AI 会取代数学家吗?数据令人意外——答案也一样

54%。这是数学家工作中目前暴露于AI的比例。如果这个数字让你感到意外，那么下一个数字将更让你惊讶：他们的实际自动化风险仅为36%。

这一差距——AI触及的内容与AI威胁的内容之间的差距——正是人工智能时代数学的全部故事。而这不是大多数人预期的那个故事。

AI是强大的计算器，而非数学家

让我们先从AI在数学领域的强项谈起。计算分析和模拟的自动化率已达68%。[事实] 这意味着运行蒙特卡洛模拟、数值求解微分方程组、在数百万个案例中验证猜想——这些曾占用数学家数周时间的任务，现在大部分已可由机器完成。如果你的工作主要是计算，那是的，那部分正在消失。

撰写研究论文和展示成果的自动化率为55%。[事实] AI可以起草文献综述、格式化LaTeX文档、生成可视化内容，甚至建议相关工作。Semantic Scholar、Elicit和相关AI助手使学术写作的机械工作大大加速。以前需要两周仔细检索数据库的文献综述，现在一个下午就能完成，数学家专注于批判性评估而非检索。会议摘要、基金申请，甚至论文的技术章节都受益于AI协助起草，尽管实质性智识内容仍需数学家的判断。

但有趣的地方来了。建立数学模型和理论——数学真正的创造性核心——的自动化率仅为42%。[事实] AI可以建议数据中的模式，可以使用Lean等系统验证证明，甚至可以生成候选猜想。它无法做到的，恰恰是将数学家定义为数学家的事：看到前人未见的结构，提出前人未问的问题，构建一个真正揭示数量、结构、空间或变化本质的新事物的论证。

菲尔兹奖委员会不会很快将奖项颁给GPT。[主张] 授予Hugo Duminil-Copin、June Huh、James Maynard和Maryna Viazovska的菲尔兹奖，都表彰了涉及深刻概念创新的工作——在以前不相连的数学领域之间架设桥梁，认识到一个领域的问题可以通过引入另一个领域的结构来解决。没有任何现有AI系统展示出这种真正的数学洞见能力，而模式识别与概念创新之间的差距，并没有像某些乐观叙事所暗示的那样快速缩小。

一个规模极小但影响巨大的职业

美国仅约有3,500名数学家受雇，中位薪资为112,110美元。[事实] 这是美国劳工统计局追踪的最小职业之一，但其知识产出驱动了从密码学到气候模型再到金融风险管理的一切。在NSA设计加密标准的数学家、在美联储构建系统性金融风险模型的数学家、在主要研究实验室开发机器学习基础算法的数学家——这些人数量极少，对所有人依赖的基础设施却有不成比例的巨大影响。

美国劳工统计局预测到2034年就业将下降-1%。[事实] 这本质上是持平——没有增长，没有崩溃。现实是，纯数学职位历来稀缺。大多数数学博士以数据科学家、量化分析师、精算师或教授的身份工作。"数学家"头衔本身与其说是大众就业类别，不如说是精英专业化——通常需要博士学位，往往需要博士后培训，并且几乎总是集中在研究机构、联邦机构和少数工业研究实验室。

到2028年，整体AI暴露率预计将达到68%，自动化风险攀升至50%。[估计] 理论暴露上限达到89%。[估计] 这些数字反映了一个将与AI深度交织的职业——但"交织"不等于"被取代"。我所认识的所有将AI工具融入工作流程的数学家，对这种体验的描述都相似：他们提出更难的问题，尝试更雄心勃勃的问题，在一年内完成原本需要三年的工作。职业的总产出增加了，受雇数学家的总人数不一定减少，因为每位数学家的边际生产力已经提高。

AI辅助数学的实际面貌

对2026年的职业数学家而言，AI辅助以具体的方式呈现。符号计算系统处理积分、导数、级数展开和代数运算，这些以前需要数小时仔细计算的工作。Lean 4等形式验证系统允许数学家逐步编码证明，让系统检查逻辑漏洞。Lean上的Mathlib库现在包含大量本科和研究生早期数学的形式验证，并正积极向研究前沿扩展。

