क्या AI Mathematicians की जगह ले लेगा? Numbers Surprising हैं — और Answer भी

54% गणितज्ञों का काम अब AI के संपर्क में है। अगर वह संख्या आपको आश्चर्यचकित करती है, तो अगली आपको और अधिक आश्चर्यचकित करेगी: उनका वास्तविक स्वचालन जोखिम केवल 36% है।

वह अंतर — जो AI छूती है और जो AI को खतरा है — कृत्रिम बुद्धिमत्ता के युग में गणित की पूरी कहानी है। और यह वह कहानी नहीं है जिसकी अधिकांश लोग उम्मीद करते हैं।

AI एक शक्तिशाली कैलकुलेटर है, गणितज्ञ नहीं

आइए इससे शुरू करें कि AI गणित में क्या अच्छा करती है। कम्प्यूटेशनल विश्लेषण और सिमुलेशन 68% स्वचालन पर पहुंच गए हैं। [तथ्य] इसका मतलब है Monte Carlo सिमुलेशन चलाना, डिफरेंशियल समीकरणों को संख्यात्मक रूप से हल करना, लाखों मामलों में अनुमानों का परीक्षण करना — ये कार्य जो पहले एक गणितज्ञ का हफ्तों का समय लेते थे, अब मशीन द्वारा काफी हद तक संभाले जा सकते हैं। अगर आपकी नौकरी मुख्य रूप से गणनाओं को क्रंच करना था, हां, वह हिस्सा जा रहा है।

शोध पेपर लिखना और निष्कर्ष प्रस्तुत करना 55% स्वचालन पर है। [तथ्य] AI साहित्य समीक्षा का मसौदा तैयार कर सकती है, LaTeX दस्तावेज़ फॉर्मेट कर सकती है, विज़ुअलाइज़ेशन उत्पन्न कर सकती है, और यहां तक कि संबंधित कार्य का सुझाव दे सकती है। Semantic Scholar, Elicit, और जुड़े AI असिस्टेंट जैसे उपकरणों ने शैक्षणिक लेखन की यांत्रिकी को काफी तेज कर दिया है। एक साहित्य समीक्षा जिसे पहले सावधानीपूर्वक डेटाबेस खोज के दो सप्ताह की आवश्यकता थी, अब एक दोपहर में इकट्ठी की जा सकती है, जिसमें गणितज्ञ पुनःप्राप्ति के बजाय आलोचनात्मक मूल्यांकन पर केंद्रित होता है।

लेकिन यहां वह है जहां यह दिलचस्प हो जाता है। गणितीय मॉडल और सिद्धांत विकसित करना — गणित का वास्तविक रचनात्मक हृदय — केवल 42% स्वचालन पर है। [तथ्य] AI डेटा में पैटर्न सुझा सकती है। यह Lean जैसे सिस्टम का उपयोग करके प्रमाण सत्यापित कर सकती है। यह यहां तक कि उम्मीदवार अनुमान उत्पन्न कर सकती है। जो यह नहीं कर सकती वह वह है जो एक गणितज्ञ को गणितज्ञ बनाता है: एक ऐसी संरचना देखना जो किसी ने पहले नहीं देखी, एक ऐसा प्रश्न पूछना जो किसी ने नहीं पूछा, और एक ऐसी दलील बनाना जो मात्रा, संरचना, स्थान, या परिवर्तन की प्रकृति के बारे में कुछ वास्तव में नया प्रकाशित करती हो।

2024 Fields Medal समिति जल्द ही GPT को पुरस्कार नहीं देने वाली। [दावा] Hugo Duminil-Copin, June Huh, James Maynard, और Maryna Viazovska को दिए गए Fields Medals सभी ने गहरी वैचारिक नवाचार को मान्यता दी — गणित के पहले से जुड़े न होने वाले क्षेत्रों के बीच पुल बनाना, यह पहचानना कि एक क्षेत्र में एक समस्या को दूसरे से संरचनाएं आयात करके हल किया जा सकता है। कोई भी वर्तमान AI सिस्टम वास्तविक गणितीय अंतर्दृष्टि के लिए उस क्षमता का प्रदर्शन नहीं करता, और पैटर्न पहचान और वैचारिक नवाचार के बीच की खाई उतनी तेजी से बंद नहीं हो रही जितनी कुछ आशावादी कथाएं सुझाती हैं।

