2025年，Google DeepMind的一款模型已在国际数学奥林匹克试题上达到金牌水平。 但解答既定问题，不等于自主创造理论。所谓“后AI时代”，不妨被理解为一个更进一步的思想实验：当AI的数学能力超过绝大多数数学工作者，乃至能够独立提出问题、创造概念、完成证明，人类为何还要从事数学？

首先需要改变的，是评价数学贡献的方式。一个深刻的定理，不会因为由机器证明而失去价值；然而，完成证明所需的时间与技巧，不再能同样直接地体现研究者的贡献。如果新定理可以批量生成，论文数量就可能更多地反映算力配置，而非个人创造力。评价的重心应当转向：结果是否揭示了重要结构，概念是否连接了原本分离的领域，理论是否改变了我们理解问题的方式。正确性仍是底线，却不是重要性的充分条件。

这种变化也要求区分“成果的价值”与“人的贡献”。机器生成了一篇出色论文，并不意味着使用机器的人完成了同等程度的创造。学术评价应当更清楚地记录问题选择、概念设计、推理组织与检验分别由谁完成，同时承认解释、整理和传播知识的价值。否则，旧的论文竞赛只会变成新的算力竞赛，评价体系不仅不能识别思想，反而可能奖励资源占有。

数学的进步，本来就不只体现为定理的形式证明。 在证明逐渐自动化的阶段，数学家可以把更多精力投入研究方向的选择、理论之间的贯通，以及现实问题的数学化。另一项重要工作，是把机器能够验证的结论，转化为人能够理解的思想：从冗长推导中提炼关键机制，从大量特例中辨认统一结构。证明“它是真的”，与解释“为什么如此”，不是同一项任务。

然而，“人类负责提问，AI负责证明”不能被当作永久的分工。如果AI也能提出更深刻的问题、发明更有效的概念，甚至形成完整的研究闭环，那么问题意识、创造力和数学审美也不能预先宣布为人类的专利。此时，一部分职业数学家的岗位可能收缩，某些以技术性成果生产为中心的职业路径可能消失。对此，不能仅用“人类总有不可替代性”来安慰自己。

但职业需求的变化，并不等于数学活动失去了人的意义。我们必须区分两个问题：社会是否仍需要这么多人生产新定理，以及人是否仍值得通过数学发展自己。前者取决于生产方式，后者关乎我们选择怎样生活。即使机器能够独立推进数学，人仍可参与理论的理解、知识的公共传播以及科学目标的讨论。这些活动不必建立在“机器做不到”之上，却也不能自动保证原有的职业规模。

刘慈欣在《赡养上帝》中描绘了一个衰老的文明，它已经不能理解自己曾经掌握的技术。 由此可以引出一种更深的忧虑：当知识仍在增长，理解知识的人却越来越少，文明会不会成为自身成果的寄居者？我们需要保留人的数学实践，不只是为了延续一种职业，也是为了不把理解世界的能力一并外包。

因此，数学教育确实需要调整重心：从以知识占有和熟练解题为主要目标，转向以知识为材料的思维训练。教育应当更多地关心，一个人能否从现象中抽取结构，能否提出清晰的定义，能否辨认论证中的隐藏前提，能否在反例面前修正自己的判断。学习数学的目标，不应只是成为答案的提供者，更应是成为能够理解、质疑和组织问题的人。

这种转向不能停留在“培养创造力”的口号上。学习导数时，除了练习求导，还可以让学生追问：平均变化率为什么不足以描述某个瞬间？瞬时变化应该怎样定义？一个看似自然的定义会遭遇什么困难？让学生先经历问题、尝试和失败，再接触成熟概念，知识便不只是等待记忆的结论，而是解决思想困境的工具。

AI也应进入这样的课堂，但不能代替学生经历理解的过程。可以让学生比较不同解答，寻找被省略的条件，修改命题并构造反例；考核则结合必要的独立推理与开放的AI协作，要求学生说明自己接受一个结论的理由。评价重点不应只是交上来的答案有多漂亮，而应是学生能否解释它、质疑它，并把其中的思想用于新的情境。

当然，转向思维并不意味着抛弃知识。没有基本概念和亲自推理的经验，所谓数学品位很容易变成对漂亮答案的附和。应当减少的是缺乏目的的重复，而不是理解所必需的练习。专业教育也不必被取消，但不宜继续把所有学习者都想象成未来的定理生产者：深入的研究训练与广泛的数学素养教育，可以有不同的内容和尺度。

更进一步，数学教育可以承担更明确的哲学任务：什么叫证明？知道一个结论正确，是否等于理解它？一个模型选择描述什么，又忽略了什么？这些问题不是数学退场之后的空谈，而是对数学活动本身的反思。它们应当从具体的计算、证明和建模经验中生长，而不是用新的抽象术语替换旧的知识灌输。

后AI时代真正需要重建的，或许不是人类在数学能力排行榜上的位置，而是数学在人类生活中的位置。数学教育不必以筛选最善于解题的人为中心，而可以成为更多人练习严密思考、体验抽象之美和反省认识边界的途径。机器能够替我们得到答案，却不能使“机器已经知道”自动变成“我已经理解”。数学教育最终要守护的，正是两者之间的距离。