假如有一天，机器能解出你苦想很久的难题，你还会继续做这份工作吗？
过去，这样的问题常被拿来问流水线工人。后来，人们开始问翻译、设计师和程序员。如今，这道题摆到了顶尖数学家面前。
北京时间2026年10月24日13时，BBC播客《More or Less》发布了对陶哲轩的访谈。节目介绍提到，他认为数学领域受到的冲击，可能成为AI改变更广泛社会生活的"矿井里的金丝雀"。


这个比喻并不难懂：过去，矿工利用金丝雀对危险气体的敏感，提前发现风险。放在这里，就是一个领域先出现变化，提醒其他领域做好准备。


数学界发生变化，并不意味着所有行业会按同一速度变化。
但它提出的问题，确实与普通人有关：如果机器越来越会给答案，我们凭什么继续获得工资、赢得认可？


先别急着把"会解题"，理解成"数学家没用了"。
很多人对数学的印象，停留在考试：题目已经印在卷子上，条件都给好了，算出结果，拿到分数。


于是，AI一旦表现出解题能力，大家自然会联想到：最会做题的人，也要被替代了？
可是，研究数学和参加考试之间，隔着很长一段路。
考试通常有人替你出题，研究却要判断：什么值得研究？一个结论能不能推广？两种看起来无关的方法，是否藏着共同规律？


这些问题，无法只用"答对了几道"来衡量。
陶哲轩在2026年8月提交的《AI时代的数学》一文中，就把讨论往前推了一步：先假设AI能够承担相当一部分研究任务，再追问数学研究究竟要实现什么目标。他列出的目标，包括发展理论、理解世界、积累共同知识，以及培养下一代。


这是一种有条件的讨论，不能改写成他已经断言"AI全面超过数学家"。
但其中的提醒很清楚：评价一个职业，不能只盯着最容易展示的那项成绩。


这里有一个普通人更容易理解的例子：酒店门童。
2026年10月6日，UCLA发布的访谈中，陶哲轩谈到一种"门童谬误"。
设想一家酒店为了省钱，把门童的工作理解成开门关门。既然装上自动门就能完成，似乎就可以把人省掉。


问题在于，门童还可能帮客人叫车、提供指引、照看门口情况。他真正提供的服务，比"开门"两个字多得多。
把这个道理放回我们的生活，会发现它一点都不陌生。


一位老员工，表面上负责做报表，实际上还知道哪个数字异常、哪个部门的口径变了、哪些漂亮的数据背后藏着问题。
一位老师，表面上负责讲题，实际上还要看出学生究竟没懂哪一步，判断他是不会、粗心，还是已经失去学习信心。


这些贡献，有时没有单独记在考核表里，却撑着工作的正常运转。
从这个角度看，企业如果只看见能被自动化的那部分，就可能低估一个岗位的全部作用。
不过，反过来也不能因此保证岗位永远安全。一项核心任务变便宜以后，人员配置、收费方式和招聘标准，都可能随之调整。


对从业者来说，真正需要想清楚的是：自己的贡献里，哪些只是完成步骤，哪些能切实解决问题？
数学为什么会成为观察AI变化的一个窗口？


因为它有一个相对特殊的条件：一部分结果，可以进入严格的验证流程。
当然，这绝不是说"AI把证明写出来，电脑就能一键判断所有数学问题"。自然语言写成的证明，仍可能有缺口；转换成计算机可以严格检查的形式，也需要工作。


陶哲轩经本人审阅的公开观点汇总指出，数学中能够对形式化证明进行检查的特点，让AI的部分成果更容易得到明确检验。
用生活中的话说，就是"提出一个答案"和"确认这个答案可靠"，有机会形成比较清楚的配合。


这让数学成为研究AI能力的好窗口，却不能直接拿来推算所有职业的未来。
现实工作里的问题，往往连标准都没那么清楚。
比如，一家小店利润下降，到底应该涨价、换货、减少营业时间，还是改善服务？


账算对了，只解决一部分问题。老板还得考虑顾客会不会走、员工能不能接受、手里的现金够不够撑过调整期。
数学证明的严格，恰恰提醒我们：离开明确条件与验证标准，不能把屏幕上的流畅回答直接当成可靠决策。


对普通上班族来说，更现实的变化，可能先发生在工作内容里。
把这个话题放回办公室，可以设想这样一种情况。
一位负责经营分析的员工，以前花很多时间整理数据、统一格式、制作图表。假如这些步骤可以交给工具完成，他的价值就更需要体现在后面的判断上。


