一场关于数学教育改革的讨论曾在美国加州引发广泛关注。由于代数、微积分等传统数学课程对部分学生而言难度过大，一些教育工作者提出用数据科学等应用型课程替代部分传统数学要求，作为大学招生的数学考核标准。这一提议遭到人工智能领域多位顶尖科学家的反对，他们联合发表公开信强调：人工智能的根基在于数学，没有数学就没有人工智能的发展。
在2026年世界人工智能大会的数学与人工智能创新论坛上，1994年菲尔兹奖得主埃菲·杰曼诺夫回顾了这场争论。他指出，当前人工智能已展现出类似"天才少年数学家"的能力——能够快速整合互联网上的海量信息，建立概念间的关联并解决复杂问题。但这种能力存在明显局限：人工智能尚无法理解数学证明的本质，其推理过程缺乏人类数学家所具备的严谨性。
这种局限性恰恰反映出数学与人工智能的深层互动关系。数学为人工智能提供了判断对错的基准体系，包括精确的验证标准和不确定性量化方法；与此同时，人工智能技术正逐步渗透到数学研究的核心领域，从单纯的竞赛解题向真正的数学发现迈进。两种力量相互推动，正在重新定义彼此的发展边界。
清华大学刘军教授用"乘法关系"形容这种深度融合。他以统计学为例说明：作为连接数学理论与实际应用的关键桥梁，统计学与概率论构成了人工智能的引擎，而海量数据则是驱动这个引擎的燃料。当前主流人工智能技术都建立在坚实的数学基础之上：生成式模型的扩散过程本质是随机微分方程的求解，Transformer架构依赖概率论建立长序列依赖关系，强化学习则以马尔可夫决策过程为理论基础。
随着计算能力和数据规模的指数级增长，人工智能发展面临新的数学挑战。首当其冲的是因果推理问题。现有人工智能系统主要基于数据关联进行预测，而数学正在推动其向因果关系理解升级。上海交通大学张拳石副教授指出，要让人工智能区分相关性与因果性，必须重构数学框架，这无法通过单纯增加数据量来实现。另一个关键难题是神经网络的可解释性，研究发现即便输出结果正确，头部大模型的决策机制也可能存在根本性错误，这在金融、医疗等高风险领域可能造成严重后果。
在数学研究领域，人工智能正从辅助工具转变为合作参与者。伦敦数学科学研究所何杨辉研究员将数学探索路径分为三类：基于公理的形式化推导、依赖数据直觉的实验发现，以及由大语言模型参与的元数学推理。人工智能特别适合处理高度形式化的数学内容，其模式识别能力也能帮助数学家发现数据中隐藏的规律。何杨辉透露，人工智能已逐渐融入他的研究流程，虽然最初对模型输出持怀疑态度，现在却会花费数小时与系统对话验证猜想。
北京大学董彬教授团队开发的数学研究智能体展示了这种合作的具体形态。该系统能自主制定研究计划、拆分任务、生成反例并验证结果。在某次实验中，多个智能体协同工作数天，构建出包含数千个事实节点、数十层依赖关系的知识图谱。这种探索不是简单生成答案，而是持续积累、验证和修正研究路径。不过董彬强调，完全自主的人工智能更适合处理边界明确的问题，对于真正的开放性问题，人机协作仍不可或缺——机器擅长在海量文献中筛选线索，人类则能判断哪些联系具有研究价值。
这种协作模式正在改变数学家的研究方式。随着人工智能承担起证明生成、文献检索和结果验证等基础工作，数学家可以将更多精力投入到提出关键问题、选择研究方向和构建理论框架等创造性活动中。数学与人工智能的深度融合，不仅推动着两个领域的共同进步，也在重塑人类对知识发现本质的理解。
