武俠小說裡，一位宗師的養成，總是很慢。
少年入門，挑水劈柴，練馬步，背心法。天資好的，十年小成；際遇好的，得到高人指點；再加上一點苦難、一點執著，以及旁人無法替代的領悟，終於在某個夜晚打通關節，從此自成一家。到了華山論劍，眾人比的表面上是招式，背後卻是幾十年的生命：誰的內力深，誰的眼界廣，誰能在電光石火之間看出別人看不到的破綻。
這樣的世界，我們很熟悉。數學家也很熟悉。
一位數學家的成長，同樣要經過漫長的訓練。讀書，算例子，證明小引理，推翻自己，走進死胡同，再退回來。某個問題想了五年，旁人只看到最後十頁的論文，自己卻知道，那十頁裡藏著多少沒有結果的下午。學術共同體的尊敬、職位、獎項與歷史位置，大致就沿著這條路分配。天分固然重要，苦功同樣重要；即使不是天下第一，也可以在一個小領域裡站穩腳步，成為值得尊敬的人。
然後，有人搬進一挺機關槍。
他沒有練過你門派的基本功，不認得你師父，也沒有興趣遵守華山論劍的規矩。你還在判斷他的肩膀會不會先動，他已經扣下扳機。宗師的武功仍然是真的，幾十年的修為也沒有忽然變成假的；只是決定勝負的條件，換了。
我認為，2026 年 10 月 6 日 OpenAI 成批公布數學研究手稿，所帶來的震動，大致就是這個意思。
先把事情說清楚。這一波最初公布了 722 篇手稿，組成 372 個成果家族。相關手稿可能是主結果、配套論證、推論或另一種證法，所以不能把 722 篇直接說成 722 道難題。它們出自 OpenAI 尚未公開的內部模型，也不能逕自當作一般使用者今天打開 ChatGPT 就能取得的能力。更重要的是，公開手稿、提出解答與獲得數學界確認，仍然是不同的階段。
目錄所列的主張，包括 Hilbert 第十問題在有理數上的否定解答，以及 CM abelian varieties 的 rational Hodge conjecture 等。後者有特定對象範圍，不能直接說成一般 Hodge conjecture 已被解決。這些主張若經得起檢查，會是重要進展；它們的重量，必須逐項確認。
依 OpenAI 的說明，模型在評估過程中被給予約四千個問題；發布成果的平均算力約相當於三小時 ChatGPT Pro 思考。這是經篩選成果的算力描述，既不等於每道題都能解，也不等於從選題到驗證只花三個鐘頭。
然而，這些必要的區分，並不會讓事情恢復平靜。數學界可以逐篇查錯，可以撤稿，可以要求更好的證明與更完整的引文，但很難再假裝，眼前只是一件速度比較快的查資料工具。
這場衝擊也不是毫無前兆。5 月 20 日，OpenAI 公布內部模型對 Erdős 單位距離猜想提出的反例，並附上外部數學家的檢查與說明。8 月 1 日，又公布十項涉及數學與理論計算機科學的成果。9 月 8 日，則宣布一個涉及 Navier–Stokes 千禧難題的解答及其形式化證明；這項宣布與其論證的有效性，同樣必須分開看待。
到了 9 月 11 日，Terence Tao 與其他 Fields Medalists，共二十五位初始連署者，發表聲明，指出科技公司把解決數學難題當作模型測試目標，與數學共同體追求理解、培養學生及傳承方法的目標產生嚴重錯位。
9 月 29 日，Advisory Group on Mathematics and Artificial Intelligence（AGMAI）提出成果發布建議，開頭就明言不贊成科技公司拿未向學界開放的私人模型測試高階數學問題；同時要求負責任的發布、適當引述，以及對人類理解工作的支持。10 月 6 日，OpenAI 公布這批手稿，表示參考了該組建議，也承諾資助理解相關成果的活動。