同样是销售额下降，他能否分清季节波动与客户流失？能否发现促销拉高了收入，却压低了利润？能否提出一条公司真正做得到的调整建议？


如果他只是把图表做快了，改善的是效率。
如果他能解释问题、识别风险、推动行动，才更接近公司想买到的结果。
这不意味着每个人都能轻松"升级"。学习新工具、适应新要求，本身就需要时间，而节省下来的时间究竟如何分配，也由企业的具体选择决定。


企业可能扩大业务，也可能减少招聘；可能让员工少加班，也可能提高人均任务量。
因此，"AI能替人完成一些任务"与"一个岗位最终保留多少人"，中间还有需求、成本、管理方式等多道环节。


谁直接跳过这些环节，宣布某个专业一定消失，谁就把复杂问题讲得过于简单了。
另一个需要重视的问题，是新人以后怎么成长。
一个人能判断报告是否靠谱，往往因为他自己查过资料、改过错误、被异常数字难住过。


那些看起来笨拙的过程，有一部分正是经验的来源。
假如公司把初级任务全部交给工具，却仍然要求年轻员工入职后就会审核、会判断、会负责，这个人才培养的链条，可能出现缺口。


拿写分析报告来说，一个从未核对过原始数据的人，很难仅凭成稿的语气和排版，判断结论是否站得住。
工具可以帮助新人学习，也可能让他绕过学习。两种结果，取决于具体怎样使用。
陶哲轩在上述UCLA访谈中也提醒，让学生直接用AI完成原本用于训练他们的题目，会带来风险；学生如果不理解相关内容，就难以检查答案。


对家长而言，这比追问"孩子以后还要不要学数学"更值得认真想一想。
孩子能够交出正确作业，与孩子真正掌握了方法，是两回事。


可以让工具提供提示，但还要让孩子解释为什么这样做；可以让它检查错误，但不能把每一次独立尝试都省掉。
否则，今天省下的是做题的时间，明天缺少的可能是独立判断的底子。


我们也不必把未来想成：人只剩下给机器检查作业。
这种说法听起来很有冲击力，却同样把人的工作压得太窄。
想象你正在装修房子。有人给出十套完整方案，你仍需要决定家里到底要怎样生活：老人需不需要无障碍通道，孩子在哪里活动，预算应该优先花在哪儿。


方案数量增加，不会自动替你确定生活目标。
工作也是如此。工具提供更多选项之后，选择什么、舍弃什么、为什么这样选，仍需要明确的标准。


而且，"选择"本身也不是一句轻飘飘的话。它需要知识、对实际情况的了解，以及承担后果的机制。
未来的工具也可能帮助人们完成更多判断。因此，我们没有理由把某种能力宣布为人类永远不会被触及的领地。


更务实的准备，是持续学习，让自己的判断有依据，让自己的贡献能被看见。
具体到今天，可以先做三件小事。
第一，把自己的工作拆开看。
哪些步骤重复多、规则清楚？哪些步骤需要了解具体的人和情况？哪些错误一旦发生，代价很大？


拆清楚以后，才能知道哪里适合交给工具，哪里需要加强核验。
第二，每次使用AI，给结果留一道检查。
数字能否回到原始来源，引用是否真实，结论有没有超出材料支持的范围？这些问题，比学会一串神奇提示词更耐用。


第三，保留独立完成关键任务的能力。
不必事事从头做，但至少要知道核心步骤是什么，最容易错在哪里。否则，效率提高的同时，也可能失去发现错误的能力。
这三件事无法保证任何人的岗位，却能帮助人更清楚地面对变化，而不是只在"全面失业"和"完全不用担心"之间摇摆。


回到陶哲轩谈到的预警。
数学会不会成为最先受到AI冲击的职业领域之一，值得继续观察；具体冲击多大、如何影响就业，不能靠一期访谈就下结论。


但有一件事，已经值得今天的上班族、企业管理者和家长认真讨论：
当机器能更快完成一项任务，我们应该怎样重新认识工作、培养能力、评价贡献？
过去，我们常问一个人："这道题，你会不会做？"


往后，或许还得多问几句："为什么做这道题？答案凭什么可信？做出来以后，能帮助谁？"
答案越来越容易获得的时候，把问题想清楚的功夫，更不能省。