旧世界的船票

2026年10月22日，我读到了清华大学数学科学系教授薛金鑫在《知识分子》发表的《AI冲击数学，信誉系统崩盘，数学界何去何从？》。

文章的起因是10月6日OpenAI公开了数百份由AI生成的数学研究手稿，涉及众多此前尚未解决的数学问题。需要说明的是，这些研究手稿并不意味着所有结论都已经得到严格验证，其中仍有相当部分需要数学界进一步核查。但即便如此，这件事本身已经足够令人震撼。薛金鑫将其称为“第四次数学危机”，并由此讨论数学界的学术信誉、研究价值以及未来的生存方式。

我对数学界的内部生态了解有限，不打算贸然评价其中的学术争论。但读完以后，我产生了一种非常强烈的感受。

外面的世界，似乎已经翻天了。

这种感受并不是最近才有的。在此前的《关于数学》中，我曾经回顾自己从小学到研究生阶段的数学学习经历。过去我总是不理解，为什么一些知识必须按照老师给定的顺序去记忆，为什么知道一个公式的使用方法，就可以被认为掌握了相应的知识。

我有一种很麻烦的习惯，如果不知道一件事情为什么成立，就很难心安理得地把它当作知识接受。过去这种习惯严重拖累了我的学习效率，因为老师不可能为了我的一个问题中断整个班级的教学，我自己又很难在有限的时间内找到完整的解释。于是越不理解，越跟不上；越跟不上，就越依赖机械记忆。

如今情况已经完全不同。

我可以向GPT-6提出一个非常基础的问题，哪怕问题本身在别人看来有些愚蠢，也可以继续追问。它可以从概念的起源讲到数学定义，从直观例子讲到严格推导。如果我觉得解释跳过了某个步骤，可以要求它重新开始；如果我怀疑前面的结论，也可以要求它提供证明、反例或者其他理解路径。

当然，模型会犯错，有时候甚至会一本正经地给出错误答案，所以这种学习方式仍然需要独立验证。但至少对我而言，它已经极大改变了知识的获取方式。

我发现老师对我理解学科的作用，也是净负面，甚至绝对值，都远不如GPT-6。

这是我对自己学习经历的一种主观评价。我说的不是教师在整个人生中的作用，而是非常具体的、对学科知识的理解。回顾过去某些课堂，我不仅没有因为教学而理解得更好，反而因为必须适应统一的教学进度、考试要求和记忆方法，放弃了原本想要追问的问题。

而现在，只要有足够的兴趣和时间，我可以自己把这些问题重新捡起来。

这种变化对我个人的意义，可能远远超过考试成绩的提高。因为我第一次觉得，自己不再需要等待某个人愿意教我，也不再必须按照某种规定的顺序，才能获得接触知识的资格。

但如果只是这样，事情倒也没有多么惊人。人类历史上有过无数次教学工具的革新，从印刷术到互联网，都在不同程度上降低知识传播的成本。

真正令我感到不安的是，这一次改变的似乎不只是知识如何传播，而是知识本身如何生产。

过去我们谈论最尖端的科学技术，往往会想到国家实验室、顶尖研究型大学、科学院以及其中少数拥有极高学术声望的研究人员。商业公司当然也参与研发，但在传统印象中，基础研究的最高殿堂与商业产品开发之间，似乎还存在一条相对清晰的界线。

如今至少在前沿人工智能领域，这条界线已经发生了明显变化。

斯坦福大学2026年《AI指数报告》指出，2025年超过90%的重要前沿AI模型来自产业界。美国能源部的Genesis Mission也在推动国家实验室与OpenAI、Google、Anthropic等商业机构合作，将AI能力引入科学研究。

