最近数学界几件和 AI 有关的事，又被拿出来讨论。Donald Knuth 写了《Claude’s Cycles》，记录 Claude 怎样帮他探索一个有向图里的哈密顿圈分解问题；Terence Tao 在 OpenAI Academy 的文章里谈 AI 进入数学和理论物理的一线工作流，可以查文献、写代码、画图、做计算，也可以在一个想法刚冒头时先跑一圈验证；Tim Gowers 也在 2026 年 5 月 8 日的博客里写到，ChatGPT 5.5 Pro 在一个加性数论问题上给出了有分量的思路，甚至可能推进了原来的上界。
这些材料很容易被写成兴奋的故事，好像又有一道边界被撞开了。可读下来更明显的地方，倒没有那么明亮。Knuth、Tao、Gowers 手里早就有问题，有上下文，有训练多年留下来的判断，也有一套知道什么算可疑、什么算有用的辨认方式。机器进入的场景，更像是一张已经摆好的工作台：问题被放在上面，约束在上面，失败过的路径也在上面，工具开始承担搜索、试探、整理和初步验证这些过去很耗人的部分。
Knuth 的例子尤其能说明这一点。那个问题来自《计算机程序设计艺术》长期写作里磨出来的具体难点，边界、条件、可疑的结构和已经走不通的方向，大体都在那里。Claude 的价值，在于它可以在这个清楚的范围里快速试错、重组线索，给出一些值得继续看的东西。一个人先把问题钉在桌面上，工具才知道该往哪里用力；缺少这张桌面，再完整的输出也只是悬在半空。
Tao 谈 AI 时的语气也很平实。他关心的是研究流程里那些低效环节能不能被压薄：查文献、写程序、画图、做一次快速计算，都可以更早完成。过去一个念头可能要几天以后才知道有没有继续走的必要，现在同样的试探可以被提前，很多原来因为太麻烦而搁置的岔路，变得可以看一眼。这会改变工作方式，却不会自动告诉人哪条路值得走到最后。
我以前读到 Tao 把 AI 在数学里的作用类比为汽车对出行的作用时，总觉得这个比喻少了一点紧张感。汽车确实改变了出行效率，但它一般不会动摇人为什么要去某个地方。AI 进入数学时，触到的却是数学家真实工作的一部分：找构造、补证明、改进上界、整理成可检查的论证。对 Tao 这种层级的数学家来说，它更像一辆车，能把他带到更多地方；对刚进入研究的人来说，它也会像一个竞争者，拿走一部分原本可以用来训练、试错和建立信心的工作。
Gowers 的博客看起来更靠前一步，因为模型给出的思路让专业研究者觉得有原创性，甚至可能对一个具体问题有推进。他判断 ChatGPT 5.5 Pro 在两小时内做出的结果，足以构成组合学博士论文里一个合理章节；他也提到，给博士生找难度适中的开放问题本来就不容易，如果这类“温和问题”已经能被 LLM 解决，入门研究的门槛就会被抬高。可即便在这个故事里，人的判断链条也一直在场：已有论文、问题背景、专业读者的辨认、后续证明和修正，都在。AI 的输出落在一片被人整理过的地形上，被看见、被怀疑、被测试，然后才可能变成真正的推进。离开这片地形，它仍然可以生成很多像答案的东西，距离能负责的答案还差很远。
最近还有一类更热闹的 AI 新闻，会把模型能力写成评测被打穿、增长曲线失效、奇点提前。这样的说法当然容易传播，但真正值得停一下看的，是那些形容词背后正在变薄的工作成本。哪怕只按更克制的口径看，AI 能处理的任务长度、复杂度和自主性都在上升，一些过去需要人慢慢拆解的工作，正在被压到更低的成本里。问题也就跟着变了：当工具越来越能把路铺出来，人还剩下多少理由可以躲在“我还没准备好”后面。