這裡有一個不能略過的細節：聽取某些發布建議，並不等於取得對整套做法的認可。雙方對於問題該不該先被拿來測試、由誰決定發布節奏，以及誰承擔後果，仍有根本差異。
10 月 7 日，Association for Human Mathematics（AHM）發表強烈反對的聲明，質疑一次丟出七百多份文件所展現的是學術貢獻，還是企業的力量，並呼籲數學家停止與 OpenAI 合作。Terence Tao 的部落格以客座文章轉載這份聲明；它代表 AHM 的立場，不能直接視為全體數學家的一致意見。
同一天，公開版本紀錄也出現了三篇撤稿：一個符號錯誤破壞了論證，並波及另外兩篇依賴它的手稿。目前目錄因而列為 719 篇。這不是枝微末節，它提醒我們：如此龐大的產出，仍然會有錯，而且錯誤可能沿著相依關係擴散。
於是，有人興奮，有人懷疑，有人憤怒，有人開始不知道該怎麼安排自己的明天。
外行人往往不明白：難題被解決了，不是很好嗎？數學家研究數學，難道不是為了知道答案？現在答案來得更快，怎麼反而不高興？
這個問題表面上很合理，卻把數學研究想得太像一張考卷。
考卷上的題目，老師知道答案，學生的工作是把答案找出來。研究裡的問題，則常常連該怎麼問、為什麼值得問、可能通往哪裡，都還在摸索。數學家用問題來訓練直覺，用失敗來辨認結構，用證明來建立可以反覆使用的方法。一道難題之所以重要，除了它尚未解決，也因為它周圍已經長出一群人、一套語言與一段歷史。
如今，一個問題可能先有答案，再由人類慢慢追上理解。這個順序一旦變得普遍，數學研究的組織方式就會跟著改變。
我不認為數百年的數學只有一種固定模式，也不認為每個分支會在同一天發生相同的變化。但長久以來，有一項默契確實支撐了整個專業：產生可靠的新證明很難，而這種困難，使人的訓練、判斷與時間具有相當穩定的價值。
今天受到衝擊的，正是這項默契。
過去，一篇重要論文之所以能夠成為學術成就的憑據，是因為人們通常可以從成果反推作者的能力。你能完成這種證明，表示你掌握了相應的技術，理解了相應的問題，並且做出了某種其他人尚未做到的工作。
當模型可以大量產出論證，這個推論就不再可靠。桌上有一篇論文，未必能立刻告訴我們，使用者究竟理解了多少、貢獻了多少，以及能否獨立承擔它的內容。同時，即使確實有新結果，結果的數量也未必足以衡量研究者的價值。
這會直接碰到數學界最現實的地方：博士學位怎麼授予，年輕人怎麼找工作，教授怎麼升等，計畫怎麼審查，期刊怎麼判斷值得刊登的成果。
我們可以在演講裡說數學重視理解，但聘任委員會打開履歷時，究竟看什麼？我們可以說教學與傳承重要，但當一位年輕人花兩年把複雜證明整理成清楚的方法，另一位年輕人交出二十篇模型協助生成的論文，制度究竟會獎勵誰？
如果回答仍然主要是篇數，那麼這場危機不能只怪機器。機器只是把我們原有的評鑑偏差，放大到再也無法迴避。
武林中人之所以震驚，是因為他們忽然發現，自己多年來用來判定高手的規矩，已經不足以判定眼前這種力量。
數學家的恐懼，也由此而來。
最表面的恐懼，是研究被搶先。想像一位博士生，在一個問題上花了三年，離完成只差最後一步。某天醒來，一個企業公布的目錄裡，剛好有那個問題。即使手稿仍待確認，即使自己的方法不同，他也必須立刻重新判斷：原先的論文還能不能成立？接下來的工作該如何定位？幾個月後的求職，該怎麼向委員會解釋？
研究本來就有競爭，也一直有人被搶先。但一位同行完成一篇論文，與一個私人系統同時掃過大量公開問題，對研究者造成的風險，並不是相同的尺度。前者通常還能放進原來的學術節奏裡理解；後者可能讓整個領域的選題策略，在很短的時間內失效。
更深一層的恐懼，是不知道應該把自己培養成什麼樣的人。
二十歲的人可以問，我還要不要讀博士？三十歲的人可以問，我現在轉方向來不來得及？四十歲的人可以問，我還有多少年能夠用熟悉的方法工作？已經功成名就的人，則可能第一次發現，自己可以保有職位與聲望，卻仍然失去對這門學問未來的把握。