这并不代表国家实验室失去了科研能力，更不意味着所有基础科学都已经被商业公司接管。国家实验室仍然拥有大量商业机构无法替代的实验设施、科研数据和基础研究积累。

但我所熟悉的那套科研权威想象，确实需要修正了。

至少在一些前沿领域，掌握最先进技术的机构，已经不一定是传统意义上的国家科研机构。掌握先进模型和计算资源的商业公司，反而成为国家级研究机构需要积极合作的对象。

过去我们习惯于商业公司向学术界寻求技术成果，而今天，学术界同样需要向商业公司寻求新的研究能力。谁是技术提供者，谁是技术使用者，谁拥有解释前沿问题的能力，这些关系都在重新调整。

我觉得这里最值得关注的，并不是商业公司终于能够和国家实验室平起平坐，而是原本稳固的科研权威和技术分工，居然可以在短短几年内发生如此显著的变化。

如果连处于知识生产最前沿的研究机构，都必须不断重新定位自己，那么那些距离前沿研究非常遥远的教育体系，又在发生什么？

大忏悔时代

薛金鑫的文章里有一部分令我印象深刻。他批评现代数学界存在高度专业分工、学术权威崇拜以及缺乏相互理解的问题。一篇论文可能只有极少数人真正检查过全部细节，其他人则依赖审稿人、期刊以及作者的学术声望，决定是否认可一项研究成果。

他将这种现象称为“信任外包”。

这本身不是什么不可思议的事情。现代科学如此复杂，没有人能够独立验证所有知识。我们日常所接受的绝大多数科学事实，也都建立在对专业共同体的信任之上。

但这里存在一个令我觉得十分讽刺的问题。

在AI大量参与数学研究之前，学术界真的把“每个人都充分理解研究成果”当作必须满足的要求了吗？

按照薛金鑫自己的描述，即使是同一个数学领域，研究者之间也可能因为专业方向稍有不同而无法真正理解彼此的论文。大量研究成果依赖少数审稿人的认证，更多人则根据发表期刊、学术声望和同行评价来判断其价值。

既然如此，当AI开始提供复杂证明时，为什么“人类必须真正理解”突然成为某些人反对AI研究成果的重要理由？

我当然认为理解很重要，甚至可以说，我过去学习数学时最痛苦的地方，恰恰就是教育过程没有充分满足我对理解的需要。

但我不能接受一种随技术变化而任意调整的评价标准。

过去人类研究者之间无法充分理解，可以通过同行评审和学术信誉解决；现在AI生成的证明难以被人理解，却突然被一些人视为成果本身存在根本缺陷的理由。

如果强调理解是出于数学自身的需要，那么这套标准理应同时适用于人类与AI。不能因为成果来自人类，就允许它依靠权威和信誉获得认可；也不能因为成果来自机器，就要求它满足过去并未普遍实现的更高标准。

当然，这不等于AI生成的证明可以免于审查。恰恰相反，面对海量自动生成的研究结果，我们更加需要严格验证。形式化证明、同行复核以及研究成果的可重复检查，都应该受到重视。

但验证正确性与捍卫人类研究者的特殊地位，是两件不同的事情。

同样，数学家对某个证明的理解、欣赏和进一步发展，当然具有独立价值。但这种价值不应该被拿来否定机器已经能够完成的工作。

我逐渐觉得，AI对知识界造成的冲击，或许正在迫使许多人重新审视一些过去被视为理所当然的事情。

一个人解决了多少难题、发表了多少论文、获得了多少同行认可，这些原本用于衡量学术成就的指标，一旦面对能够大量生产类似成果的机器，其意义就需要重新讨论。

如果某种成果的价值主要来自生产它的难度，那么当生产成本急剧下降时，过去建立在稀缺性之上的评价体系自然会受到冲击。

问题是，我们过去是否把太多注意力放在了证明一个人能够完成某件困难的事情，而忽视了这件事情本身究竟有什么价值？

我想把这种变化称为一个“大忏悔时代”。

这里的忏悔并不是说科学家、教师或者知识分子过去所做的事情都是错误的。没有过去的积累，也不可能有今天的人工智能。

而是当一种新的生产能力出现以后，许多旧有的评价体系终于不得不面对一个此前可以回避的问题：我们所珍视的东西，究竟是知识本身，还是生产这些知识所获得的身份与地位？

过去许多被认为不可替代的能力，可能只是因为技术条件有限，才不得不由人类亲自完成。过去许多被赋予崇高意义的职业活动，也可能在一定程度上混合了知识创造、社会分工与身份竞争。

