提出值得研究的问题、建立理论、寻找应用,以及向别人解释这些工作。这里的“建立理论”,是为一批问题引入可共用的概念和推理方法。例如坐标系把点的位置写成数,把曲线关系写成方程,让人可以用代数研究几何。它改变了处理一整类问题的方法。
这些工作带来的价值,他归成三类:
| 价值 | 谁获得它 | 与经费的关系 |
|---|---|---|
| 服务科学与工程的应用 | 社会与产业 | 是公共、私人和产业资助的重要理由 |
| 训练抽象与解决问题的能力 | 亲自学习的人,以及他们未来服务的领域 | 通过教学产生,也构成人才培养的社会收益 |
| 理解数学时的满足与美感 | 学习者、研究者和公众 | 支撑课程、科普及部分文化性支持 |
Grant 强调,数学系也为大量其他专业的学生教学,因此讨论数学的职业前景,不能只盯着研究论文。他认为教学是数学经费的重要支柱;视频没有给出跨国家、跨院校的统计比例,这里保留为他的分析框架。
例如,生成证明的成本下降,可能提高研究效率,却不意味着学生通过练习获得的能力也失去了价值。
证明变便宜以后,理解要单独被看见
从 11:24 起,他先假设机器已经比人更擅长生成证明,再问数学会怎样变化。
他的核心判断是:过去,证明一个定理既是成果,也常被用来判断一个人是否理解了相关数学。当机器能大量生成证明时,提交一份证明,对人类理解程度的说明力就会下降。
因此,研究需要更明确地展示:这些证明用了什么想法,它们之间有什么联系,能否组织成更简单的理论,又能启发哪些新问题。Grant 提议把机器生成的证明看成帮助建立理论的材料,类似计算结果。
这也是他认为学术评价必须改变的地方。证明仍须正确,借用的人类成果仍须得到引用;同时,把结果讲清楚、组织出新的理解,应当获得与其价值相称的认可。视频在 20:44 特别提醒:机器生成的证明可能使用已有论文中的想法,却没有自动给出应有引用。研究者需要额外查明这些想法的出处。
他也承认,有人热爱的是亲手找到证明。被模型抢先解出问题,确实可能让人失去动力。提高效率无法直接消除这种失落。
如果 AI 连问题和理论都能提出,还剩下什么
视频接着把假设逐步推远:
- 25:12:假如 AI 更会提出猜想,也就是提出尚未证明、但值得研究的命题,人可以借此更快地组织理论。
- 26:59:假如 AI 连理论也更会建立,人仍可能通过理解这些理论,把它们连接到其他学科的具体问题。
- 31:31:假如连寻找和实现应用都由 AI 做得更好,那么为了应用成果而投入的研究经费,确实可能更适合流向计算系统。
Grant 没有承诺每一种现有研究岗位和资助方式都会延续。他对人的数学活动仍然乐观,主要依靠另两种价值——学习带来的能力与快乐。
能力训练的比喻是健身。机器举得比人重,人亲自举重仍能获得训练。同样,只要社会仍需要人的判断与解决问题能力,自己推理、卡住、调整思路的过程就有价值。把练习全部交给机器,也会把训练自己的过程一起交出去。
快乐则需要再分开:理解一道题的满足,与成为第一个发现答案的人的满足,并不相同。前一种可以在已有答案的世界里发生;后一种可能受到机器进步的真实冲击。这是他乐观论证里保留的一处损失。
教学还需要让人愿意投入,评价也要看见过程
在 34:12 附近,Grant 把教学的限制放在学习动机上。解释再清楚,也需要学生愿意花时间理解;看到自己尊重的人对一个问题充满热情,往往是这种意愿的来源。
这是他看好人与人教学关系的理由,也是一个关于未来的判断,尚不足以保证所有教师岗位都不受影响。
另一方面,既然 AI 可以生成作业答案,单凭交上来的解答,就越来越难判断学生是否获得了训练。他在结尾建议多做口头报告:解释自己的理解,回应别人的追问,把讲述变成日常数学实践的一部分。
“最好的时候”,指的是有机会改变评价标准
37:13 之后,Grant 才完整解释标题。按他的观察,数学界对改变旧有做法的讨论更加开放,正在寻找新的方向;此时进入的人,有机会影响数学接下来认可什么、奖励什么。
他举的是自己的例子:以可视化为核心,把数学解释给更多人听。他设想,如果自己今天还是博士生,会尝试把这样的工作作为得到认可的博士论文。他也承认,今天未必就能做到,但认为人们比过去更愿意讨论这种可能。
给学生的建议也没有统一到“必须使用 AI”上。他鼓励喜欢建立理论的人探索新工具,也承认有人想维护人亲自做数学的实践。重点是弄清自己喜欢哪一种活动,以及希望它给别人带来什么。
他最后给出的明日行动很朴素:找一位同学或朋友去散步,互相讲清楚为什么喜欢数学、当初为什么进入这个领域,以及接下来几年想贡献什么;平时则多做报告,练习让别人理解并关心自己的问题。
对学习者,更实用的是检查自己能解释到哪一步
我最想留下的是那个区分:得到答案,与自己获得理解,是两件可以分开发生的事。AI 让前者更容易之后,后者需要更主动地确认。
读完一段 AI 解释,可以给自己设一个五分钟的练习:关掉答案,向别人讲一个具体例子;说清它为什么成立,再说明条件变化后哪一步可能失效。讲不下去的地方,就是下一次该补的内容。
这是我从视频引出的学习做法;Grant 的原建议更强调与同伴交流、练习报告,以及主动参与这个领域的变化。
参考来源
- 3Blue1Brown / Grant Sanderson:There’s never been a better time to go into math,2026 年 10 月发布。正文链接对应视频章节或相关论述的起点。