AI 数据通道：JSON·Markdown

序章：领奖台上的转会 #

2026年7月23日，费城，国际数学家大会开幕式。四位菲尔兹奖得主并排坐着，等待记者会提问。轮到 Jacob Tsimerman 发言时，他没有感谢导师，没有谈论数学之美——他宣布自己即将加入 OpenAI，方向是 AI 安全。

OpenAI 的反应速度堪比抢到限量款。安全研究员、哈佛教授 Boaz Barak 发推：”期待并且深感谦卑地欢迎 Jacob 加入，一起搞 AI 安全。”微软前副总裁、现 OpenAI 的 Sebastien Bubeck 跟上：”欢迎入队，接下来会非常有趣。”

但真正的戏剧性不在台上，而在三天前。

7月19日，世界杯决赛之夜，Tsimerman 的前博士生 Levent Alpöge 在 X 上发帖：”雅可比猜想，是假的。”这个1939年提出的猜想悬置了87年，还登上过 Smale 的21世纪数学难题清单。Alpöge 贴出的反例只有216个字符，任何数学家都能手动验证。帮他从草堆里找到这根针的，是 Anthropic 上个月刚发布的 Claude Fable 5。

师徒二人，一人一家。老师在唯一一条帖子里预言 AI 将接管解题；学生用 AI 一夜推翻百年猜想，替老师把预言提前兑现。三天后，老师领完菲尔兹奖，官宣加入 OpenAI。而学生，在 Anthropic。

这不是巧合。这是一个信号。

第一层：解题的终结 #

87年悬案与一晚破解 #

Jacobian 猜想是代数几何里最顽固的开放问题之一。1939年，德国数学家 Ott-Heinrich Keller 问了一个看着很简单的问题：如果一个多项式映射的雅可比行列式处处是非零常数——也就是说，在每一点上，这个映射的局部行为都是可逆的——那么它是否整体可逆？

局部可逆处处成立，但整体不可逆——这在光滑函数的世界里随处可见。但如果限制在多项式上呢？多项式的行为更”规矩”，或许局部可逆就能推出整体可逆？

这个猜想在 n=1 时是平凡的，在 n=2 时至今未解。Alpöge 和 Fable 5 的工作证明了 n≥3 时猜想不成立。

反例的核心机制是”非本性”（non-properness）：映射把无穷远点也映射到了有限值，导致三个不同的原像撞到了同一个像上。多项式的雅可比行列式恒为 -2，但映射不是单射。

这个反例整个只有216个字符，但数学家们花了87年没有找到它。

张益唐被偷走的七年 #

这个故事最令人唏嘘的部分，跟张益唐有关。

1990年代初，张益唐在普渡大学攻读博士学位，导师是莫宗坚。莫宗坚坚信 Jacobian 猜想的正确性，并让张益唐以此作为博士论文课题。他给了张益唐一个”引理”——一个被认为是正确的数学命题，作为研究的基础。张益唐沿着这条路线深入研究，甚至在博士论文中一度宣称解决了该猜想的弱形式。

然而，经过同行排查，张益唐证明中所使用的那条关键引理被证明是错误的。而这条引理，恰恰源自导师莫宗坚本人先前发表的学术成果。

他花费数年时间构建的理论大厦，突然发现地基是豆腐渣工程。莫宗坚评价张益唐”不适合代数几何”，认为他的博士生涯”浪费了自己七年光阴，也浪费了我的时间”。更致命的是，莫宗坚没有给张益唐写推荐信。

这让一个普渡大学的博士毕业生，在学术界寸步难行。张益唐不得不离开学术界，开始了漫长的漂泊。他做过各种零工，最广为人知的是在赛百味快餐店打工七年。

直到2013年，58岁的张益唐发表了关于孪生素数猜想的突破性论文，一夜之间从默默无闻的大学讲师变成全球瞩目的数学家。但那段被浪费的七年时光，已经永远无法挽回了。

后来，他引用杜甫的诗句形容自己那段时间感受：”庾信平生最萧瑟，暮年诗赋动江关。”

更讽刺的是，2018年，当张益唐因孪生素数猜想成名后，莫宗坚专门补充了一版”回忆录”，进一步加强对张的指责，却依旧淡化自己的责任。他还是相信 Jacobian 猜想的正确性，甚至觉得 AI 会在不久之后帮助解决证明过程中的逻辑问题。

终于，到了今天，AI 轻松给出了简单的反例。

当然，必须指出的是，这次 AI 证伪的是三维 Jacobian 猜想，也就是否定了”所有维数都成立”的广义版本。张益唐当年研究的是二维情形，而二维并不是三维的简单低阶版本——恰恰相反，二维是这个问题里更核心、目前看来也更难攻破的部分，数学意义更大，至今仍未解决。