這些問題並非全是想像。10 月 8 日，Álvaro Lozano-Robledo 在 Terence Tao 部落格的客座文章，便引述一位學生對學術生涯與人生方向的惶惑，並坦承自己作為終身職教授，所處的位置與年輕研究者不同。
這個區別很重要。
有穩定職位的人，容易把變局看成值得探索的歷史機會；正在尋找第一份工作的人，則要先知道下個年度有沒有薪水。兩者都可能熱愛數學，也都可能認真看待新技術，只是承受的不確定性不同。長輩的一句「不要擔心，數學永遠需要人」，若沒有相應的職位、訓練與評鑑安排，對年輕人而言，很可能只是善意的空話。
恐懼之外，還有一種更難說出口的失落。
數學家對自己的認識，往往與「我能想到什麼」密不可分。別人看不見的關係，我看見了；別人走不通的路，我找到了一條路。這些經驗讓人相信，漫長的訓練值得，自己的存在也有一種無法被輕易替換的意義。
如今，人們必須重新面對這種意義。某件原本以為只有經過多年修煉才做得到的事，可能被一個系統迅速完成。人當然仍然有價值，但他過去用來證明自己價值的方式，忽然不再那麼有效。
這是身分的震動，也是時間的震動。你失去的未必是一個定理，有時是對自己前半生的一種解釋。
承認這一點，並不丟臉。把所有不安都譏笑成嫉妒，把所有憤怒都說成既得利益者阻擋進步，只顯示說話的人沒有認真理解別人的處境。
但同樣地，憤怒也需要分辨。
有些憤怒，確實來自特權被動搖。有人習慣了自己站在知識階梯的上方，很難接受一位資歷淺的人透過新工具做到原先做不到的事情。這種心理可以理解，卻不能因此取得要求世界停止發展的權利。
有些憤怒，則來自相當正當的責任要求。
誰檢查了這些證明？誰確認了引用？誰負責處理錯誤？大量成果進入公共空間之後，誰支付同行辨認、理解與整理的時間？如果企業把宣布突破所帶來的好處先拿走，卻把學術上的善後工作留給數學家，那麼數學家當然有理由不高興。
此外，還有權力的問題。
公開一份成果，與讓別人取得產生成果的工具，是兩件不同的事。論文可以下載，模型卻未必能使用；外界可以看見終點，卻未必能以相近條件走過那條路。在這種情況下，一家公司便可能同時控制探索能力、發布時機，以及大部分對外敘事。
數學長久以來仰賴公共文獻。後來的人讀前人的成果，在共同知識上往前走。當最強的探索工具集中在少數私人機構手中，公共知識與私人能力之間，便可能出現愈來愈大的落差。
這種落差，值得警惕。數學家反對它，也不必先假裝模型毫無本事。
一個技術可以很強，使用它的制度仍然可以很糟。承認前者，並不需要放棄對後者的批判。
另一方面，數學界也必須承認，問題並不是哪一群人專有的領土。一道公開猜想，不會因為有人研究了十年，就自動成為他的財產。我們不能要求其他人永遠不要碰，也不能只因為證明來自機器，就拒絕一個已被妥善確認的結果。
真正可以要求的，是完整的引述、清楚的貢獻揭露、可靠的檢查，以及對共同體成本的承擔。保護人的尊嚴，與維護人的解題壟斷，應該分清楚。前者值得努力，後者很難成為長久的制度。
至於「AI 還會犯錯」，這句話當然正確，也必須一直說。
三篇撤稿已經說明，成批發布不能免除逐項檢查。OpenAI 的公開資料也承認各成果處於不同的驗證階段，並非每篇都有 Lean 形式化材料。
形式化本身也不是一張可以省掉所有問題的通行證。Thomas Hales 在 10 月 9 日的說明中，強調 Lean 證明需要經過核心檢查，還必須由人確認形式敘述確實對應我們原來要說的定理。
這一點不難理解。電腦很嚴格地檢查一份論證，並不會自動保證你一開始交給它的命題，就是讀者以為的那個命題。假設有沒有偷偷增強，定義有沒有換掉，結論有沒有縮小，仍然需要查清楚。可靠的數學，從來不該靠新聞標題決定。
