菲尔兹奖得主用 ChatGPT 5.5 Pro 17 分钟出论文，数学专业未来将如何发展？

爱吃的小肥羊 · 2026-05-14 11:33:21 发布

让我先把事情捋清楚。

做这个实验的人叫 Timothy Gowers，2002年菲尔兹奖得主，现在是法兰西公学院组合学讲席教授、剑桥三一学院Fellow。

这人在数学界的地位，大概相当于物理界的Witten，是一位真正站在一线做研究的学者。

他拿到了 ChatGPT 5.5 Pro 的测试权限之后，做了一件的事：他没有拿那些早就被研究透的经典问题去测试（那样AI可能只是在背答案），而是选了数论学家 Melvyn Nathanson 最近才提出的一组关于加法数论中求和集直径的开放问题。

这些问题足够新，新到数学界还没怎么碰过。

结果则是——

第一个问题：Nathanson证明过一个指数级上界，问能不能改进。

ChatGPT 5.5 Pro思考了17分05秒，直接给出了一个二次上界的构造，而且这个界是最优的。Gowers后来验证了，逻辑是对的。

第二个问题：更难的一般情形。MIT的学生 Isaac Rajagopal 此前做了开创性工作，但构造里有指数级依赖。

Gowers问AI能不能改进，AI思考了16分41秒，把上界从指数级改进到了亚指数级。

Rajagopal本人看完说：这一步是对的。

然后 Gowers 贪心了，继续追问。AI又花了13分钟和9分钟两轮思考，最终把界从指数级一路压到了多项式级，这是一个质的飞跃。

整个过程中AI还自创了一种叫做 "k²-解离集合" 的构造方法，这个概念此前在文献中没有出现过。

最后，一份标准的 LaTeX 预印本在大约两小时内完成。

Gowers本人的原话大意是：我的数学贡献为零。

我甚至没在提示词上做什么巧妙的事，就是说"好的，你能沿着这个方向试试吗"这种程度。

随后Gowers觉得GPT-5.5 Pro确实太牛了，然后直接发了一篇超级长文。

虽然不知道这是不是OpenAI惯用的营销手段，但从这件事可以看到GPT-5.5 Pro的"创造性"是独一无二的。

AI给出的那个k²-解离集合的构造，是一个全新的数学概念。不是从某篇论文里拼凑出来的，不是已知方法的简单推广，而是一个此前没有人想到的思路。

这跟之前 Liam Price 那件事形成了呼应：

一个23岁的非数学专业年轻人，用 ChatGPT Pro 的 "vibe mathing" 方式，协助破解了 Erdős 提出的一个60年悬而未决的原始集猜想。

陶哲轩看完后的评价是：1935年以来所有研究者在第一步就集体走偏了，沿着 Mertens 定理那条路走了90年，而AI用了 von Mangoldt 函数走了一条完全不同的路。

做一些可能不那么受欢迎的预测。

数学PhD的含金量会快速分化。 能提出原创性问题、能跨领域建立联系的人，价值会暴涨。只会在一个窄方向上做技术推进的人，可替代性会急剧上升。
数学的民主化是真实的，但有限度。 Liam Price 的案例确实很牛，但别忘了，陶哲轩和 Lichtman 后来花了大量时间去梳理和验证AI给出的粗糙证明。"任何人都能用AI做数学研究"这个说法，只在很表面的意义上成立。

最后建议大家，不管你是数学专业、计算机专业还是文科生，现在就可以开始把 ChatGPT 或者 Claude 融入到你的学习和工作流程中。

因为在时代的浪潮下，我们只能去适应而不是去逃避，当别人已经开始用AI加速的时候，你还在原地站着看。

最近看了一个博客，再补充一点：

加一个今年三月份陶哲轩在 Dwarkesh Patel 播客的内容。

他在今年3月做客 Dwarkesh Patel 的播客时，聊了AI在数学研究中的真实表现。

一个关键数据：AI目前大约帮助解决了50道 Erdős 问题，听起来很多，但如果做系统性扫描，AI在任意给定问题上的成功率其实只有1-2%。

之所以看起来惊人，是因为可以靠规模同时攻击大量问题，然后只展示赢的那几个。

这是一个典型的选择偏差。而且那50道被解的问题几乎都是缺乏文献记载的"低垂果实"，本质上是把一个冷门技巧和文献中的另一个结果组合起来，恰好落在了AI"一步能跳到"的范围内。

关于生产力，他说自己的论文现在包含了更多代码、图表和数值内容，因为生成这些东西变得很容易。

过去要花几个小时的图表现在几分钟就搞定了，但在没有AI的时代他根本不会在论文里放那个图。

所以不能简单说他"快了多少倍"，AI改变的是论文的丰富度和风格，而解决一个数学问题最困难的核心步骤，仍然是在纸和笔上完成的。

他最后给出的判断是：AI擅长广度，人类擅长深度，两者非常互补。

未来相当长一段时间内，人机混合将主导数学研究。