把这几件事放在一起看，能得到的判断并不新。很多“怎么做”正在变便宜。写文章、整理资料、做行业研究、搭产品原型、把零散想法变成结构、给一个判断做初步验证，这些过去会吞掉大量时间的工作，现在会越来越快。快到一定程度以后，流程后面藏着的东西就会露出来。人以前常常可以把自己停在“怎么做”那里，方案没推进，说资料还没查完；文章没写出来，说结构还没理顺；产品没有落地，说技术路线还需要评估；研究没有继续，说文献还不够全。这些理由很多时候都成立，只是当资料、结构、路线、初稿都可以更快被做出来以后，人会更早来到一个不舒服的位置：东西已经摆在面前了，你到底要不要继续。
这个位置谈不上振奋，甚至有点冷。它不再允许人一直把忙碌当成选择，把准备当成判断，把反复优化当成某种安全的停留。AI 可以一天给你十个选题、五版方案、三套路径，也可以把风险、收益、依赖项列得很整齐。它无法替你承认哪个问题值得花时间，也无法替你承担一个选择进入现实之后带来的麻烦。工具能把麻烦描述得更清楚，不能把麻烦从生活里拿走。
我不太愿意把这件事讲成新的发现。它更像一个早就存在、现在更难含糊的共识：很多时候，人并非完全不知道方法，只是没有真正想清楚目的。过去方法很贵，目的可以晚一点问。一个人忙着搜集材料、搭框架、修改措辞、开会同步，看起来就已经在行动。现在这些动作被压缩以后，空出来的地方会显得很刺眼。你会发现手上并不缺东西，缺的是一个足够站得住的理由。
写作里这种感受很明显。AI 可以帮人把文章写到完整，也可以生成观点、整理案例、铺好结构，甚至模拟几种不同语气。可它不知道你为什么偏要写这一篇，也不知道哪些句子来自你长时间的观察，哪些只是顺着材料拼出来的聪明话。写不出来曾经是一个很大的阻碍，之后它可能会变小。更难的部分会慢慢移到前面：你到底在意什么，你愿意为哪一个判断暴露自己的偏见和局限。
做产品、研究、学习，大概也差不多。想学东西，可以很快得到课程表和练习计划；想做产品，可以很快得到用户画像、功能拆解和原型说明；想研究问题，可以很快得到文献脉络和初步假设。它们都有用，有用之后，问题没有消失。为什么开始，为什么继续，为什么停掉，为什么愿意让一个判断进入现实，这些问题只是更早被推到眼前。
这里面有一种不太舒服的诚实。答案越多，人越容易显出自己的犹豫。没有工具的时候，停滞还可以解释成条件不足；工具变多以后，停滞更接近一种判断的缺席。人会被一堆完整、顺滑、随时可用的方案包围，每一个都像有道理，每一个都能展开成一份文档，可真正能改变行动的并不多。没有自己的问题，答案会推着人走，今天觉得这个框架好，明天觉得那个方向也对，最后留下很多文件和很少的决定。
所谓“因为相信所以看见”，去掉抒情以后，大概就是这个意思。人先有一个问题假设，注意力才会开始工作。你先认为某个矛盾重要，才会持续留意相关材料；你先怀疑某条路径值得验证，才会把数据、反馈、经验放到一起看；你先承认某个东西可能会影响你，才会愿意让事实来修正自己。世界上的信息本来已经过量，AI 之后只会更过量。没有问题假设，人很容易被答案的完整感安抚，误以为自己已经在前进；有了问题，人才知道哪些材料是信号，哪些只是填充，哪些漂亮表达可以删掉，哪些难听的事实必须留下。
接下来，问一个人会不会用 AI 当然有必要，但这只是一层。更难的问题藏在后面：我正在让它服务于什么问题，这个问题为什么值得占用我的时间，如果答案出现，我会不会真的改变行动，如果答案好看但经不起验证，我能不能删掉它。它们听起来都不新，也不漂亮，以前也该问，只是以前可以晚一点问。现在，“怎么做”越来越便宜，“为什么做”就越来越难被推迟。这个事实没有什么惊奇的地方，只是让人有点不好受。