猜想探索是AI真正接近创造性的地方。研究某些椭圆曲线性质的数学家，可以使用机器学习系统扫描数百万个例子，识别出暗示定理的模式。数学家然后精确表述猜想并着手证明。AI没有证明定理——但它极大加速了历史上需要多年手工模式匹配的猜想形成阶段。

在特定子领域，AI更积极地改变了研究方法。计算数论、代数组合学和数学物理的某些分支，现在常规产出核心结果通过AI辅助探索发现、然后通过人类主导的分析工作证明的论文。数学家的工作没有消失——它已从"发现模式"转变为"解释为什么模式必然成立"。

2026年AI流利的数学家的典型研究周可能是这样的：周一阅读arXiv上的新预印本，AI摘要工具挑选出三篇与当前研究最相关的，并生成与现有文献的对比笔记草稿。周二和周三是深入的证明工作——铅笔、纸张、黑板，以及偶尔咨询Lean来验证一个棘手的引理。周四是计算探索，运行符号代数计算或训练小模型来检测数值数据中的模式。周五是写作和修订，AI工具处理LaTeX格式、引用管理和初稿编辑，而数学家专注于论证清晰性和概念阐释。与2018年的研究周相比，总生产力提升在30%到80%之间，取决于子领域和个人研究者的工具熟练程度。[估计]

这一生产力提升使-1%的就业预测有了意义。同等数量的数学家产出更多数学成果，尝试更雄心勃勃的研究项目，并培训更多继续在工业界从事非学术职业的学生。管道没有收缩——每个工作者的产出正在扩大。

真正的威胁不是AI——而是误解AI

数学家面临的最大风险，不是AI会取代他们的思维，而是机构可能误以为AI能做到这一点。[主张] 看到"68%自动化"的大学管理者可能得出结论：两位数学家可以完成三位的工作。这将是对数据的灾难性误读。使用AI更快速地验证证明和运行模拟的数学家产出了更多的数学成果，而非更少。基于生产力提升削减职位，就像因为员工获得了更好的显微镜而裁减一半研发团队。

蓬勃发展的数学家将是那些将AI工具融入研究工作流程而不放弃创造过程的人。使用AI检验你的工作，用它探索猜想周围的计算景观，用它处理学术出版的繁琐格式和文献管理。但保持思考是你自己的。

还有一道代际鸿沟需要跨越。在2020年前完成培训的数学家往往需要在建立于传统方法的职业生涯上重新拼接AI素养。现在进入该领域的人，被期望将形式验证系统、计算代数软件包和机器学习工具箱作为基本方法论储备的一部分而流畅掌握。普林斯顿、苏黎世联邦理工和马克斯普朗克数学研究所的院系已开始将这些能力纳入博士要求，这一制度转变将在未来十年加速。

对你职业的意义

如果你在学习数学或作为数学家工作，你的领域是最具AI抗性的知识职业之一，尽管暴露率数字很高。暴露是真实的——你将每天使用AI。替代风险很低——因为你真正所做的事，无法被当前或近未来的AI系统自动化。

专注于顽固地保持人类属性的42%：原创理论、创造性建模，以及任何数据集都无法复制的深刻数学直觉。投资于扩大你触达范围的AI工具——用于证明检验的形式验证系统、用于猜想探索的计算代数软件包、用于出版管线的现代文献管理器和AI辅助写作工具。但永远不要让工具成为作为你职业真正产品的数学思维的替代品。

对选择论文方向的研究生而言，战略选择是朝向AI是有用合作者但无法完成核心概念工作的问题。需要深刻跨领域联系的问题、涉及真正新颖数学结构的问题、困难在于表述正确问题而非执行已知技术的问题——这些是AI辅助放大人类数学家生产力而不威胁其相关性的领域。

这个职业规模小，达到高级职位者薪酬丰厚，工作在所有存在的工作中知识满足感数一数二。AI改变了方法论，但没有改变这一召唤的基本本质。

查看数学家的详细自动化数据

---

_基于Anthropic 2026年经济影响研究和美国劳工统计局2024-2034年职业预测数据的AI辅助分析。_

更新历史

• 2026-05-18：扩展分析，新增AI辅助方法论实例、菲尔兹奖背景、顶尖院系的制度变化、猜想探索工作流程，以及代际采用模式。
• 2026-04-04：首次发布，包含2025年自动化指标和美国劳工统计局2024-2034年预测。