2026年10月6日，美国开放人工智能研究中心（OpenAI）一次性公开了完全由人工智能生成的700余篇数学预印本论文，整个科研界和学术界都为之哗然。在列的数学研究，包括准黎曼猜想、四维挂谷猜想、唯一游戏猜想、自由群因子同构问题等等等等，要知道，前不久刚刚获得菲尔兹奖的中国籍数学家王虹，正是因为证明了挂谷猜想才获得了数学界的最高奖项，然而人工智能却公开宣布已经证明了四维挂谷猜想！
当人工智能一夜之间产出700+数据论文时，它早已将长矛对准了现在的所有研究理科的学生：假设机器能够以秒级的速度完成高难度推导，那我们苦读十余载的时间啃微积分、做习题、做假设的意义究竟是什么？然而这已不再是空中楼阁，而是现在每一位理科生必须面对的现实问题。
这一切的一切，在香港中文大学（深圳）校区，答案早已写好。
普林斯顿高等研究院顾问小组对这些结果的判断很清晰：人工智能卡在了提出好问题和让大家理解的步骤之间，生成的结果晦涩难懂，且无法进行有效的传播。
这种判断正是面对AI需要保留的理性清醒，当然也直指理科教育的通电：如果只教解题，学生终将被AI淘汰，只有教会定义问题和构建可传播、交流的理论框架，本科期间的生产力才不会被算力追赶。
香港中文大学（深圳）理工学院正是将这种危机转化为对内培养的靶心，其学院的课程体系、科研机制与实在配置，统统围绕ai做不到什么来反向设计，而且单纯地叠加与ai绑定的相关课程。
AI可以调用优化算法，但不理解算法为何如此设计。港中深的Nesterov教授是2026年高斯奖得主，也是现代优化算法的奠基人之一。他讲授的不是“如何使用优化工具”，而是从凸分析的底层逻辑出发，还原算法诞生的数学直觉。这种直觉无法从语料库中统计得出，却是判断AI生成结果是否可靠的前提。
在数学与应用数学专业的四个专修方向中，“数学建模与人工智能”方向的课程表直接体现了这一思路：微积分、线性代数、数学分析、抽象代数按国际一流大学框架排布，学有余力者可选修荣誉课程。这些课程不是为了给AI“打补丁”，而是为了让学生掌握AI的语言、逻辑与方法论本身。正如学院官网所写：“数据科学学院‘在运筹学、统计学、计算机科学等基础领域以及机器学习等应用领域有着系统的教学体系。”学生在这里学的不是“用AI做数学”，而是“用数学理解AI”。
AI能生成答案，但无法判断“哪个答案值得追求”。这种品味只能在真实的科研摩擦中长出来。港中深理工学院从制度上保障了本科生尽早进入这种摩擦：大二即通过“本科生研究资助计划”申请进入教授课题组，实验室服务器向学生开放，参与科研或外出开会均可申请经费。
这一机制的价值不在于产出论文的数量，而在于让学生在AI能一秒生成千字的时代，依然经历“选题迷茫-推导受阻-反复修正”的完整阵痛。这种在不确定性中摸索方向的体验，是任何预训练模型都无法模拟的，也是“提出好问题”能力的唯一来源。
AI生成的证明往往逻辑跳跃、难以验证，而人类数学的核心价值之一在于“可交流的理解”。港中深理工学院通过全英文教学、本科生助教讨论岗与办公室答疑机制，将这种能力的培养嵌入日常。
全英文课堂结束后，学生可以直接推开老师办公室的门继续追问；学得好的学生可以申请本科生助教岗位，回到低年级课堂带讨论。这些设计不仅是在巩固知识，更是在训练“将复杂数学思想清晰传递给他人的能力”。这种“翻译”能力，正是连接AI产出与人类认知的关键桥梁，也是目前AI自身最欠缺的环节。当AI还在生成只有自己能“读懂”的证明时，港中深的学生已经在练习如何让数学重新成为人与人之间可共享的语言。
AI生成的700篇论文或许会被证伪，或许会成为经典，但这都不重要。重要的是，当人工智能的潮水退去，那些在Nesterov教授的课上追问过优化算法的起源、在教授的课题组里经历过选题的迷茫、在助教讨论课上尝试向学弟学妹解释清楚一个定理的学生，他们脑子里长出来的东西，不会随着任何一个模型的迭代而过期。
港中深理工学院的理科教育，不是在与AI赛跑，而是在扎根于AI无法触及的土壤。它用具体的课程、真实的科研与可触摸的师生互动，回答了那个时代之问：基础学科依然值得花四年去读，不是因为它能打败AI，而是因为它培养的是AI永远需要、却永远无法成为的那种人。
热门跟贴