当机器开始承担其中的部分工作，我们才不得不重新把它们区分开来。

这不是数学一个学科的问题。

我认为同样的变化，也会逐渐发生在教育、软件开发、法律、金融乃至其他大量知识密集型行业。

我们需要重新回答的，已经不仅是谁能够完成一项工作，而是这项工作为什么值得完成，以及人在其中究竟应该承担什么角色。

傲慢是原罪

薛金鑫在文章中引用了《三体》中的一句话：

弱小和无知不是生存的障碍，傲慢才是。

我很喜欢这句话。

不过，我理解的傲慢，并不是某个人认为自己比AI聪明，也不是某个教师相信自己的教学方法仍然有效。

真正值得警惕的傲慢，是把自己熟悉的世界当作世界本身，把曾经成立的规则当作永恒不变的规律，并且相信后来者理应沿着自己走过的道路继续前进。

每当想到这里，我都会不自觉地把目光转向中国一些县城、乡镇乃至农村的基础教育。

在那里，许多学生还在进行高度重复的习题训练，老师反复强调高考的重要性，家长把考上大学当作改变家庭命运的关键机会。一个普通家庭可能投入十几年时间、金钱和情感，只为了孩子在一次考试中取得更高的分数，进入一所更好的大学。

这些事情我当然熟悉，因为我自己也是从这套教育体系中走出来的。

我并不想轻易嘲笑他们。对于一个缺乏社会资源、经济资本和信息渠道的普通家庭而言，高考确实可能是最现实、最具有可操作性的向上流动途径之一。考上一所更好的大学，至今仍然可能意味着更好的就业机会、更广泛的人际关系和更多选择。

但问题在于，这套逻辑的成立有一个隐含前提：学生今天付出巨大成本所争取的资格，在未来仍然具有足够高的价值。

一个学生在18岁参加高考，在22岁本科毕业，可能在25岁完成研究生教育。这个过程中，学校、家长和学生本人往往是按照过去几十年的经验，为几年之后的社会作出决定。

但技术进步并不会等待他们毕业。

我们可以想象，一个县城学生正在为了提高二十分而反复刷题，远在大洋彼岸的商业实验室却可能正在研发改变整个行业工作方式的系统。前者所处的环境仍然把熟练掌握标准答案视作重要竞争力，后者已经开始研究机器能否独立完成原本由高水平专业人员承担的复杂任务。

两件事情在同一个时代发生，彼此之间却仿佛隔着几十年。

我并不否认基础知识训练的价值，更不认为刷题与理解在任何情况下都是对立的。对于一个正在参加高考的学生而言，熟练解题本身就是需要掌握的能力。

只是当我们把这种能力放到更长的时间尺度下观察，就不免产生疑问。

假如知识的获取、解释乃至部分创造方式都在发生改变，那么学校是否也应该重新考虑，究竟应当把学生有限的时间投入到什么地方？

过去，教育机构在相当程度上控制着知识传播的路径。学生需要教师讲解，需要按照教学进度学习，也需要通过考试证明自己掌握了这些知识。

而现在，先进的AI模型已经能够在许多领域提供相当高质量的个性化讲解。它不会因为一个学生反复追问同一个问题而不耐烦，也不需要为了照顾几十个人的教学进度而终止讨论。

这并不能证明AI已经全面超越教师。学校还承担社会化、集体生活、实践训练以及人格发展的功能，优秀教师也能够提供机器难以替代的经验和引导。

但是，教师作为知识解释者的地位，至少不应该再被认为天然不可挑战。

如果一位教师提供的解释确实不如AI清楚，那么学生为什么不能选择后者？如果一套教学方法无法帮助学生真正理解知识，那么它又凭什么仅仅因为自己属于正规教育，就理所当然地要求学生接受？

