數學正在被 AI 快速開採，你的行業是下一個

54 小時就推進半世紀難題，25 位菲爾茲獎得主卻在抗議

2026 年 9 月 8 日
OpenAI 宣布花了 88 小時（還有幾百萬美元）
就解開了七個千禧年大獎難題之一
Navier–Stokes 方程的其中一個版本

照理說數學家應該開香檳
但同一天，陶哲軒連發了四篇貼文
說好的數學問題正在被當成「不可再生資源」開採

不可再生？
問題不是想問多少就有多少嗎？

問題怎麼會用完？

陶哲軒用的第一個比喻是水

一個地方可以被汪洋大海包圍
卻同時嚴重缺乏飲用水

數學問題也一樣
你隨時可以生出無限多個問題
例如：圓周率小數點後第 10^10^10 位是多少？

但這種問題沒人想做
因為就算做出來學不到東西

真正稀缺的是「好問題」
難度剛好、做完會帶出新東西的那種

而好問題有一個特性：只能被解一次

人類花十年解一題
過程中會長出新方法、新工具、一批懂這題的人
AI 花三天解掉同一題
你拿到一個答案，然後這題就沒了

本來可以從裡面長出來的東西
再也長不出來了

數學家找下一個好問題，靠的是看出「哪裡難、哪裡簡單」
（陶哲軒叫它「難度地形」）

AI 把很多區域的地形一口氣壓平
你看不出哪裡高、哪裡低
也看不到「AI 做得到」跟「AI 做不到」的邊界在哪

而且 AI 公司從不公開失敗的嘗試
你只看得到它解出來的，看不到它卡住的

數學界的黑暗森林

OpenAI 宣布的前一天晚上
NYU 的數學家 Buckmaster 跟 Anthropic 的 Alpöge
才剛公布他們的成果

兩個人合作了一年多
做的是跟 Navier–Stokes 相關的問題
結果幾個小時後，OpenAI 就宣布了

Buckmaster 事後懷疑
OpenAI 那個週末砸算力衝刺的時候
用到了他們團隊平常在 Codex 上做的研究

他還指控 OpenAI 曾施壓要他不要把功勞算給 Anthropic 的合作者
（這兩件事目前都只是指控，報導裡沒有 OpenAI 的回應）

陶哲軒擔心的就是這種事：
光是傳出某人在研究某個問題
就可能引來大量算力搶先解掉

那對數學家來說，最合理的反應是什麼？
藏起來

有人引用了《三體》的「黑暗森林」法則
每個人都把自己藏好
因為暴露位置的下場就是被消滅

數學過去幾百年都是開放的
你發表一個猜想，大家一起想
現在這個誘因反過來了

Codex 讓這個問題更糟
連用工具都可能暴露你的位置

新手沒地方練功了

被搶走的還不只大問題

八月有一篇論文介紹了一套叫 FAR 的系統
自動挖出 4,717 個看起來還沒解決的組合數學猜想
然後一個一個試著證明
最後挑出 77 個「可以發表」的結果

有數學家在陶哲軒的貼文底下留言：
這一篇論文，可能就掃掉了一大批本來很適合給博士生做的題目

這些題目不會上新聞
但它們是新手練功的地方

數學家的直覺怎麼來的？
靠卡關

花好幾年硬想一個問題
試錯、繞路、撞牆
最後長出一套自己的感覺

IEEE 的報導裡有人講得很直接：
學生如果能直接跳到答案，他們一定會跳
跳久了，還剩下什麼能想？

陶哲軒貼文的另一位留言者說
他博士班花四個月整理的文獻
現在 Claude 二十分鐘就能重建
但他不覺得這是好事
因為那四個月，才是他真正讀懂別人研究的過程

這讓我想到
以前在寫前端時，遇到一些比較特別的需求
都會去深挖瀏覽器的 API
並一個一個嘗試，看哪個效果比較好

過程雖然痛苦
但也讓我更了解瀏覽器的邊界在哪

現在有了 Vibe Coding