但这丝毫不减损这个事件的冲击力。

AI 解题能力的跃迁 #

Jacobian 反例公布后，GPT-5.6 迅速对这一结果进行了分析，并提出了一套全新的、修正后的猜想：”一个常数雅可比多项式的局部双全纯映射，如果在无穷远处没有叶数损失，那么它就是一个自同构。”

OpenAI 的 Aaron Lou 用内部 Codex（无网络搜索）从零推导出本质相同的反例，完整写出策略与证明，还给出可复现的数学推导（从三次因式分解到仿射坐标变换）。

数据科学家 Cal Aldred 甚至用 Fable + GPT 5.6 Sol 提出了一个生成无限多反例的方法。

UC 伯克利计算机科学/统计学副教授、前 Google DeepMind 研究科学家 Jason Lee 直呼：”数学完了。”（Math is solved.）

菲尔兹奖得主 Timothy Gowers 悲观又震撼地感慨：”2030年的菲尔兹数学奖，可能是最后一次颁给人类。”

第二层：建论的曙光 #

从反例到新猜想 #

GPT-5.6 的修正猜想：不是简单地”证伪”，而是提出新的数学对象和约束条件。

“叶数损失”（sheet loss at infinity）概念的引入——这是人类数学家未曾明确表述的结构性洞察。AI 在指导人类如何重新定义这个问题，从”找到反例”到”理解反例背后的机制”。

这证明了，AI 已具备真正的数学创造力，而非表面模仿。

Tsimerman 的分类框架 #

Jacob Tsimerman 把数学工作分成两类：解决问题（problem-solving）和构建理论（theory-building）。

Problem-solving：给定命题、判断真假、找出证明或反例——这正是训练和评估推理模型最对口的能力。越像”解题机器”的数学家，转会市场估值越高。

Theory-building：构建理论框架、提出新概念、建立不同领域间的桥梁——AI 目前较弱，但正在追赶。

Tsimerman 在今年 AMS Notices（美国数学会公告）的访谈里给过一个思想实验：假设你手里有一台 AI 神谕机，任何数学命题丢进去，真假立判。那理论构建者的日常会变成什么样？

他给这个场景下的判语很平静，也很重：”这与现代数学，是非常、非常不同的两种东西。”

AI 的建论尝试 #

目前 AI 在 theory-building 上的能力边界：能提出局部修正（如 GPT-5.6 的修正猜想），但尚不能构建全新理论体系。

对比：邓煜团队48页论文打通”牛顿力学→玻尔兹曼方程→流体方程”极限链——这是典型的 theory-building，需要深刻理解物理直觉与数学结构的对应。

问题：AI 何时能做出类似工作？Tsimerman 预言”两年内超过数学家”是否包含 theory-building？

第三层：四位得主的坐标系 #

王虹：problem-solving 的巅峰 #

王虹与 Joshua Zahl 合作，拿出127页证明，解决了三维 Kakeya 猜想。这个1917年提出的几何测度论难题，问的是：一根针在三维空间中旋转，扫过的最小体积是多少？

王虹和 Zahl 证明，三维空间中的 Kakeya 集虽然可以面积任意小，但其维度必须是3——你无法把信息压缩到低于空间维度。

工作性质：硬核估计、组合技巧、一步步逼近——几乎就是推理模型评测集的高配版。

获奖前她已横扫 Salem 奖、Ostrowski 奖、Clay 研究奖、新视野奖，是四人中学术曝光度最高的一位。

现状：纽约大学教授，同时任职法国高等科学研究所（IHES）。她刚在学术界拿到 IHES 的位置，正处在”学术回报最丰厚”的窗口期，主动离开的动力不大。

评估：problem-solving 能力极强，但 Kakeya 风格的问题恰是 AI 最可能先突破的方向。

邓煜：theory-building 的腹地 #

邓煜与密歇根大学 Zaher Hani、马骁合作，解决了希尔伯特第六问题的动理学部分。这个1900年提出的问题是：如何从微观牛顿力学严格推导出宏观流体力学方程？

他们48页论文打通了”从牛顿到玻尔兹曼到流体方程”的极限链。2024年11月发表的164页论文，就是为最后一篇所做的准备工作。

工作性质：从微观牛顿力学推导宏观流体方程，需要构建 kinetic limit 的严格数学框架。这是典型的 theory-building，需要深刻理解物理直觉与数学结构的对应。

