"这不是AI能不能做数学的问题——这是人类数学家还有没有存在价值的问题。" HN评论区一位数学家写道。OpenAI用不到2000美元的token成本，解出了10个困扰数学界数十年甚至半个世纪的难题。

发生了什么

8月1日，OpenAI发布了一篇题为《Ten advances in mathematics and theoretical computer science》的博文，宣布其最新模型成功攻克了10个重大数学和理论计算机科学难题。

这10个突破包括：
- 非索菲克群的显式构造（non-sofic groups）——某位PhD导师追了25年的问题，曾被认为可能是菲尔兹奖级别的成果
- 埃尔德什单位距离猜想（Erdős unit-distance conjecture）
- 多个长期悬而未决的埃尔德什问题和OEIS猜想

所有证明都经过了 Lean（形式化证明助手）的形式化验证。OpenAI声称，生成这10个突破的token总成本不到2000美元。

更扎心的是，OpenAI明确表示："声称AI生成的证明是人类作者，会歪曲系统的贡献和真实人类智力劳动的本质。"

翻译：这证明是AI做的，我们不抢功。

HN上293 points、192条评论，但这个数字远不能反映真实热度——据多位用户指出，这篇帖子被大量flag压制了排名，否则本应排在榜首。

为什么这件事极其重要

1. 成本低到恐怖

$2000是什么概念？一个美国数学PhD学生一个月的奖学金都不止这个数。而AI只用了这个成本，完成了可能需要顶尖数学家团队数年甚至数十年才能攻克的难题。

一位HN用户做了一个残忍的对比：如果你给10-20个数学家一年时间和100万美元预算，能产出同样的成果吗？答案是几乎不可能。

当然，$2000这个数字有很多争议。有人指出这只是最终成功的那一次运行的token成本，不包括无数失败尝试、不包括prompt工程师的工资、不包括训练模型的前期投入。OpenAI的营销话术需要打折听，但即便如此——即使真实成本是$2000的10倍、100倍，仍然远远低于传统数学研究的成本。

2. "只是工具"的讨论彻底崩塌

评论区展开了一场关于"AI到底是工具还是作者"的激烈辩论。

有人说："AI就是工具，就像3D打印机。功劳属于按下打印键的人。"

有人反驳："如果你用计算器算出56789×23456，你会说是计算器算的，还是你算的？"

更有意思的是，OpenAI公布了prompt原文——prompt确实不长，但包含了大量专业数学领域的引导。一位评论者说："一个稍微聪明点的高中生就能写出这些prompt。显然，做重活的是LLM，不是写prompt的人。"

3. 数学会不会步国际象棋的后尘？

这是评论区出现最多次的类比，也是最被激烈反驳的类比。

反方认为：国际象棋是观赏性运动，数学家是靠解题吃饭的。两者的经济逻辑完全不同。AI解决数学问题，直接威胁的是数学家的职业价值。

正方认为：就像国际象棋选手仍然在比赛、在教学中找到价值一样，数学家的角色会从"解题者"变成"问题发现者"和"结果解释者"。

一个犀利的评论："过去的职业成就定义正在被摧毁。比尔·盖茨大学时写的数学论文——那种东西已经一去不复返了。那些曾经定义职业生涯的成就，现在和AI产出无法区分，而且越来越和计算资源绑定而非个人才华。"

对AI创业者的启示

启示1：研究能力是下一个AI军备竞赛的战场

OpenAI和Anthropic（之前的SWE-bench）都在用"AI攻克学术难题"来展示模型能力。这不仅仅是PR——这是在告诉世界：我们的模型不仅是聊天机器人，是真正能做研究的智能体。

对创业者来说，这意味着：如果你做的AI产品能在某个垂直领域（法律、医学、金融分析）展现出"研究级"的能力，你就有了不可替代的竞争壁垒。

启示2：形式化验证（Lean/Coq）正在成为AI证明的标配

OpenAI把所有证明都用Lean形式化验证了。这解决了AI生成内容最被诟病的问题——不可信。未来任何一个声称"AI解决了X问题"的产品，如果不能提供形式化验证，都不值得认真对待。

启示3：Prompt工程仍然极其重要

公布出来的prompt包含了大量领域专业知识引导。这说明即使在GPT-5级别，"好的prompt"和"随便问"之间的差距仍然是天壤之别。Prompt工程师不必担心失业——至少短期内。

启示4：心理冲击大于技术冲击

最有意思的是评论区一位用户的观察："奇怪的是，最引人注目的不是AI解决了10个数学问题，而是这篇帖子居然没排在HN榜首。"

我们正在经历"AI疲劳"——人们已经不再对AI的惊人能力感到惊讶。这对AI创业者既是好消息（市场接受度提高）也是坏消息（用户阈值越来越高，要做出让人wow的产品越来越难）。

实操建议

1. 关注Lean/Coq生态：如果你在做AI+垂直领域的产品（法律合同审核、医疗诊断辅助），形式化验证可能是你的差异化武器

2. 重新思考"研究能力"的定位：你的AI产品能不能做research？能不能生成可验证的结论？这正在成为区分"玩具"和"工具"的分水岭

3. 不要买OpenAI的营销账：$2000是精心包装的数字。真实做研究级AI应用，成本远高于此。但趋势是对的——成本在快速下降

4. 为"AI疲劳"设计产品：用户阈值越来越高，简单的"AI生成"已经不够了。关注可验证性、透明度和人机协作体验

AI创业 #OpenAI #数学 #AI研究 #Lean证明 #一人公司

数据来源：OpenAI官方博文、Hacker News讨论(293 points, 192 comments)、开源社区验证
撰写时间：2026-08-02