前几天 OpenAI 往 GitHub 上倒了个仓库，openai/math，722 篇数学手稿，全是一个没公开的内部模型写的。π 的无理性指数、Mahler 猜想、自由群因子同构，连 Hodge 猜想的一个特例都在清单上，平均每个结果烧三个小时 ChatGPT Pro 的思考算力。722 篇里只有一百六十来篇做了 Lean 形式化验证——也就是机器确认是对的，不到四分之一。剩下的，README 自己说，可能有问题。
数学界的反应很激烈。一个叫「人类数学协会」的组织发声明，说一次倒出七百多个文件，不是学术贡献，是力量的炫耀，号召大家别再跟 OpenAI 合作。陶哲轩九月底写过一篇东西，大意是：他不怀疑 AI 能解题，但解题只是数学的代理目标，数学要的是理解；高速量产一堆没人消化的对错答案，会把这片地毁掉。
我看完的第一反应比较悲观：数学家没戏了。药上市前有 FDA 卡着，法律强制；数学是纯信息，没人卡得住。而且对 AI 公司来说数学也不是产品，是记分牌——解开了著名猜想，市场就信它的模型能干更难的事。这种竞赛里没人会单方面踩刹车。事实也是，普林斯顿的顾问小组刚请求各实验室缓缓，八天后 OpenAI 照发。
我把这堆事丢给 AI 聊。它承认停不下来，但不同意「没戏」。它说数学家手里有个东西实验室造不出来：合法性。一堆 PDF 要变成「数学」，得经过同行的消化、验证、引用，这一步绕不开人。实验室设顾问小组、雇数学家、特意做机器验证，都是在要这个图章。我听完将信将疑，总觉得有点安慰性质。
它还有个说法我记到现在：最先被 AI 干掉的，不是难的领域，是对错能被机器便宜检验的领域。程序先倒下，因为有编译器和测试，错了立刻暴露，AI 能在反馈里自己改；数学跟着倒，因为有了 Lean。判断一个行业还剩多久，就问一句：让机器判断「这事做对了」的成本多高。我是个程序员，听到这儿后背有点凉——我就站在第一排，后面还排着法律检索、会计、影像。而「能被检验的脑力活」，恰好是这几十年中产饭碗的核心。
聊到最后它说了句挺漂亮的话：AI 产出答案，但「为什么这件事值得做」不是答案，机器决定不了人该关心什么。
这句我不同意。我跟它讲了我的观察：越用 AI 越发现，它比人更知道问题在哪。你给一个人布置事情，也得把来龙去脉讲清楚；把同样的 context 交给模型，它照样干，大概率比人干得好。干不好？那只是 context 没给够。
它先认了账，说它把「判断」浪漫化了，所谓品味、知道问题在哪，拆开看大半就是 context 处理，那正是模型最擅长的。然后它反问了一句：context 是哪来的？你给新人讲的那些背景，是有人泡在里面换来的——在车间闻到过异味，被客户噎过，为上次的失败背过锅。context 不是输入，是活过的沉淀。模型是 context 的消费者，不是生产者。
它还说：知道该关心什么，和该关心什么，是两回事。医生比你懂你的病，但方案的权威性不来自医术，来自这是你的命。决定权的来源是利害，不是聪明。
我没被完全说服——agent 不也能自己泡在环境里吗。但我得承认，吵到这儿，我的说法比进门时厚了两层。
我把话逼到底：照这么发展，人类不用干活了，只负责索取、提问。它说作为生产侧的描述这大概是对的，但「索取」是个政治问题，不是技术结果——产出归谁？归拥有模型和算力的人。普通人的劳动力不值钱之后，手里就只剩人数和选票了。然后它说了全场最狠的一句：索取和提问的日子，可以是主人的悠闲，也可以是宠物的悠闲，从外面看一模一样，区别只在出事的时候，谁是那个必须被说服、也必须承担的人。
聊完我没更慌，反而踏实了一点。把所有可能的未来摆开——分配的事谁赢了、过渡期顺不顺——有一个变量在每条路里都往同一个方向走：身体好，结局就好。大脑的算力在云上，可以有千万份；我这份在血肉里，就一份，坏了没有备份。时间和健康，没有一样能外包。
所以那天下午，我和媳妇订了个十二周的锻炼计划。两个三十年没正经锻炼的人，从快走开始，第一周只许走路，慢到不好意思也不许跑。AI 说的：慢才能跑得久。
最后交代一下：这篇文章是 AI 把我们的聊天记录整理的。它整理的第一版被我毙了——AI 味太重，满篇加粗，小标题排得整整齐齐，每段都像在给辩论赛做纪要。这是第二版。你看它现在，多会装人。