Frank Calegari：数学研究还需要选择问题、理解结果

这篇 11 月 1 日刊在陶哲轩博客上的客座文章，作者是数学家 Frank Calegari。他回应 AI 参与数学研究带来的焦虑，也承认错误论文、归属混乱和糟糕写作是真实问题。他的核心判断是：少数著名猜想标记了当下研究的边界，却不等于整个数学的终点；如同知道元素周期表，也不会让化学失去研究空间。

他用有限单群分类说明，解决一个长期问题之后，还会出现对结构、联系和成因的新追问。工具若降低跨领域背景知识的准备成本，研究者可以尝试更宽、更有野心的问题。但这种机会需要人真正理解所获得的证明，知道它为何重要，能从中提出下一步；仅有流畅的数学表达并不够。

由此，他把“做出贡献”从最先提供某一步证明，扩展到选对问题、消化完整结果、建立联系和发展方向。他主张评价研究时假定 AI 辅助已经存在，降低单纯论文数量和抢先发表的权重；招聘可以通过深入交流了解候选人的理解，期刊更重视解释和联系，研讨会也可容纳尚未解答的大问题。

这些是关于学科目标与制度的规范性主张，不是对 AI 数学可靠性的实验结论。原文的乐观并非“理解已经不重要”，恰好相反：当证明步骤更容易获得时，判断什么值得研究、理解结果及其后果会更加重要。

可信度 65 · 重要性 76 · 新颖度 77

技术与主题

HN 对客座文章的讨论；谈职业竞争，不是就业统计研究。

忠实转述（非原句）：他担心，擅长解决特定问题的研究者不能只靠一句“转向解释和搭建理论”就完成转型。学术职位本来有限，他们还要和长期训练这些能力的学生、博士后竞争。因此，新方向有价值，并不意味着每一个原有研究者都会自然得到新机会。

这篇文章值得保留的追问是：生产一种结果的成本下降以后，原来用来分配信用的指标是否仍在奖励真正想要的工作。论文数量容易计数，理解深度和问题选择较难判断；若继续只奖励前者，工具可能放大抢题、堆积和解释不足，而未自动带来更好的研究。这个机制也适用于代码审查：评论多不等于帮助维护者作出了更好的修改。

但把评价改成“理解与品位”，也不能省掉具体方法。一次口头交流可能受表达风格、导师资源和面试者偏好影响。较可操作的尝试，是请研究者解释一个证明的关键依赖、改变某个假设会怎样，再提出一个由此产生的问题，并保存可讨论的理由。这仍只是评价设计建议，需要检验它能否减少误判，不能把新的难测概念变成另一个口号。

HN 中的职业竞争担忧提醒我们，研究目标转变与个人顺利转型之间还有距离。即使广泛理解和理论组织变得更重要，也不保证原本按解题成果训练的人立即拥有机会。因此文章的机会判断和制度实施成本应一起读；没有必要为了接受新工具，先假定所有参与者面对相同的时间、职位和学习资源。