प्रमुख प्रभाव वाला एक छोटा पेशा

संयुक्त राज्य में केवल लगभग 3,500 गणितज्ञ कार्यरत हैं, $112,110 के औसत वेतन पर। [तथ्य] यह BLS द्वारा ट्रैक किए जाने वाले सबसे छोटे व्यवसायों में से एक है, फिर भी इसका बौद्धिक उत्पादन क्रिप्टोग्राफी से लेकर जलवायु मॉडलिंग से लेकर वित्तीय जोखिम प्रबंधन तक सब कुछ चलाता है। NSA के गणितज्ञ जो हमारे एन्क्रिप्शन मानकों को डिज़ाइन करते हैं, Federal Reserve के गणितज्ञ जो प्रणालीगत वित्तीय जोखिम का मॉडल बनाते हैं, और प्रमुख अनुसंधान प्रयोगशालाओं के गणितज्ञ जो मशीन लर्निंग के अंतर्निहित मूलभूत एल्गोरिदम विकसित करते हैं — ये कम संख्या में लोग हैं जिनका बुनियादी ढांचे पर असमान रूप से बड़ा प्रभाव है जिस पर हर कोई निर्भर है।

BLS 2034 तक रोजगार में -1% गिरावट का अनुमान लगाता है। [तथ्य] यह अनिवार्य रूप से सपाट है — बढ़ नहीं रहा, ढह नहीं रहा। वास्तविकता यह है कि शुद्ध गणितज्ञ पद हमेशा से दुर्लभ रहे हैं। गणित PhD वाले अधिकांश लोग डेटा वैज्ञानिक, मात्रात्मक विश्लेषक, एक्चुअरी, या प्रोफेसर के रूप में काम करते हैं। "गणितज्ञ" शीर्षक स्वयं एक जन-रोजगार श्रेणी से कम और एक अभिजात विशेषज्ञता से अधिक है — आमतौर पर डॉक्टरेट की आवश्यकता होती है, अक्सर पोस्टडॉक्टरल प्रशिक्षण की, और लगभग हमेशा अनुसंधान संस्थानों, संघीय एजेंसियों, और मुट्ठी भर औद्योगिक अनुसंधान प्रयोगशालाओं में केंद्रित होती है।

2028 तक, समग्र AI एक्सपोज़र 68% तक पहुंचने का अनुमान है, जबकि स्वचालन जोखिम 50% तक बढ़ेगा। [अनुमान] सैद्धांतिक एक्सपोज़र सीमा 89% तक पहुंच जाती है। [अनुमान] ये संख्याएं एक ऐसे पेशे को दर्शाती हैं जो AI के साथ गहराई से जुड़ा होगा — लेकिन "जुड़ा हुआ" का मतलब "प्रतिस्थापित" नहीं है। हर गणितज्ञ जिसने AI उपकरणों को अपने वर्कफ्लो में एकीकृत किया है, अनुभव को इसी तरह वर्णित करता है: वे कठिन प्रश्न पूछते हैं, अधिक महत्वाकांक्षी समस्याओं का प्रयास करते हैं, और एक साल में वह काम पूरा करते हैं जो तीन साल लेता। पेशे का कुल उत्पादन बढ़ता है। नियोजित गणितज्ञों की कुल संख्या आवश्यक रूप से कम नहीं होती, क्योंकि प्रत्येक गणितज्ञ की सीमांत उत्पादकता बढ़ गई है।

AI-सहायता प्राप्त गणित वास्तव में कैसा दिखता है

2026 में एक कार्यशील गणितज्ञ के लिए, AI सहायता विशिष्ट, ठोस तरीकों से दिखाई देती है। Symbolic computation systems इंटीग्रल, डेरिवेटिव, श्रृंखला विस्तार, और बीजगणितीय जोड़-तोड़ संभालते हैं जो सावधानीपूर्वक पेंसिल काम के घंटे खाते। Lean 4 जैसे formal verification systems गणितज्ञ को एक प्रमाण को चरण-दर-चरण एनकोड करने और तार्किक अंतराल के लिए सिस्टम की जांच करने की अनुमति देते हैं। Lean पर Mathlib library में अब स्नातक और शुरुआती स्नातक गणित के पर्याप्त भागों के औपचारिक सत्यापन हैं, जो शोध सीमाओं की ओर सक्रिय विस्तार के साथ हैं।

