数学题被AI解了，学习还剩什么？

2025年，Google DeepMind让一个高级版Gemini参加国际数学奥林匹克竞赛。它在规定的4.5小时里完整解出6道题中的5道，拿到35分，达到金牌标准。

如果只看这个结果，一个正在啃数学题的人很容易泄气：机器已经做到世界顶尖，我还学它干什么？

最近读到一篇文章，开头正是类似的疑问。原文把情绪推得很远，写成“数学不存在了”。我倒觉得，真正需要拆开的，是比赛结果、学习过程和数学研究这三件事。

一年前的条件就不同。2024年的AlphaProof和AlphaGeometry 2解出6道题中的4道，达到银牌标准；题目先由专家翻译成形式化语言，有的题在几分钟内完成，有的用了最多三天计算。到2025年，模型直接读自然语言题目，并在竞赛时间内交卷。

这组变化很重要。它证明工具进步得很快，却没有证明“学会数学”只剩下和工具拼解题速度。

一个人学习数学，至少在练三层东西：看懂题目到底给了什么，知道某一步为什么成立，发现结论换了条件以后还成不成立。机器可以更快给出结果，人如果跳过这三层，只拿到一段看起来像证明的文字，仍然不知道自己手里是什么。

2026年2月，DeepMind介绍面向研究问题的数学代理Aletheia。它没有把“生成一个答案”当作终点，而是专门放进验证器：候选解正确就输出，有小问题就修订，存在关键错误就退回重做。相关工作仍由数学家和科学家参与提出问题、检查意义和判断结果。

这反而提醒我，工具越能写出像样的证明，使用者越不能只会按下按钮。不会读证明的人，也很难知道验证器漏掉了什么；不了解问题的人，更难判断一个漂亮答案是否回答了真正的问题。

我不需要在算题速度上赢过AI，就像不用在乘法速度上赢过计算器。但我至少要知道自己问了什么、答案依赖什么、哪一步值得怀疑。

数学没有因为工具变强而不存在。消失的只是一个旧目标：把学习理解成在人类和机器之间争夺同一张速度排行榜。剩下的那部分更慢，也更难替代——看懂，追问，然后决定这个答案能不能被相信。

资料：

来源