不過，查出錯誤與判斷趨勢，同樣需要分開。
一個系統仍然會犯錯，並不能單獨證明它無法改變研究。同樣地，幾篇精彩的成果，也不能證明它已經可以解決所有問題。我們需要評估的是，哪些能力開始穩定出現，哪些工作可以反覆完成，哪些限制仍然存在，以及人類研究者的相對位置如何改變。
宗師指出機關槍偶爾卡彈，是必要的觀察。但如果因此認定，武林仍然可以照舊比武，就看錯了問題。
十月六日最令人不安的地方，就在於規模。
偶爾出現一個驚人的 AI 證明，人類還可以把它理解成特殊事件。找幾位專家，開幾場研討會，弄懂它，再把它納入原來的文獻。大量成果同時出現，則把理解、驗證與吸收的速度，變成整個學科的瓶頸。
一個學科可能在論文目錄上前進得很快，在研究者的腦中卻前進得很慢。新的結論愈堆愈高，人能夠清楚說明、可靠運用並教給學生的方法，卻沒有同步增加。
如果這種落差持續擴大，我們究竟應該怎麼描述進步？是已知命題增加了，還是人類理解增加了？兩者都重要，但不能把它們當成同一件事。
這也使我相信，數百年來以人類證明能力的稀缺為基礎的學術秩序，正在面臨根本性的轉移。它不會整齊地在某一天結束，新秩序也不會自動長好；然而，回到原先那個可以大致忽略機器研究能力的世界，已經愈來愈不可能。
所謂回不去了，並不是說我們已經知道所有未來，更不是說數學家明天全部失業。而是研究者選題、學生規劃生涯、學校評估成果時，都已經必須把這種新能力放進考量。即使某批手稿後來大幅修正，這項考量也不會隨之消失。
人的預期變了，制度的壓力也就變了。
接下來最容易出現的錯誤，是把所有希望寄託在一句「人類還會提出問題」。
我當然重視提出問題。好的問題可以開出新的方向，改變一整群人的眼界。但提出問題也不是一座保證永遠不會被機器碰到的堡壘。模型可以協助尋找例子，可以比較定義，可以產生猜想；隨著能力發展，我們不能預先宣布，某種高階活動永遠只屬於人類。
更何況，好的問題往往來自對細節的理解。沒有親手算過例子，沒有遇過證明的阻力，沒有看過一個假設拿掉後整座結構怎麼垮下來，所謂的大問題，很容易只剩下一個漂亮口號。
如果未來把學生訓練成只會下指令、只會挑看起來厲害的答案的人，再安慰他們說「你們負責創意」，那是對創意的誤解，也是對教育的偷懶。
新的研究訓練，應該讓學生同時經歷兩種工作。一種是自己承擔推理：證明、計算、失敗、修正，建立不靠輸出畫面也能運作的判斷力。另一種是學習使用強大的工具：知道何時值得求助，如何檢查，如何追問，如何把一份產出轉化成自己真正掌握的知識。
這兩種工作需要不同的時間安排。課堂與研究也需要清楚的揭露規則。當訓練的目的就是建立某項能力，限制工具使用有其理由；當目的是探索前沿，合理使用工具同樣有其價值。教師必須知道自己在培養什麼，不能讓「有答案」替代了所有教育目標。
機會當然存在，而且可能很大。
如果部分技術工作可以被加速，一位數學家就可能探索更多例子，檢查更多邊界情形，嘗試過去沒有時間學習的相關方法。原本要擱在抽屜裡的想法，可能有機會重新打開；原本因為欠缺某項技術而停住的計畫，也可能找到新的入口。
對人數少、資源有限的研究群體而言，可負擔的工具尤其可能帶來幫助。一個地方不必先聚集每個分支的專家，才有機會開始跨領域的探索。這樣的未來很值得期待，但前提是能力真的能被廣泛取得。私人模型領先的新聞，還不是普及的事實。
新結果也可能打開新的研究方向。
某個猜想被否定，原來的研究並不一定全部作廢。人們可以追問，究竟是哪個假設失敗？反例背後有沒有更普遍的構造？原先相信的規律，在什麼範圍仍然成立？能否得到精確分類，或找到一個更合適的定義？
