从“证明执行者”到“问题定义者”：数学研究者的角色重构
人工智能在形式化证明领域的新突破，正迅速改变数学研究的传统分工。以往，大量数学工作者的日常包括验证引理、补全证明细节、检索已有结果，这些环节高度依赖个人经验与长时间训练。如今，以大模型驱动的自动证明系统已能在若干国际数学竞赛与形式化验证任务中达到接近人类顶尖选手的水平，并在部分开放问题上给出可检验的证明路径。这意味着“证明执行”这一层的技术门槛正在被系统性拉低。数学研究者若仍将职业身份锚定在“会做难题、会写严格证明”上，将面临明显的比较劣势。更合理的转向是：把AI当作高带宽的证明搜索引擎，把个人精力集中到问题选择、结构洞察与理论框架搭建上。职业规划的第一课，是承认证明能力仍是基础，但不再是稀缺资源；稀缺的是判断什么问题值得做、什么方向可能产生范式级影响。
问题品味成为核心竞争力：在AI的“证明洪流”中筛选真问题
当自动系统可以批量生成候选证明时，数学研究者的核心任务从“生产证明”转向“鉴定与导航”。一个证明是否正确，可由形式化工具验证；但一个证明是否深刻、是否揭示新结构、是否指向可推广的数学思想，仍需要人类判断。这种判断力可称为“问题品味”，它包含对数学领域长期价值的理解、对证明技术可迁移性的敏感，以及对“漂亮但孤立”结果的警惕。未来数学研究者的职业竞争力，将越来越体现在能否在AI输出的海量结果中识别出真正值得跟进的方向。相应地，职业规划应增加“鉴赏训练”：系统阅读不同分支的经典工作，参与跨领域讨论，学习区分技术性结果与概念性突破。研究者还需建立自己的“问题账本”，记录哪些问题因AI进展而变得可攻、哪些问题反而因工具泛滥而更需谨慎，从而形成个人化的研究方向筛选机制。
人机协作的工程化能力：从单打独斗到“数学工作流”设计
AI新突破带来的另一变化，是数学研究日益工程化。过去，一个数学家可以凭纸笔和少量计算完成重要工作；现在，借助自动证明、符号计算、数据库检索和实验数学工具，研究过程更像一条需要设计的工作流。数学研究者不必成为软件工程师，但必须理解如何把问题拆解为机器可处理的形式，如何设定中间目标，如何评估自动输出的可靠性，以及如何把机器发现的模式转化为可证明的猜想。职业规划中应纳入“协作工程”能力：熟悉至少一种形式化证明助手，掌握基本的数据与计算工具，学会为AI系统编写清晰的问题描述与验证标准。更重要的是，研究者要发展“人机分工”意识——哪些环节交给机器快速迭代，哪些环节必须由人慢下来深思。这种工作流设计能力，将成为区分高效研究者与普通研究者的关键变量。
跨学科接口的抢占：数学作为AI时代的“基础协议”
人工智能的数学突破并非孤立事件，它同时把数学推向更多学科的基础设施位置。自动证明依赖逻辑与组合数学，机器学习理论依赖概率与优化，密码学与编码理论因算力变化而重新活跃，甚至实验科学也在借助数学工具处理高维数据。对数学研究者而言，这意味着职业道路不再局限于纯数学教职或传统应用数学岗位，而是可以向“AI基础理论”“形式化验证”“算法公平性”“科学计算基础设施”等交叉地带延伸。规划时应主动建立第二领域的语言能力：了解机器学习的基本范式，理解计算复杂性对AI系统设计的约束，或熟悉某一应用领域的核心问题。数学训练提供的抽象能力在这些接口处具有独特价值，但前提是研究者愿意走出纯数学的舒适区，把数学表达为其他领域可调用、可验证、可部署的形式。
职业形态多元化：教职之外的研究、验证与教育市场
随着AI降低证明生产成本，数学知识的供给结构也在变化。一方面，高校与科研机构对“能提出新理论、能指导人机协作”的研究者需求上升；另一方面，产业界对形式化验证、算法审计、数学建模与AI可解释性的人才需求快速增长。数学研究者的职业形态将更加多元：有人留在学术系统做问题导向的基础研究，有人进入工业实验室负责AI系统的数学安全与验证，有人从事数学教育内容的设计与评估，还有人成为独立研究者，借助开放工具与协作平台开展小规模高价值工作。职业规划应尽早建立“能力组合”而非单一职位目标：以数学洞察为核心，叠加形式化工具、领域知识与沟通能力，形成可迁移的职业资产。同时要意识到，AI工具降低了独立研究的启动成本，但也提高了成果被识别和信任的门槛，建立个人学术信誉与协作网络比以往更重要。
伦理与治理的数学参与：在技术加速中守住可解释边界
AI在数学领域的突破也带来治理问题：自动生成的证明如何问责，机器发现的数学结构是否应公开，算法在教育和科研评价中的使用边界在哪里。数学研究者不应把这些议题完全交给政策制定者或工程师。职业规划中应包含对技术伦理与科研治理的基本理解，并在必要时参与标准制定、验证协议设计与风险评估。数学家的优势在于形式化思维与反例构造能力，可以用来揭示治理方案中的逻辑漏洞，也可以为“可解释的自动推理”建立更严格的定义。未来有影响力的数学工作者，很可能既能在前沿问题上工作，也能在制度层面参与塑造AI与数学互动的规则。
以“慢变量”锚定长期主义：在工具加速中保持学术判断
面对AI的快速迭代，数学研究者容易陷入两种极端：要么过度追逐工具热点，要么固守传统拒绝协作。更稳健的职业策略是识别数学研究中的“慢变量”——那些不会因算力提升而迅速贬值的核心能力，如提出好问题的直觉、构建理论框架的抽象能力、跨领域迁移的洞察力，以及对证明美学的判断。这些能力需要长期积累，却能在工具变迁中保持价值。职业规划应为此留出空间：保持深度阅读与手写推导的习惯，定期回到未受AI影响的基础问题，参与需要长期投入的合作项目。同时，把AI视为可替换的外部设备而非职业身份本身，定期评估哪些技能因工具进步而贬值、哪些因工具进步而增值。数学研究者的未来，不属于最会使用某一款AI系统的人，而属于能在工具洪流中持续校准问题方向、并用严格判断守住学术标准的人。