我们应该告诉学生什么？
内容提要
数学家洛萨诺-罗夫莱多回应学生担忧，认为AI不会终结数学学术。大模型仅在现有知识范围内连接已知想法，缺乏真正的新概念，且受成本与资源限制。数学研究、教学和传播仍需大量人才，热爱数学者不应放弃读博。
延伸解读
AI公司叙事与数学界的真实图景
文章指出，AI公司为IPO等商业利益，倾向于夸大模型能力，投入巨资解决著名问题并高调宣传，却避谈失败尝试的巨额成本。读者需警惕这种叙事，数学界对AI的真实影响尚无定论，应听取多元观点，而非轻信单方面预测。
“想法凸包”模型：AI的边界与人类角色
作者引用Nestor Guillen的假设，将现有数学思想比作高维凸包，LLM只能在凸包内连接已知想法，无法产生凸包外的新概念。因此，AI能快速填补空白，但突破性进展仍需人类引入新想法，扩展凸包顶点。这解释了AI的快速进展与根本局限。
成本与资源：AI数学研究的现实约束
即使AI能解决难题，也可能因成本过高而不可行。文章以火星探索类比，指出花费数百万美元和大量资源解决一个问题，未必被社会接受。未来可能需要人类设计更经济的替代路径，同时促进数学理解。这构成AI能力的另一重“自然边界”。
读博决策：热爱与个人目标应超越技术焦虑
作者认为，是否读数学博士应基于对数学的热爱和成为专家的愿望，而非当前技术状态。LLM可作为高效学习工具，但不应动摇根本动机。数学教学、传播及大量未探索领域仍需人才， passionate 的学生不应因恐惧而放弃。
Q&A
AI会在5-10年内超越人类做纯数学研究吗？
目前完全不清楚。LLM的证明尚未包含“外星想法”或全新概念，它们只是在现有知识范围内连接已知想法。根据Nestor Guillen的凸包模型，LLM可能无法产生凸包外的新想法，因此像黎曼猜想这样的问题可能仍超出其能力。
AI公司宣传的数学突破可信吗？
不可全信。前沿模型公司控制叙事，旨在让公众相信其产品具有无限潜力，尤其在公司IPO前。他们投入大量资源解决知名问题，但从不讨论失败尝试的巨额成本。例如，OpenAI花费约1500万美元解决Navier-Stokes问题，但其他千禧年难题的失败成本未知。
数学家会变成LLM的“专业提示者”吗？
没有迹象表明会这样。数学家更愿意积极参与证明发现的全过程，因为驱动他们的是理解“为什么结果成立”，而不仅仅是最终答案。与LLM合作更像与同行讨论，需要数学家提供指导和直觉。而且，如果凸包模型成立，未来数学进步需要人类添加新想法、新定义或新概念。
只有最聪明的人才能对数学研究做出贡献吗？
不是。数学一直受益于各种想法和视角，从具体到宏观，从微小贡献到构建全新理论。即使LLM能力更强，也需要各层次数学家引导研究走向人类可理解的方向。数学宇宙巨大，计算时间有限，总有未探索领域让初学者开拓。LLM可以帮助快速探索死胡同、指出已探索路径和可能富有成果的方向。
现在读数学博士还有前途吗？
读博的决定不应因AI而改变。最重要的理由是对数学充满热情并想成为某个领域的专家。如果这是目标，LLM的存在无关紧要，反而可以作为更高效的工具。数学系承担发现和传播知识的双重使命，数学思维是宝贵技能，因此大学仍需要数学家。LLM可能提高研究生产力，甚至创造就业。
LLM在数学研究中有哪些实际用途？
LLM可以作为研究合作者，帮助快速探索可能死胡同的途径、指出已探索的路径、照亮可能富有成果的方向。它们还能帮助学生更快更深入地学习材料，提供24/7的答疑。作者本人使用LLM理解概念和技术，并因此扩大了研究视野，招募了更多学生合作者。
