AI(4Math)杂谈
本文根据已有想法和讨论, 由AI协助整理加以手动修订, 不完全代表本人观点
1. 规范与发展节奏
AI4Math 可以在一定程度上被规范，但有效工具广泛可得时，很难让所有参与者共同踩刹车。使用工具能够带来直接收益，主动放慢则意味着承担机会成本，不同参与者也未必认可同一种发展目标。发表、披露、核查和贡献评价仍然可以提出要求，这些要求也可能改变研究行为。规范能够影响成果怎样被接纳，却未必足以统一控制全部数学活动的速度。
2. 正确性与共同体判断
正确性应当成为数学工作的底线，有趣、重要或作者声望都不能替代证明。旧数学体系也存在错误、隐性补洞和未公开的修正，不能被想象为完全可靠；长期阅读、讨论和质量判断又确实构成了它的重要部分。AI 可以帮助复查，也可能反复接受同一个遗漏的假设。多轮检查提供多少信心，需要看实际检查了什么。正确之后的价值判断仍然多元，不同领域对有趣、深刻和重要的理解未必一致。
3. 成果生产与集体吸收
可以设想，AI 已经能够产生正确、清楚、容易阅读的证明，新增内容仍然超过全体人类的吸收速度。选择性阅读能够分配注意力，却未必消除整体积压。这个设想需要区分命题数量与实质的新内容：大量结果可能只是同一个方法的实例，去重、一般化和理论整理能够降低理解负担，AI 也可能参与这些工作。生产与吸收是否长期失衡，取决于两边怎样增长，不能只从论文数量推出结论。
4. 机器核查与人的理解
若希望及时使用大量新增结果，一部分检索、核查和关系辨认可能逐渐交给机器。形式证明能够提供独立检查的依据，但形式陈述是否忠实表达原问题、证明使用了哪些定义和假设，仍需要确认。Lean 的证明验证说明也区分证明有效性与陈述含义。结果可能先被保存和调用，随后才得到更充分的理解。能够可靠使用、能够解释思路、能够融入理论，是不同程度的掌握，不必同步发生。
5. 动态知识及实现阻碍
数学知识可以拥有持续更新的记录：出处、条件、证明版本、批注和修正能够被查询，命题之间的包含、等价和依赖关系也逐渐建立起来。固定论文保留历史，当前认识继续变化。“知识是活的，文章是死的”表达了这一愿景。实现需要大量数学和组织工作：不同定义下的关系未必容易辨认，维护需要经费和责任分配，公开纠错也可能触及声誉和关系。AI 可以降低部分成本，但技术改善不会自动带来持续参与和合理激励。
6. 贡献、统一性与圈子调性
共同知识需要错误得到修正、条件得到澄清、重复结果得到辨认；个人发展往往围绕发表、优先权和可持续的研究方向展开。整理旧理论可能耗时很多，却难以计入成果；公开指出问题可能损害关系；建立领域之间的联系，也可能改变既有贡献的分配。统一的知识记录有助于交流，但具体的统一方式可能与不同理论视角、表达习惯和圈子调性发生摩擦。新的贡献记录能够改善辨认，也仍可能受到资源和声望的影响。
7. 领域发展的不平衡
AI 能力的增长未必均匀地转化为各领域的进步。问题表达、文献质量、工具积累、核查难度和所需背景，都可能影响某个方向能够获益多少。工具适配较好的方向可能更容易吸引投入，形成进一步发展的条件；其他方向仍可能沿用较慢的工作方式。研究速度的差异不直接等于数学价值的差异，但如果评价过度依赖产量和可展示的突破，不平衡就可能扩展到经费、人才流动和重要问题的判断。
8. 商业关注与研究方向
数学成果能够展示 AI 的推理能力，长期支持纯数学是否符合商业目标则未必确定。公司可能在某个阶段重视数学突破，随后转向其他用途。通用模型因其他需求继续进步，也可能给数学带来收益，但数学特有的工具和基础设施未必得到同样投入。模型的强弱、价格和开放方式，可能间接影响选题，使容易被现有系统推进或容易展示效果的问题获得更多关注。
