当最警惕AI的群体也开始日常使用它，问题就不再是"要不要用"，而是"用了之后会怎样"。
发生了什么
WIRED的一篇报道聚焦数学界的一个矛盾现象：许多数学家对AI持强烈的保留甚至抵触态度，认为它对学科构成"存在性风险"，但与此同时，他们又在研究中持续依赖这些模型。报道的核心判断是——模型太好用了，以至于研究者无法真正抽身。
这种张力并非数学独有，但数学界的反应格外值得注意。数学长期被视为最纯粹、最依赖人类推理的智力活动之一，其从业者对"机器能否思考"这一问题有着近乎本能的敏感。
为什么重要
数学是AI能力评估的一块试金石。一个模型能否给出严格证明、能否发现反例、能否在形式化系统中完成推导，往往被视为衡量其推理深度的标尺。正因如此，数学家对AI的态度天然带有双重性：他们既是潜在的被冲击者，也是最有资格评判其能力边界的人。
报道揭示的悖论在于，抵触情绪并没有转化为实际的距离。当工具能显著加速文献检索、猜想验证、代码化推导或形式化证明的草稿阶段时，拒绝使用意味着在效率竞争中落后。学术共同体的评价体系——发表速度、产出数量、竞争优先级——会持续把个体推向使用。
这构成了一种结构性依赖：不是被说服，而是被节奏裹挟。
影响与看点
对研究者而言，真正的问题不是"AI会不会取代数学家"，而是"当基础工作被外包后，哪些能力会被保留、哪些会退化"。历史上计算器普及后，手算能力在专业群体中确实弱化，但数学本身并未因此停滞。区别在于，这一次被外包的可能不只是计算，还包括猜想生成、证明草稿和文献综合——这些更接近研究判断的核心环节。
对AI行业来说，数学界的采用模式是一个高信噪比的样本。这个群体对错误极度敏感，对"看起来对但实际不严谨"的输出容忍度极低。他们愿意用，说明模型在特定环节确实达到了可用阈值；他们仍在抱怨，说明可靠性、可验证性和可追溯性远未解决。这两点同时成立，恰好定义了当前工具型AI的真实位置。
值得关注的具体方向包括：形式化证明工具与大模型的结合、模型输出在同行评审中的可接受边界、以及学术机构是否会出台使用披露规范。
一个独立判断：数学家的困境不是道德困境，而是激励结构困境。只要评价体系奖励产出速度，抵触就会停留在言论层面，依赖则会沉淀为默认工作流。
