生成式 AI 永久改變了數學，學界重新思考研究方式與意義

AI 驅動的數學突破正在學界引發一連串根本性的提問：數學研究該怎麼做，以及人類為什麼要做數學。這場討論的層次已經超越「多了一個好用工具」的範疇，直接觸及學科本身的定位。

生成式模型在數學上的進展有其特殊性。與其他領域不同，數學的正確性可以被形式化驗證——一個證明要嘛成立，要嘛不成立，不存在模糊地帶。這讓數學成為 AI 能力最容易被客觀衡量的領域之一，也讓形式化證明助手與 AI 的結合成為近年進展最快的方向：模型生成候選證明，驗證器檢查其正確性，錯誤者直接淘汰。這套迴圈不需要人類逐步審核，因此能以極高速度迭代。

實務層面的改變已經發生。在文獻檢索、反例搜尋、繁瑣的代數演算與特殊情況的窮舉上，AI 的效率遠超過人力，讓研究者能把時間集中在概念構思上。部分研究者也開始把 AI 當作對話對象——描述一個模糊的直覺，讓模型嘗試形式化或提出反駁，藉此加速想法的成形與淘汰。

真正引發爭議的是更深層的問題。數學界長期存在一種共識：證明的價值不只在於確立命題為真，更在於提供理解——一個好的證明會揭示為什麼命題成立，並啟發新的問題。當證明由 AI 生成、由機器驗證，其結構可能極其冗長且缺乏人類可理解的脈絡；命題確實被證明了，但沒有人因此更理解它。這種「正確但不可理解」的結果，究竟算不算數學成就，是當前討論的核心之一。

「人類為什麼要做數學」的提問則更為根本。如果目標只是產出新定理，AI 的效率終將超越人類；但若數學活動的價值部分在於人類理解世界的過程本身——如同下棋在 AI 超越人類後仍持續存在——那麼研究的目標與評價標準都需要重新界定。這個問題沒有技術性的答案，只能由學術社群透過實踐逐步形成共識。

教育層面的衝擊同樣直接。當繁瑣的推導與計算可由工具完成，數學訓練的重心應該放在哪裡？培養學生的形式化能力、問題設定能力，或是驗證與批判 AI 產出的能力，都是可能的方向，但目前尚無定論。

後續觀察重點包括：形式化證明系統的普及程度、頂尖期刊對 AI 參與證明的揭露與審查規範，以及是否出現由 AI 主導、且具備人類可理解洞見的重要成果。