AI 正在大规模进入数学研究，但一个根本性的问题开始浮现：我们是否把 AI 用在了错误的地方？
发生了什么
Hacker News 上出现了一篇题为《A misalignment of AI in mathematics》的讨论帖，引发了社区关注。帖子标题中的“misalignment”一词耐人寻味——它既可以指 AI 系统与人类意图之间的对齐问题，也可以指 AI 在数学领域应用方向上的偏差。从讨论热度来看，这个话题触及了不少研究者和开发者的共同困惑：当前 AI 在数学中的主流用法，是否真的匹配数学研究的实际需求？
为什么重要
过去几年，AI 在数学领域的进展主要集中在两个方向：一是用大模型做形式化证明的辅助，二是用 AI 搜索反例、猜想或证明路径。这些方向本身有价值，但问题在于，数学研究的核心工作——提出好问题、建立直觉、判断什么值得证明——恰恰是当前 AI 最不擅长的部分。
换句话说，AI 被大量用于“解题”，而数学的真正瓶颈往往在“选题”。这种错位意味着，即便 AI 在基准测试上的分数不断提高，它对数学研究的实际推动可能远低于预期。更值得警惕的是，当资源过度集中于可自动化的证明搜索时，那些需要长期直觉积累的方向反而可能被冷落。
影响与看点
对研究者而言，这意味着需要重新审视 AI 在数学工作流中的位置：它更适合作为验证工具和穷举引擎，而非方向引导者。对 AI 开发者来说，这是一个提醒——数学不是又一个可以被基准测试完全定义的领域，把 NLP 的评测逻辑直接搬到数学上，可能会系统性地高估进展。
值得关注的是，这类“错位”讨论正在从边缘声音变成社区共识的一部分。它未必会立刻改变技术路线，但会影响资源分配和评价标准。一个独立的判断是：AI 在数学中的真正突破，可能不来自更强的解题模型，而来自能帮助人类提出更好问题的交互方式。