现状：芝加哥大学教授。1月得知获奖后，他跑去密歇根湖边走了好几天平复心情，然后回办公室继续干活，”就当无事发生”。

评估：偏数学物理和 PDE，离当前推理模型主战场稍远；theory-building 能力强，AI 短期内难以替代。

John Pardon：少年解题手 #

John Pardon，石溪大学 Simons 几何与物理中心教授，辛拓扑方向。四人中最年轻的传奇，本科期间就解决了一个30年悬置的问题。

按 Tsimerman 的分类，他是典型的”少年解题手”出身，这类履历实验室看了走不动道。

现状：辛拓扑属于机器目前最啃不动的抽象几何腹地，短期内模型帮不上他，他也犯不着帮模型。

评估：如果两年后 AI 真如 Tsimerman 预言的那样开始碰硬核几何，他会是最先感受到冲击、也最有资本改行的那个。

Tsimerman：第一个转型的人 #

Jacob Tsimerman，1988年生于俄罗斯喀山，随家人先移居以色列，再落脚加拿大。2003、2004年连续两年代表加拿大出战 IMO，两块金牌，2004年那块是满分。16岁进入多伦多大学读数学，两年读完本科。2011年在普林斯顿拿下博士学位，导师 Peter Sarnak。之后经哈佛 Society of Fellows 镀金，回到多大任教，成为该校数学系史上最年轻的正教授。

这次获奖，表彰的是他在 André-Oort 猜想上的证明工作。这个算术几何领域的核心难题，此前悬置了近40年。他也由此成为首位在加拿大高校任职期间摘得菲尔兹奖的数学家。

2025年，他往 arXiv 传的第6篇文章压根不是数学，标题叫《涉及AI的灭绝性未来的分类》，合作者是研究 AI 安全的老友 Andrew Critch。摘要写得很直白：本文对 AI 引发的灭绝性事件进行分类并举例，即所有或几乎所有人类被消灭的场景。这些事件并非不可避免，而是我们可以努力避免的可能性。

他的 X 账号 2014 年注册，到 2026 年只有一条推文。内容简短：”AI 将在两年内超越人类数学家。”

2025年他还做了一件事：不再招博士生。他的理由同样简短：”我不想培养一个可能不再存在的职业的学生。”

评估：problem-solving 能力顶级（IMO 满分），但已主动转向 AI 安全；他的转型不是被迫，而是基于对 AI 能力的深刻理解。

第四层：数学家的未来 #

AI 实验室的军备竞赛 #

OpenAI、DeepMind、Anthropic 过去一年在数学人才上的军备竞赛，烈度不输抢工程师。

Tsimerman 去 OpenAI 安全部门，Alpöge 在 Anthropic，DeepMind 有 AlphaProof/AlphaGeometry 团队。

数学家转会市场的估值逻辑：越像”解题机器”的数学家，估值越高。

数学界的 cope 与觉醒 #

Tsimerman 的批评：”数学界存在大量 cope（自我安慰），大家盯着 AI 现在不如数学家，就推断它永远不如数学家。”

历史类比：chess 界在 Deep Blue 前的自我安慰，围棋界在 AlphaGo 前的自信。

数学的特殊性：chess/围棋是有限游戏，数学是无限探索；但 problem-solving 作为子集，确实可能被 AI 饱和。

Tsimerman 的效率提升：AI 已让他的科研效率翻倍，2025年一年5篇数学论文上 arXiv。日常工作流就是拿 ChatGPT 和 Claude 摸清问题边界、要参考文献、让模型证引理。

“神谕机还没到货，但样机他天天在用。”

教育体系的冲击 #

如果 AI 能解决 IMO 级别问题，数学竞赛的意义何在？

如果 AI 能证引理、找文献、摸清问题边界，博士训练的核心价值是什么？

可能的转向：从”解题训练”到”问题提出训练”，从”证明技巧”到”理论品味”。

Tsimerman 的判语：做数学不仅为追求真理，还有其他动机。透过这些话，我们也不难看出一些选择背后的原因。

终章：两种终结，一种开始 #

数学正在经历双重终结——problem-solving 的终结已经到来，theory-building 的终结还在路上。但这不是数学的终结，而是数学作为人类活动的重新定义。

回到开篇：Tsimerman 领奖台上的官宣，不是数学家职业生涯的顶点，而是数学家职业转型的起点。

两种终结的时间表：problem-solving 可能在未来2-5年内被 AI 饱和；theory-building 可能需要10-20年，或更久。

张益唐的七年 vs Claude 的一晚：这不是效率的线性提升，而是工作范式的根本转变。

最终判语：数学不会终结，但”数学家”这个词的含义，将在我们这一代人的有生之年被重写。

留给读者的悬念：当 AI 既能解题又能建论时，人类数学家还能做什么？答案可能藏在 Tsimerman 选择 AI 安全的决定里——不是阻止 AI，而是参与塑造它。

“我认为世界在改变。我们今天所知的数学职业，我不认为它会以目前的形式继续存在。”

他不是在警告。他只是在描述已经发生的事。