即使AI证明定理完全超过人类，数学的价值几乎不会改变
数学的钱主要来自教学，而非证明本身；AI把定理证明变成原始数据后，稀缺的是搭建理论、练口头表达，以及谁该获得学术功劳。
核心论点 · 点时间戳可跳到原声
数学资金主要靠教学而非科研
他指出一个反直觉的事实：数学系最大的收入来源不是NSF拨款或Simons基金会这类私人资助，而是教学——因为数学系教的学生远不止数学专业本身，靠学分和学费拉动了经费。这意味着个人层面的价值（问题解决能力的训练、做数学带来的审美愉悦）主要是通过教学这条渠道变现的，而不是直接靠科研产出换钱，这也是后面讨论AI冲击时的一个关键前提。
— Karpathy进步速度比当前水平更值得关注
他用几个例子说明AI数学能力的进步速度被低估，而不是现有水平被高估：2023年DeepMind的奥数几何模型靠的是专门设计、略显生硬的技巧；后来通用的自然语言模型已经能按任何合理标准解出IMO级别的题目；最早的Erdős问题证明被质疑是捡漏，但现在没人再这么说了。结论是：四年前这些模型连加法都做不利索，现在已经能对严肃的研究级问题给出证明。
— Karpathy证明能力不是数学价值核心
即使AI在证明定理上全面超过人类，他认为对数学的资金和价值几乎没有影响，因为真正产生应用价值的从来不是单个证明，而是证明背后生长出的理论体系——不是费马大定理的是非判断本身重要，而是为证明它而发展出的整套代数几何和椭圆曲线理论后来催生了密码学。对公共和私人资助者来说，数学家只会因此更有杠杆，而不是变得多余。
— KarpathyAI出证明后数学家的两种反应
线上的声音大多是负面的：如果一个数学家正在攻关的问题被OpenAI成批倾倒出证明，那种感觉像是被人抽走了干劲。但当面交流时他看到的更多是兴奋。他分享了普林斯顿高等研究院的Konstantin Kogler的经历——对方把自己领域里最重要的公开问题之一拿去问模型，周四就看到了关键想法，周日问题就解开了，那种又兴奋又睡不着觉的状态，是他亲口描述的。
— Karpathy / Konstantin Kogler证明正在变成一种原始数据
他提出一个重新定义：应该把证明当成一种像数值计算一样的原始数据，而不是终点。多年来数学界把证明出来等同于理解了，但他认为这套评价标准正在失效——比如他并不关心Navier-Stokes方程证明本身，真正值得在意的是有没有人把这些证明背后的想法梳理成一套连贯的理论，谁做到了这一步，千禧年大奖该颁给谁，而不是颁给生成证明的模型。
— Karpathy资金未必流向最优的AI本身
设想一个极端情形：AI不仅会证明定理，连提出猜想、搭建理论、把理论应用到科学工程里都比人类强。按纯粹效率算，这时候把公共和私人资金砸向一大坨专门做数学的算力才是理性选择。但他不相信政策制定者真会把开关一拨让公共资金直接流向机器；更可能的情况是，被AI造富的个人自己成立私人基金会去砸算力搞数学研究，而公共资金会转而强调数学训练问题解决能力这类外部性，或者把人类做数学重新定义为一种该被资助的艺术。
— Karpathy教学是AI最难替代的数学工作
他认为教学是AI冲击下最安全的岗位之一，原因不是AI讲不清楚——哪怕AI能把知识点讲得比任何人类都清楚，学习的瓶颈从来不是讲解的清晰度，而是动机：人想不想学。而驱动动机最大的因素往往是看到另一个真正在乎这件事的人，这是高度依赖人际关系的东西，屏幕上的清晰讲解替代不了。
— Karpathy新人能重写数学的记功方式
他给2026年数学博士生的建议不是去用AI解锁新数学，而是抓住这个时机：整个数学共同体都知道自己的学术评价体系必须改，正在到处找范本，这意味着新人有机会真正塑造数学以后怎么记功。他举自己为例——十年前如果提出把可视化数学做成博士论文，大概率会被轰出系里，但现在正是这种想法可能被接纳的时刻。他还建议，不管是用证明机器做前所未有的理论构建，还是坚持人做给人看的数学，都该多练习讲座和口头表达，因为这会越来越成为衡量一个数学家的标准。
— Karpathy原话 · 已逐字校验
there has never been a better time to go into math, that there's never been a better time to fund math, and that maybe the most radical change that we'll see in this moment is a reframing of how we assign academic credit
现在是投身数学最好的时代，也是资助数学最好的时代，这一刻最激进的变化或许是我们重新定义该如何分配学术功劳。
Karpathy1:00
you know, did DeepMind just crush Olympiad-level geometry?
DeepMind是不是刚刚碾压了奥赛级别的几何题？
Karpathy11:09
four years ago, these things couldn't even add numbers. They came to be able to do contest level math much faster than anyone anticipated.
四年前这些模型连加法都不会，后来它们达到竞赛级数学水平的速度比所有人预期的都快。
Karpathy14:10
First I felt incredible excitement because about the math, about the power, about the truth I would learn, about the power of ideas I saw.
一开始我感到难以置信的兴奋，是为了数学本身，为了那种力量，为了我即将学到的真相，为了我看到的那些想法的力量。
Konstantin Kogler18:12
The proof is just data, it's like giving me more digits of π.
证明只是数据，就像给我多算出几位π的小数。
Karpathy23:14
Let's call this the anything you can do I can do better future.
我们就把这个叫做「你会的我都更会」的未来。
Karpathy31:18
Teaching in general just feels to me like one of the most safe positions from a standpoint of AI job displacing because it's so relational, because it depends so much on a human-to-human interaction.
教学在我看来是AI冲击就业里最安全的岗位之一，因为它太依赖人际关系，太依赖人与人之间的互动。
Karpathy34:22
The reason I think it's one of the best times to go in is because the community as a whole knows that it needs to change, and so many people are leaning back looking for guidance and examples on what that change should be.
我认为现在是入行最好时机的原因是，整个数学共同体都知道自己必须改变，很多人正等着看该往哪个方向改。
Karpathy37:25
数字与实体
| OpenAI 投放的数学证明数量 | 数百个问题的证明 | 13:09 |
| Karpathy 数学家访谈项目起始时间 | 2025年年中起 | 11:09 |
术语
- Erdős problems厄多斯问题集
- 数学家Paul Erdős提出的大量公开问题，常被AI模型公司当作证明能力的基准测试。
- rising sea上升的海平面（Grothendieck比喻）
- 格罗滕迪克用海平面上涨比喻理论建设：不硬解难题，让整体理解抬升，问题自然消解。
- anything you can do I can do better future「你会的我都更会」的未来
- 文中假设AI在证明、提猜想、建理论、搞应用上全面超过人类的极端情景。
- spiky frontier参差不齐的能力边界
- AI数学能力在不同领域、不同人之间表现差异极大，没有统一水平线。
收听指南
在读或考虑读数学/理论方向博士、以及要给学生做职业建议的数学教授，担心AI让这条路失去价值的人。
熟悉学术资助结构的人可跳过5-8分钟的资金来源框架讲解。