我想要什麼功能
直接叫 AI 實作出來就好了

就算瀏覽器有什麼新功能
我也已經不會像以前一樣仔細去看文件了

為什麼是數學先被挖？

八月還有另一件事

Anthropic 的工程師 Jarred Sumner
叫 Claude 去挑戰黎曼猜想
他自己不懂數學
過程中做的事就只是一直說「繼續推進」「你可以的」

結果 Claude 一口氣把黎曼猜想裡的一個關鍵比例，從 41.6% 推到 67.2%
上一次從 33.3% 推到 41.6%，人類花了半世紀

一個不懂數學的人，憑什麼叫 AI 去挑戰黎曼猜想？
因為他不需要懂，只需要等答案出來，再交給別人檢查就好

OpenAI 那份 Navier–Stokes 的證明
就附了一份機器驗證過的版本

這就是數學最先被挖的原因
數學的答案可以被驗證

你不需要懂，只要能檢查
就可以開一萬個 agent 同時挖

不過 OpenAI 的那份證明
數學界還在吵到底算不算數

它雖然附了 Lean 的版本
但 Lean 只能證明「推導沒有錯」
但它證的跟原題是不是同一件事還是要人去對

就算最後確認是對的
166 頁的證明到底帶出了什麼新東西
目前也沒人講得清楚

下一座礦山我們已經在挖了

現在很多大廠已經開始停止招募初階工程師了
小 bug、測試、文件
大部分都可以靠 AI 解決

為了追求速度
跳過了過程中最痛苦但也帶來最多成長的部分

新人工程師以前靠修小 bug 練功
現在卻連工作都找不到

而當最後這批懂底層邏輯，會去看文件
親自解過 bug 的工程師「被開採完」
下一批資深工程師卻沒有路可以長出來

答案變便宜，不是好事嗎？

一定有人會這樣想
多倫多大學的數學教授 Daniel Litt 就是其中一個

如果一個基本問題，花一頓好晚餐的錢就能解決
我們不是該高興嗎？

他不覺得題目會被用完
一個答案出來，大家會追問它解釋了什麼
然後冒出更多新問題

有些一樣一頓晚餐就解掉
有些會讓人重新卡住，再聚起一群人去研究

聽起來很合理，對吧？
但這有個前提：得有人回頭去追問

陶哲軒貼文底下有人點出一個現實
數學界獎勵的是「新結果」
回頭把一個舊答案搞懂，很難發論文

AI 丟出一個 166 頁沒人看得懂的證明
大家只會去搶下一題

Litt 的同事也提醒他：
機器證明跟人類證明，產出的東西不一樣
只有人類證明，會在人身上留下理解

答案變便宜了
但懂的人並沒有變多

所以他提議
博士學位主要看口試
學生要一直解釋，講到口試委員滿意為止
你用不用 AI 不重要
只會按按鈕的人，本來就過不了口試

招生跟招聘也一樣
與其看論文
不如看你能不能上台講清楚
能不能跟別人聊數學聊到對方也懂

Litt 在文章最後寫了一句：

沒有人能替我們理解數學，我們必須自己下功夫

你的行業也會是下一座礦山嗎？

OpenAI 宣布三天後
25 位菲爾茲獎得主聯名發了一封公開信
（陶哲軒也在名單上，他幾個月前還出現在 OpenAI 的宣傳影片裡）

信的最後一段說
數學界現在遇到的問題
其他知識工作遲早也會遇到

你的工作裡那些對就是對、錯就是錯的部分
就可能是下一個被開採的
像法律的判例檢索、醫療的影像判讀

例如律師事務所的新人原本可以靠整理判例練功
而這剛好是最好驗證、最先被挖的

我能想到的做法有兩個：

留幾題練功題給自己，就算 AI 做得比較快
借 Litt 的口試標準檢查自己：AI 給你答案之後，試著講給同事聽，講到他懂為止。講不出來，就代表你還沒懂

答案越便宜，懂的人就越值錢