最近几个月，数学界连续出现了几件值得认真看的事。
Donald Knuth 写了一篇短文《Claude’s Cycles》，记录 Claude 帮他探索一个图论问题；Terence Tao 在 OpenAI Academy 的文章中谈到，AI 已经可以进入数学和理论物理的一线工作流；Tim Gowers 在 2026 年 5 月 8 日写下《A recent experience with ChatGPT 5.5 Pro》，描述 ChatGPT 5.5 Pro 在一个加性数论问题上，给出了可能推进上界的思路。
这些材料很容易被写成一个熟悉的问题：AI 会不会取代数学家？
这个问法已经显得粗糙。
更值得看的地方在于：这些顶级数学家能从 AI 那里得到价值，关键不在于他们更会写 prompt，也不单靠模型能力突然跃升。更根本的一点是，他们手里本来就有问题。
而且是真问题。
Knuth 的案例很典型。
问题先被人拿住
在《Claude’s Cycles》中，他讨论的是一个关于有向图中哈密顿圈分解的问题。这个问题来自他为《计算机程序设计艺术》未来卷写作时的思考。Claude 在探索过程中给出了有价值的构造：经过搜索、失败、重构、再搜索，最后发现了可以推广到奇数情形的模式。随后，人类再把这些线索整理成严格证明。
这里有意思的地方，不能简单概括成“AI 证明了数学定理”。
更准确地说，一个已经被数学家精确提出、反复观察、知道难点在哪里的问题，被 AI 接住了。模型提供构造线索，人类完成判断、证明和表达。
这不是从空白处召唤奇迹。更像一个经验丰富的人，把一块真正有纹理的石头递给机器，让它试着从不同角度切开。
AI 降低试错成本，也放大验证责任
Tao 的判断也在这个方向上。
在 2026 年 3 月 6 日 OpenAI Academy 的文章中，Tao 谈到自己已经更频繁地把 AI 用进研究流程：搜文献、写代码、画图、做计算、探索路线、测试一个想法是否值得继续推进。AI 让他可以尝试一些更“疯狂”的路径，因为探索失败的成本下降了。
但 Tao 同时强调，当前模型仍然离不开人类判断。它们可以生成看似漂亮的论证，也可能把薄弱环节藏在流畅文字里。数学最后还要靠验证，尤其是形式化验证，来守住可靠性。
这句话放到更广的创作、学习和决策里，也成立。
AI 可以扩大搜索半径，降低试错成本，加快草稿生成。可它不会自动告诉你：什么值得花时间，什么值得承担风险，什么即使暂时没有回报，仍然应该追下去。
Gowers 的经历更进一步。
他在 2026 年 5 月 8 日的博客里记录，ChatGPT 5.5 Pro 在一个加性数论问题上，给出了可能把上界从指数级推进到多项式级的思路。相关研究者 Isaac Rajagopal 初步认为，这里面有原创且巧妙的想法，甚至说如果自己花一两周想出来，会为此感到骄傲。
这当然令人震动。
但这件事也不等于“随便问一句，AI 就发明数学”。Gowers 面对的是一个有上下文的问题：已有论文、已有框架、已有未解决处，也有懂行的人能判断它是否真的推进了边界。AI 的贡献落在了一片清楚的数学地形上。
AI 变强以后，普通问题会快速贬值。
那些只需要整理资料、套用方法、拼接已有套路的问题，会越来越快地被处理掉。真正变贵的，是能定义边界、产生牵引力、值得验证，也值得承担后果的问题。
什么叫真问题
什么叫真问题？
它不是待办清单上的一个项目。待办事项完成后会消失，真问题经常会回来。
它也不等同于兴趣。兴趣可以很轻，今天喜欢，明天换掉。真问题有重量。你可能会暂时逃开它，过一阵子又发现自己还在围着它转。
它也很难被“能不能赚钱”完全覆盖。赚钱可以是结果，也可以是约束，但不能替代问题本身。一个投资者真正的问题，未必是“下一个十倍股是什么”，可能是“我能否在不确定性中建立可复用的判断”。一个创作者真正的问题，未必是“写什么更容易爆”，可能是“我能否持续说出自己相信且有用的东西”。
真问题通常有几个共同特征。
它没有标准答案。它会要求你付出代价。它的答案会改变你的行动。它会反复回来，甚至在你不想面对的时候回来。
最重要的是，它会抓住人。
这种“被抓住”，很难交给 AI。
AI 有热情吗
AI 现在可以持续计算、搜索、改写、模拟、总结。它可以表现得很耐心，甚至比人更耐心。但它没有人类式的热情。它没有人生处境，没有不甘心，没有身体经验，没有必须承受的后果，也没有从自身生活中长出来的自发目标。
它可以沿着一个方向跑很远，却不会天然知道为什么这个方向值得跑。
“为什么值得追”，仍然来自人。
所以，讨论 AI 有没有热情，不能只看表面行为。一个模型连续三天优化一个证明，看起来像执着；一个系统长期跟踪某个课题，看起来像兴趣。但如果没有自身处境、代价结构和责任承担，这种执着更接近任务持续性，离人的热情还有距离。
未来这条界线可能会变得更复杂。
也许某些 AI 系统会表现出长期目标、稳定偏好和自我修正。到那时，我们需要更细致的语言来描述它们。但即使如此，人仍然要负责选题、判断、验证和后果。社会不会把责任交给一段漂亮输出，也不会因为“模型觉得可行”就免除人的承担。
保护自己的问题感
对普通人来说，这些数学案例的启发不在数学本身。
大多数人不会研究哈密顿圈分解，也不会推进加性数论上界。但每个人都有自己的问题库存。
问题库存不是收藏问题的笔记本。它更像一个人的精神资产负债表：哪些问题只是环境塞给你的，哪些问题是为了显得努力而保存的，哪些问题已经过期，哪些问题一再回来，并且正在塑造你的选择。
AI 会让答案变多，也会让伪问题变多。
你可以很快得到十个选题、二十个方案、一百条建议。数量增加以后，人更容易误以为自己在思考。很多时候，只是被答案推着走。
这时，真正需要保护的是问题感。
你正在问什么，这个问题为什么属于你，答案出现以后你会不会真的改变行为，三个月没人反馈时你还会不会继续追，它要求你放弃一些舒服解释时你能不能承认。
这些东西不适合做成打卡表。
它们更像一种长期的内在校准。人在阅读、研究、写作、投资、工作中慢慢发现：有些问题只是热闹，有些问题只是焦虑，有些问题则会把自己带到更深处。
答案便宜之后
Knuth、Tao、Gowers 的共同点，不只是会使用更高级的工具。更深的一点在于，他们知道哪些问题值得放到工具面前，知道怎样识别一个输出是否有价值，也知道验证比兴奋更重要。
AI 时代，聪明回答会越来越便宜。
甚至原创的、巧妙的局部想法，也可能越来越常见。
稀缺的东西会转移到更前面：能不能提出真问题；也会转移到更后面：能不能判断答案、验证答案，并承担答案带来的行动变化。
人先被问题抓住，然后才去使用工具。
这件事也许不会过时。