OpenAI公开数百份数学稿件，纽约大学教授警告：年轻研究者的课题被抢跑

一个研究者投入数年、准备作为下一篇论文的课题，如果突然出现在AI批量公开的成果目录里，他该怎么办？

这正是纽约大学数学教授特里斯坦·巴克马斯特（Tristan Buckmaster）提出的担忧。10月8日，他在美国财经电视台CNBC的节目中谈及OpenAI刚刚公布的一批数学稿件，直言这次发布“毁掉了年轻数学家的职业生涯”，并称一些完整的研究计划受到冲击。

这是一位研究者的强烈判断，尚不能据此认定相关职业生涯已经被毁。公开访谈中，他没有列出具体受影响的研究者及课题，也没有给出招聘、资助或项目取消的证据。但他提出的问题值得认真对待：当AI可以密集产出研究结果，年轻学者依靠什么建立自己的学术位置？

数百份稿件，离数百项可靠突破还有距离

OpenAI于10月6日宣布公开一批数学研究成果，并将稿件、部分验证材料和修订记录放入公开代码仓库。公司称，这些工作来自一个尚未发布的前沿模型。

截至10月10日，仓库目录列出719份稿件，归为372组相关成果。同一组可能包含主要结果、配套论证、推论或另一种证明。因此，稿件数量不能直接理解为解决了同样数量的独立数学难题。

这批材料还在变化。10月7日的修订记录显示，一份稿件的关键论证存在符号错误，OpenAI撤回了该稿件及两份依赖它的稿件。三份撤回材料也解释了为何此前传播的数量是722份，而当前目录变成719份。

OpenAI同时公开了部分形式化验证材料。所谓形式化验证，是把数学推理写成计算机可以逐步检查的形式，帮助发现某些逻辑错误。不过，仓库明确提醒，不同稿件的验证程度不同；尚未完成形式化检查的证明仍可能存在问题。

即便一条证明通过了计算机检查，它解决的问题是否重要、假设是否贴近原来的难题、相对已有研究究竟推进多少，仍需要数学共同体判断。公开稿件、验证证明、确认学术贡献，是几道不同的关口。

年轻研究者担心的，是“抢跑”改变回报

巴克马斯特的担忧，指向科研职业中一个现实机制：研究成果能否支撑下一步机会，通常与问题的重要性、贡献的独创性和发表进度有关。

如果AI率先公开了高度相关的结果，一个尚未完成投稿的研究者就可能需要重新说明自己的贡献，甚至调整研究方向。这种风险对资源有限、正处在求职或申请资助阶段的人尤其敏感。它并不自动意味着原有工作失去价值，却可能改变这项工作的回报和完成时限。

反过来，AI公开的证明也可能成为研究工具：学者可以检验它、找到漏洞，或者沿着新的结果继续推进。究竟是替代了一个课题，还是为它提供了台阶，必须落实到具体研究，无法由一份庞大的目录统一回答。

访谈中，巴克马斯特也表示自己仍在使用Anthropic的工具，以及OpenAI的编程助手Codex。他的立场更接近对使用方式和科研制度的警惕，而非全面拒绝AI。

研究速度提高了，贡献如何确认？

这场争议最值得关注的变化，是研究产出的速度与研究评价的速度出现了落差。

批量生成稿件可以很快，逐篇确认它们的正确性、原创性和重要性却很慢。错误稿件需要撤回，有价值的结果需要准确引用，已经投入相关课题的研究者也需要有机会解释自己做过什么。

OpenAI的公开仓库保留修订记录，并对验证状态作出区分，这是必要的起点。但对科研共同体而言，接下来的考验还包括：能否追溯不同贡献的来源，能否把“生成了多少份材料”与“经得起审查的进展”分开评价，以及如何避免年轻研究者承担技术加速的大部分调整成本。

巴克马斯特的措辞很重，证据暂不足以支持如此确定的职业后果。不过，AI数学正在触及一个比解题能力更大的问题：当研究可以被大规模加速，科研制度是否也准备好了？

参考资料

[1] CNBC. AI Math vs. Human Math, Tariffs in the Midterms—10/8/26[EB/OL]. (2026-10-08)[2026-10-10].

[2] OpenAI. Sharing AI progress in mathematics[EB/OL]. (2026-10-06)[2026-10-10].

[3] OpenAI. Math: manuscript index and revision history[EB/OL]. [2026-10-10].

[4] Buckmaster T. Tristan Buckmaster: personal homepage[EB/OL]. [2026-10-10].