陶哲轩博客的客座文：AI 出思想的时代，人类数学家要扩编

每个数学系都有几个这样的学生：能看懂新概念，只是要花比顶尖同学多一倍的时间。他们中大多数人最终放弃了研究数学，去干了别的。UCLA 密码学家 Amit Sahai 记得自己当本科生时和这样的同学聊过天。过去几天，他一直在想他们。

9 月 24 日，Sahai 在陶哲轩的博客 What's new 上发了一篇客座文，标题叫"We're gonna need a lot more mathematicians"。HN 的讨论帖攒到三百多分。陶哲轩在文首加了一行说明：这是客座文章，初稿由另一种文件格式用 AI 转换而来。

文章的论点不复杂，但每一步都踩在数学共同体最敏感的地方。

谦卑的时刻

Sahai 说他在工作中合作的 AI 系统已经在产出漂亮的新思想，远不止算得快，也不止复现强的人类研究者本来就能懂的论证。他写道，我们可能根本想象不出未来的系统能产出什么。

接下来是全文的核心句：整个共同体正在进入一个需要谦卑的时代，所有数学家都将知道跟不上是什么滋味。当这种感觉来临时，会不会有人像当年的同学一样离开？离开的理由几乎是现成的——机器快这么多，也许我们该换个工作。

他的判断是，共同体如果放弃理解的工作，那是对人类责任的深刻背弃。注意他划的界线：每个个体有权选择不同的生活，这份责任属于集体。

一座太瓦级聚变电厂

为什么社会要在乎数学家够不够？Sahai 没有停留在"理解本身很美"这个层面，他造了一个思想实验。

想象一个未来的 AI 系统提出一种全新的十亿千瓦级核聚变电厂设计。它维持和控制聚变的方式没有任何人类设想过。设计承诺廉价、充足、清洁的电力，机器人随时可以开工建造。十亿千瓦是极其庞大的功率流，我们要批准的是一台用从未被实践过的原理运转的机器：失效怎么控制，关机时系统里储存的能量流向哪里，构成电厂的材料会不会按预期表现。设计越新奇，就越无法从几十年的同类电厂运行经验里继承信心。

Sahai 说，批准之前，他希望有人类群体理解这个设计为什么成立、安全信心建立在什么之上。人参与不等于人替 AI 重算一遍，他明确反对那种要求。他要的是另一件事：定理只存在于模型之内，理解保证就意味着理解模型、理解支持模型的实验证据、理解模型本身的不确定性。这是重活，需要数学功底过硬的人随叫随到。

有人会说，这些问题也可以让 AI 自己回答、自己拍板。Sahai 承认这是一个严肃的立场，代价也写得明白：那等于接受一个未来，影响巨大的决定建立在没有任何人类群体理解的理由之上。他还留了个脚注，相关的理解不能只属于提出技术的公司。想象一场听证会，全场只有公司自己的专家听得懂技术论证。

可部署智力储备

文章给了这个设想一个名字：deployable intellectual reserve，可部署智力储备。一群群数学功底扎实的人，人类在需要时可以召唤他们去理解重大的 AI 突破。Sahai 说，理解陌生思想的能力，可能会成为数学家对社会最重要的贡献，哪怕问题远在他们的常规研究兴趣之外。

他预判了反驳：AI 会让每个人效率倍增，所以更少的人就够用。回应很直接——每个人都只是人类，受制于生物层面。理解的深度需要时间，需要人类能维持的生活节奏。单个的人只能承担这么多，认真的合作才能走得更远。

结尾只有一句，也是标题：我们需要多得多的数学家。

一场持续一个月的辩论

这篇客座文不是凭空出现的。翻陶哲轩博客的存档，仅 2026 年 9 月就发了 35 篇，其中有一长串同题作品：AI 在数学中的严重错位、为什么我们还需要人类数学家、ICIAM 关于数学与 AI 的声明、AI 时代博士数学教育峰会的建议、宣布成立数学与人工智能顾问组。九月中，二十多位菲尔兹奖得主的联名信也在这场讨论里。Sahai 的客座文是这条时间线上最新的一环，也可能是最锋利的一环，因为它把讨论从"AI 能不能做数学"扭到了"人类还打不打算理解"。

文末的披露值得单独一看：这篇文章由 GPT 6 Astra 协助起草。致谢名单里有陶哲轩，也有他的家人 Anant Sahai 和 Gireeja Ranade。一篇讲"人类必须保住理解"的文章由 AI 协助写成，这个事实本身就是文章论点的注脚——用 AI 帮助理解 AI，正是他建议的群体理解工作法。

HN 评论区的主战场不在哲学，在就业。高赞帖子里，青年研究者问的是这个愿景对五年后的求职意味着什么，终身教职的通道会不会更窄。也有人认为他要的不是数学家而是工程师。Sahai 真名出现在评论区，没有回避年轻人的处境，他说自己正在共同组织一个 Simons 基金会支持的项目，报告很快会给出具体的行动项。同一回帖里还有一句可以当文章副标题的话：人类正站在岔路口，要么把理解的努力一点点让渡给机器，要么把机器的思考当作一份大礼，用来加深自己的理解。

离答案还早。但这篇文章把一个此前散落在实验室走廊里的问题钉在了墙上：当机器产出思想的速度超过所有人类消化的速度，理解这件事，是留给机器的，还是留给我们的。