Conjecture exploration वह है जहां AI वास्तव में रचनात्मक के निकट होती है। एक गणितज्ञ जो कहें कुछ elliptic curves के गुणों की जांच कर रहा है, वह लाखों उदाहरणों को स्कैन करने और ऐसे पैटर्न की पहचान करने के लिए machine learning systems का उपयोग कर सकता है जो प्रमेय सुझाते हैं। गणितज्ञ फिर अनुमान को सटीक रूप से तैयार करता है और प्रमाण पर काम करता है। AI प्रमेय सिद्ध नहीं करती — लेकिन यह conjecture-formulation चरण को नाटकीय रूप से तेज करती है जिसे पारंपरिक रूप से हाथ से पैटर्न-मैचिंग के वर्षों की आवश्यकता होती थी।

विशिष्ट उपक्षेत्रों में, AI ने अनुसंधान पद्धति को अधिक आक्रामक रूप से स्थानांतरित किया है। Computational number theory, algebraic combinatorics, और mathematical physics की कुछ शाखाएं अब नियमित रूप से ऐसे पेपर उत्पन्न करती हैं जहां केंद्रीय परिणाम AI-सहायता प्राप्त अन्वेषण के माध्यम से खोजा गया और फिर मानव-नेतृत्व विश्लेषणात्मक कार्य के माध्यम से सिद्ध किया गया।

2026 में एक AI-कुशल गणितज्ञ के लिए एक विशिष्ट शोध सप्ताह इस प्रकार दिख सकता है: सोमवार arXiv पर नए preprints पढ़ने में बिताया जाता है, जिसमें AI संक्षेपण उपकरण तीन सबसे प्रासंगिक को मौजूदा शोध में सर्फेस करता है। मंगलवार और बुधवार गहरे प्रमाण कार्य हैं — पेंसिल, कागज, blackboard, और एक tricky lemma को सत्यापित करने के लिए Lean का कभी-कभी परामर्श। गुरुवार कम्प्यूटेशनल अन्वेषण है। शुक्रवार लेखन और संशोधन है, AI उपकरणों के साथ LaTeX फॉर्मेटिंग, citation management, और first-draft editing संभालते हुए जबकि गणितज्ञ तर्क स्पष्टता और वैचारिक प्रदर्शनी पर केंद्रित होता है। 2018 के शोध सप्ताह की तुलना में कुल उत्पादकता लाभ उपक्षेत्र और व्यक्तिगत शोधकर्ता के उपकरण प्रवाह के आधार पर 30% और 80% के बीच कहीं है। [अनुमान]

वह उत्पादकता लाभ -1% रोजगार प्रक्षेपण को सार्थक बनाता है। वही संख्या में गणितज्ञ अधिक गणित उत्पन्न करते हैं, अधिक महत्वाकांक्षी शोध कार्यक्रमों का प्रयास करते हैं, और अधिक छात्रों को प्रशिक्षित करते हैं जो उद्योग में गैर-शैक्षणिक करियर की ओर जाते हैं। पाइपलाइन सिकुड़ नहीं रही — इसका प्रति कार्यकर्ता उत्पादन विस्तार हो रहा है।

वास्तविक खतरा AI नहीं है — AI को गलत समझना है

गणितज्ञों के लिए सबसे बड़ा जोखिम यह नहीं है कि AI उनकी सोच को प्रतिस्थापित कर देगी। यह है कि संस्थान गलती से मान सकते हैं कि यह कर सकती है। [दावा] एक विश्वविद्यालय प्रशासक जो "68% स्वचालन" देखता है, निष्कर्ष निकाल सकता है कि दो गणितज्ञ तीन का काम कर सकते हैं। यह डेटा की एक विनाशकारी गलत पढ़ाई होगी। एक गणितज्ञ जो तेजी से प्रमाण सत्यापित करने और सिमुलेशन चलाने के लिए AI का उपयोग करता है, अधिक गणित उत्पन्न करता है, कम नहीं। उत्पादकता लाभ के आधार पर पदों में कटौती करना वैसा ही होगा जैसे अपने R&D विभाग के आधे हिस्से को इसलिए निकाल देना क्योंकि उन्हें बेहतर माइक्रोस्कोप मिल गए।

जो गणितज्ञ फलेंगे-फूलेंगे वे वे होंगे जो AI उपकरणों को रचनात्मक प्रक्रिया को समर्पित किए बिना अपने शोध वर्कफ्लो में एकीकृत करते हैं। अपने काम की जांच के लिए AI का उपयोग करें। एक conjecture के आसपास कम्प्यूटेशनल परिदृश्य का पता लगाने के लिए इसका उपयोग करें। शैक्षणिक प्रकाशन की थकाऊ फॉर्मेटिंग और साहित्य प्रबंधन को संभालने के लिए इसका उपयोग करें। लेकिन सोच अपनी रखें।