我们过去强调尊师重教，但尊重教师的职业，并不意味着学生必须放弃比较不同知识来源的权利。

我尤其不喜欢一种说法：学生借助AI理解知识，似乎天然就比听老师讲课低一等。

学习本来就应该以理解为目的。无论知识来自课堂、教材、互联网还是AI，只要最终能够被学习者真正理解、验证并运用，就没有必要因为来源不同而人为划分高低。

在我看来，傲慢恰恰可能发生在这里。

当一种新工具已经能够有效完成过去由自己承担的工作时，仍然仅仅依靠身份、资历或者制度安排来维持原有地位，而不是重新证明自己的价值。

当然，AI使用者也完全可能犯同样的错误。如果因为模型能够解决复杂问题，就以为自己已经理解了这些问题；如果因为AI能够生成论文和代码，就认为所有专业知识都不值得学习，那么这只不过是换了一种形式的傲慢。

技术能力属于机器，并不自动转化为使用者本人的能力。

但至少，技术进步为我们提供了重新审视传统权威的机会。

最让我遗憾的是，不同地区的学生面对这场变化，拥有的条件并不一样。

资源丰富的家庭可以更早接触新工具，拥有足够的时间进行探索，也能够获得来自家庭与社会关系的信息。而资源匮乏的学生，可能连究竟发生了什么变化都不知道。他们仍然在原有规则中努力，因为身边的成年人也只能用自己过去的人生经验告诉他们什么是正确的。

我小时候就有过类似的感受。

许多知识、工具、思考方式，明明已经在外面的世界存在，却从来没有人在我成长的环境中主动告诉我。直到多年以后，我才通过互联网、留学和自学，一点一点把它们找回来。

我不怨恨那些没有告诉我的人，因为他们自己可能也不知道。但这种认知上的时间差，会真实地影响一个人的人生选择。

我最担忧的，正是那些处在信息末端的人。

他们或许并不是不够努力，也不缺乏改变生活的意愿。恰恰相反，他们可能比许多拥有优越条件的人更加努力，更愿意相信知识改变命运。

只是他们所能够接触到的知识，未必包括这个世界正在发生怎样的变化。

想到这里，我脑子里甚至冒出几个有些荒诞的比喻。

好不容易抢到了泰坦尼克号的船票；1945年7月满怀期待地前往广岛；或者在1945年兴高采烈地投身一支自己认为前途光明的军队。

这些历史事件当然不能拿来直接类比今天的教育，更不能因为我们已经知道了历史结局，就假定当事人当时能够预见未来。

我只是想表达一种历史反讽。

一个人可以在某套竞争规则中付出极大的努力，最终取得了令所有人羡慕的资格，却不一定能够因此掌握自己的命运。因为他所争取的位置究竟有多大价值，并不完全取决于他个人的努力。

有时候，甚至越努力，沉没成本就越高，越难接受外面的规则已经发生改变。

然而回过头来，我又必须承认一个十分矛盾的现实。

假如今天真的有一个农村孩子来问我，要不要认真参加高考，我大概率仍然会告诉他，应该。

因为对于这个孩子而言，大学文凭可能仍然是他能够争取到的少数有效筹码。即使未来存在不确定性，也不能因此要求一个没有家庭资源兜底的人，轻率地放弃眼前已经存在的机会。

我自己能够在这里讨论AI、教育制度和知识生产的变革，也离不开过去二十多年接受的教育。倘若没有那些基础训练，没有后来继续读书的机会，我未必能够拥有今天理解这些变化的能力。

这才是最让我感到复杂的地方。

我一方面认为旧的教育模式正在受到越来越明显的挑战，另一方面又不得不承认，在现有的社会结构下，普通人仍然需要依靠这套制度争取发展机会。

对个人而言，遵守旧规则可能仍然是理性的；对整个社会而言，继续把旧规则包装成通往未来的唯一道路，却可能是一种危险的惯性。

这不是一句“读书无用”能够解释的事情。

甚至恰恰相反，我认为未来可能比过去任何时候都更加需要真正的学习，只是学习的目的、方式和所依赖的工具，都应当重新审视。

以前一个人学习，首先要找到能够提供知识的人，找到适合的教材，支付时间与经济成本，然后在有限的教学资源中慢慢建立理解。今天，虽然AI仍然存在错误，不能代替全部实验、实践和人际交流，但它已经能够在许多场景中充当极其强大的学习助手。