9. 供应与知识依赖
如果研究已经依赖某种难以替代的 AI 能力，供应收缩、涨价或额度变化就可能使工作放缓。共同体难以主动统一减速，却可能被经营状况迫使减速。论文可以公开，快速检索、解释和组织它们的能力仍可能依靠付费服务；动态知识系统的维护也可能受到影响。依赖有多深，取决于替代工具是否存在，以及成果、证明和知识记录能否独立保存和迁移。已有知识的积累，与继续生产和使用知识的能力，需要分别考虑。
10. 数学专用 AI 与替代成本
更便宜、更适合数学的系统不能被当作当然存在的退路。围绕现有模型建立工具、调整已有模型，以及训练能够承担前沿研究的新模型，所需资源和取得的能力并不相同。训练费用能够承担，也不意味着长期使用和维护容易承担。发现结果、核查证明和检索知识可能需要不同水平的系统，替代能力也可能只覆盖其中一部分。纯数学能否独立维持所需工具，仍取决于经费、数据、人才和基础设施。
11. AI 整体发展与经济条件
AI4Math 的未来不能脱离 AI 整体发展和世界经济。RSI 是否、何时发生，以及实际能够推动多少改进，可能改变模型和专用系统的发展成本；经济变化会影响公司供应、机构预算和个人获取能力。技术能力提高，实际可用资源也未必同步增加。关于数学发展速度、供应依赖和替代路径的推论，都需要保留这些外部条件，不能把数学当作能够自行决定节奏的封闭领域。
12. 不同工作方式的并存
在较长阶段内，独立工作、少量使用 AI 辅助和高度依赖 AI 的研究方式可能共同存在。不同方式可以有不同目标，也会在同一个知识体系中相遇。独立探索可能带来新结果，也可能与机器先得到的结果重合；工具选择影响速度，却不直接决定证明质量或理解深度。成果认可、数学教育和个人工作方式，也未必需要完全相同的评价标准。并存能够持续多久、各自得到多少支持，仍会受到外部环境影响。
13. 社会支持与人才培养
当代纯数学职业共同体获得社会支持的理由，未必与每篇前沿论文的即时用途紧密对应。能够被直接感知的价值，可能有相当一部分来自人才培养、宣传、文化和精神象征，也包括对未来应用的预期。接受研究训练的人进入其他行业，训练过程本身就可能产生回报；数学资助中的人才目标也包含其他职业。NSF 数学科学人才项目 AI 可能增强这种训练的作用，也可能促使社会比较其他培养路径。数学知识的广泛用途、具体研究增量的用途和整个职业体系的社会回报，并不存在简单的一一对应。
14. 外部评价与精神价值的变化
数学家可能重视方法、深度和理论位置，公众与政府也可能关注可展示的突破、产业能力、人才培养和投入产出，各自内部仍有不同意见。同一项 AI4Math 成果，可以被看作重要数学，也可以被看作模型能力的展示或降低研究成本的证据。如果数学受到的敬意部分来自个人天才、长期探索和人类心智克服困难，这部分精神象征就可能随生产方式改变而缩减。新的传播方式也可能增加关注，但对成果的惊叹未必继续转化为对数学家及其职业共同体的支持。
15. 繁荣的期望与可能的落差
基于 AI 的数学繁荣，可以包含更多问题得到推进、更可靠的证明、更方便的知识入口和更丰富的理论联系。结果增加、人类理解加深、知识容易使用、共同体健康发展，可能相互促进，也可能暂时脱节。数学内容更加丰富，不必然伴随稳定供应、公平评价和更多职业机会；少数领域迅速发展，也不保证其他领域获得合适的支持。对繁荣的期望可以保持明确，实现它所依赖的条件和可能出现的落差，也需要持续讨论。