答案有時會關掉一扇門，也可能讓我們發現，原來一直待在一間太小的房子裡。
把複雜論證提煉成可重用的方法，把分散成果連成一套理論，把只有少數人看得懂的工作整理到學生能夠學習，這些都可能成為更重要的研究貢獻。數學界早就做過這些事，只是常常把最大的掌聲留給首次解題的人。
現在，掌聲的分配也許必須重新考慮。
但我不想把這幅景象寫得太輕巧。發現更多有價值的工作，並不會自動產生更多職位。需要更多理解，也不表示學校就會願意付錢給負責理解的人。如果制度繼續只獎勵最先宣布答案的人，其他人就可能變成替機器產出做整理的廉價勞動者。
因此，機會必須被做成制度。
審查研究成果時，應該更清楚地辨認問題的提出、方法的建立、證明的發現、可靠的驗證與理論的整理。不同工作可以由不同人完成，也可以由人機共同完成，但每一項貢獻都應該說得清楚，不能把一切塞進「作者」兩個字，再假裝它們完全相同。
聘任與升等，也不能再把論文數量當成方便而充分的替代指標。當產出的成本改變，沿用原來的計分方式，只會鼓勵大家在最容易灌水的地方競爭。真正需要問的是：這個人做出了什麼判斷？建立了什麼理解？哪些工作可以由他負責，又能讓別人在其上繼續前進？
企業的責任同樣必須具體。引述品質、版本紀錄、錯誤修正、驗證材料與可讀性，都應該隨成果一起受到檢視。支持學界消化重大成果的經費，也應有保障共同體自主的安排。企業不能因為付了錢，就同時取得決定什麼值得理解、誰有資格理解的權力。
而大學至少應該記得，這門學問還需要下一代。
當年輕人合理地害怕自己的訓練失去價值，長輩的責任是替他們建立可以走的路。讓研究貢獻得到更細緻的認可，讓學位要求與求職審查及時調整，讓工具取得不完全取決於個人的財力。這些事很麻煩，也不會像宣布一個大定理那樣登上新聞，但它們可能比下一次突破更決定數學界的未來。
數學家也可以保留不以產出競賽為目的的數學生活。
人可以為了理解而研究，為了欣賞而閱讀，為了把一個好想法講清楚而教學。機器能夠做某件事，並不會抹去人親自做那件事的意義。一個證明已經存在，我仍然可以在真正弄懂它的那一天感到快樂；別人能夠更快得到答案，也不會讓我與學生共同摸索的那個下午變得空洞。
只是，個人生活的意義與專業制度的存續，必須分開面對。前者可以讓人安頓自己，後者仍然需要資源、規則與公共選擇。用「數學很美」來回答所有就業問題，正如用「武術可以修身養性」來回答宗師的兵器已經失效，說的也許都對，卻沒有回答眼前的問題。
十月六日究竟會在數學史上占據什麼位置，現在還太早。這批手稿有多少站得住腳，有多少具有長遠影響，哪些方法會留下來，都需要時間。
但我認為，這次事件已經足以讓數學界重新看待一項長久的習慣：我們不能再把證明的產生、證明的理解，以及學術價值的分配，當成自然綁在一起的事情。
它們正在分開。如何重新連接，將是下一個時代的工作。
對武俠宗師而言，最痛苦的消息，是自己的修為依然珍貴，卻再也不能保證原來的位置。對整個武林而言，最危險的選擇，則是一面看見新力量，一面繼續依照舊規矩安排下一代的命運。
我們可以要求機關槍的持有者負責，可以限制它如何使用，可以努力讓新的力量不只掌握在少數人手中。這些都是需要爭取的事情。可是，已經看見它的人，很難再回到只靠一場比武決定天下的年代。
數百年的修煉，不會因此失去意義。
數百年的遊戲規則，卻必須改寫了。
2026. ChatGPT
(Prompt: 以 https://senpengeu.blogspot.com/ 的風格寫一篇文章談 10/6 Chatgpt 一次放出數百個難題證明始末 對數學界的根本性衝擊 基調是 數百年的典範將轉移 且過去的遊戲規則已經回不去了 也分析數學家們的恐懼與焦慮與憤怒 也分析在此現況下機會和未來 沒有字數上限 標題是 當武俠宗師遇到機關槍)