对于我这样习惯不断追问的人，这种变化尤其明显。

过去一个问题可能困扰我几年，今天我可以在一个晚上反复追问，直到找到足够清晰的解释。当然，理解是否真正成立，最终仍然需要靠我自己去检验。

这让我开始重新理解所谓教育公平。

教育公平不仅仅是让更多农村孩子有机会参加同一场考试，进入同一类大学，也应该意味着他们能够尽可能及时地接触这个时代真正重要的知识、工具与信息，能够知道自己所处的社会正在发生什么变化。

否则，一个人即使在考试程序中得到了公平竞争的机会，也可能因为长期的信息隔绝，在人生方向的选择上处于不利位置。

而且AI并不会自动消灭这种不平等。

拥有优秀判断能力、信息渠道和自主学习习惯的人，可能比过去更快地利用AI扩大自己的优势。一个只会要求AI给出标准答案的人，和一个能够不断提出问题、检查论证、建立知识体系的人，即使使用相同的模型，最终得到的东西也可能完全不同。

技术降低了知识获取的门槛，却未必自动降低理解世界的门槛。

如果说过去的教育不平等，主要表现为谁能获得更好的学校、教师和教材，那么未来还可能体现为谁更早知道有哪些工具、谁更懂得如何使用工具，以及谁拥有独立判断工具输出的能力。

这同样是一种需要认真对待的差距。

我甚至觉得，在这个意义上，所谓大忏悔时代，并不应该只属于学术界。

它也应该属于教育机构、家长，以及包括我在内的每一个曾经相信某条人生道路具有稳定回报的人。

我们不能因为一套制度曾经培养出大量人才，就认为它的具体教学方式不需要改变；也不能因为过去几十年考上大学确实改变了许多人的命运，就默认这种路径在未来仍然能够提供同样的回报。

同样，我们也不能因为新技术看起来强大，就把AI奉为新的权威，仿佛只要拥有它，便不再需要教育、经验和思考。

我所期待的，不是用机器取代所有老师，也不是让孩子放弃学习去追逐技术风口，而是让更多人有机会了解真实的变化，并且有能力据此作出自己的判断。

我不敢说自己已经看清楚未来。连那些站在科研最前沿的学者，都还在讨论AI究竟会怎样改变自己的学科，我自然更没有理由宣称传统教育已经走到了尽头。

但我至少能够确定，过去那种按部就班地完成教育、获得学历，再依靠学历取得相对稳定社会位置的人生路径，其背后的许多条件正在发生变化。

我们所熟悉的教育制度，确实曾经帮助无数普通人改变命运，也确实在社会发展中发挥了重要作用。但制度过去的成功，并不能自动证明它已经为未来做好准备。

我有时会想，一个出生在普通县城的孩子，今天可能仍然相信，只要足够努力，考进一所好大学，人生便会从此进入另一条轨道。

我希望他的努力能够得到回报，也希望高考仍然能够给他改变处境的机会。

毕竟对于许多普通家庭而言，这张船票来之不易。

只是我不希望他在拿到船票以后，才发现自己从来没有了解过这艘船将驶向何处，也不知道外面的海究竟发生了什么变化。

更不希望他因为已经为这张船票付出了太多，就再也不敢考虑其他道路。

我越来越觉得，一个人最可惜的事情，不是没能在既定规则中赢得竞争，而是直到竞争结束，都不知道自己原本还可以作出别的选择。

而对于那些不断告诉年轻人应该如何努力的成年人，我们或许也应该保留一点谦逊。

我们究竟是在帮助他们走向未来，还是只是在认真地教他们如何回到过去？