पीढ़ी अंतर को भी नेविगेट करना है। जिन गणितज्ञों ने 2020 से पहले अपना प्रशिक्षण पूरा किया, उन्हें अक्सर पारंपरिक तरीकों पर बने करियर में AI साक्षरता को रेट्रोफिट करना पड़ता है। जो अभी क्षेत्र में प्रवेश कर रहे हैं, उनसे formal verification systems, computational algebra packages, और machine learning toolkits के साथ अपने बुनियादी पद्धतिगत भंडार के हिस्से के रूप में धाराप्रवाह होने की उम्मीद की जाती है। Princeton, ETH Zurich, और Max Planck Institute for Mathematics के विभागों ने इन योग्यताओं को PhD आवश्यकताओं में शामिल करना शुरू कर दिया है, और वह संस्थागत बदलाव अगले दशक में तेज होगा।

आपके करियर के लिए इसका क्या अर्थ है

अगर आप गणित पढ़ रहे हैं या गणितज्ञ के रूप में काम कर रहे हैं, तो आपका क्षेत्र उच्च एक्सपोज़र संख्याओं के बावजूद सबसे AI-प्रतिरोधी बौद्धिक पेशों में से एक है। एक्सपोज़र वास्तविक है — आप AI का दैनिक उपयोग करेंगे। प्रतिस्थापन जोखिम कम है — क्योंकि जो आप वास्तव में करते हैं उसे वर्तमान या निकट-भविष्य के AI सिस्टम द्वारा स्वचालित नहीं किया जा सकता।

42% पर ध्यान केंद्रित करें जो दृढ़ता से मानवीय बना हुआ है: मूल सिद्धांत, रचनात्मक मॉडलिंग, और उस प्रकार की गहरी गणितीय अंतर्ज्ञान जिसे कोई डेटासेट दोहरा नहीं सकता। उन AI उपकरणों में निवेश करें जो आपकी पहुंच को बढ़ाते हैं — प्रमाण जांच के लिए formal verification systems, conjecture exploration के लिए computational algebra packages, प्रकाशन पाइपलाइन के लिए modern reference managers और AI-सहायता प्राप्त लेखन उपकरण। लेकिन कभी भी उपकरणों को उस गणितीय सोच के विकल्प न बनने दें जो आपके करियर का वास्तविक उत्पाद है।

डिसर्टेशन दिशाएं चुनने वाले स्नातक छात्रों के लिए, रणनीतिक कदम उन समस्याओं की ओर है जहां AI एक उपयोगी सहयोगी है लेकिन केंद्रीय वैचारिक काम नहीं कर सकती। गहरे अंतर-क्षेत्र संबंधों की आवश्यकता वाली समस्याएं, वास्तव में नवीन गणितीय संरचनाएं शामिल करने वाली समस्याएं, और जहां कठिनाई एक ज्ञात तकनीक को निष्पादित करने के बजाय सही प्रश्न तैयार करने में है — ये वे क्षेत्र हैं जहां AI सहायता मानव गणितज्ञ की प्रासंगिकता को खतरे में डाले बिना उत्पादकता को बढ़ाती है।

पेशा छोटा है, वेतन वरिष्ठ पदों तक पहुंचने वालों के लिए अच्छा है, और काम जो मौजूद है उसमें सबसे अधिक बौद्धिक रूप से संतोषजनक है। AI पद्धति को बदलती है लेकिन व्यवसाय की मूलभूत प्रकृति को नहीं।

गणितज्ञों के लिए विस्तृत स्वचालन डेटा देखें

---

_एंथ्रोपिक के 2026 आर्थिक प्रभाव अनुसंधान और BLS व्यावसायिक अनुमानों 2024-2034 पर आधारित AI-सहायता प्राप्त विश्लेषण।_

अपडेट इतिहास

• 2026-05-18: AI-सहायता प्राप्त पद्धति उदाहरण, Fields Medal संदर्भ, शीर्ष विभागों में संस्थागत परिवर्तन, conjecture exploration workflow, और पीढ़ी अपनाने के पैटर्न के साथ विस्तारित विश्लेषण।
• 2026-04-04: 2025 स्वचालन मेट्रिक्स और BLS 2024-34 अनुमानों के साथ प्रारंभिक प्रकाशन।