10月6号，OpenAI在GitHub上一次性放出了722份数学手稿。覆盖372个结果族，解答了数论、几何、代数、理论计算机科学里一批悬了多年的开放问题。

722份是什么概念？一家顶尖数学期刊一年刊出的论文也就几十篇。一个晚上，顶整个学科好几年。

四天后，陶哲轩在自己博客上全文转载了一份声明。声明来自一个刚成立不久的组织——人类数学协会。里面有一句话被全球科技媒体反复引用："一次性发布700多份文件，展示的不是学术研究，而是权力。"

陶哲轩，IQ 160，2006年菲尔兹奖得主，数学界公认的当世最聪明的头脑之一。他在这之前已经和另外24位菲尔兹奖得主联合发表了一份宣言，标题叫《人工智能在数学中的严重错位》。

最聪明、最不该为技术进步焦虑的一群人，慌了。

四层人，四种世界

紧接着，OpenAI创始成员Karpathy翻出一条旧帖重发了一遍，把全世界的人分成了四层：约60亿人几乎没接触过大模型，不知道这件事正在发生；10到20亿人偶尔用免费版，看到的是一个有点呆的聊天机器人；约2000万人在数学和代码领域职业化使用前沿模型，亲眼看着它吞掉过去几周的工作量；最后大约5000人，能用到不对外公开的最前沿系统——他们看到的，已经是另一套世界。

这条推文几万人点赞。大部分讨论都停在同一个问题上：你在哪一层？

但更值得想的问题是：如果连站在最顶层的人都觉得自己的价值在被稀释，底下的人靠什么觉得自己安全？

"能做"和"该得"是两行账

去年我们有个内部项目要重构一个配置页面的事件处理模块，逻辑不复杂但嵌套深。我让AI帮忙生成了一版，十分钟搞定，代码质量比一个中级工程师花两天写的还好。当时我第一反应不是高兴，是一种说不清的不对劲。

后来想明白了。不对劲在于：如果一个十年经验的工程师花两天做的事，AI十分钟能做得更好，那这十年经验的价值锚点在哪？

这个问题我问了不少同行，大部分人给的答案是"经验的价值不在产出结果，在判断"——知道这段代码该不该写、怎么写不坑后人、什么时候该放一放。这话没错。但它有一个隐藏的保质期：模型能力一直在涨。今天的AI不懂你的业务上下文，明年可能就够了。

陶哲轩们的做法给了一个不同的思路。他们没有各自回去苦练试图比AI更快。他们联合了800多位数学家，成立组织，发表声明，用行动来定义"数学贡献"该由谁说了算。不是比谁解题更快，而是改规则：谁有权定义什么叫有价值的数学工作。

2023年好莱坞编剧罢工近五个月，争的也是同一件事——AI写的东西不算剧本、不能署名、不能用来跟编剧比绩效。最终这些条款写进了合同。编剧不是菲尔兹奖得主，靠的不是天才光环，是坐下来谈。

升级跑不赢的

市面上教人"在AI时代保持竞争力"的课程和文章，翻来覆去讲同一个故事：学得更多、做得更快、成为一人公司、建立第二收入。这些建议都没错，但它们有一个共同的盲区——所有人同时加速等于没有人加速。好岗位的名额是固定的，所有人加码等于原地不动，投入的成本却一路涨。

美国商务部的数据：国民收入里分给工资和福利的部分，从1980年的58%降到了51.4%。分给企业和股东的部分从7%涨到了11.7%。几十万亿的经济体量，几个百分点的移动，就是每年几千亿美元从打工人的口袋搬到股东的账本。"能做"的一直在进步，"该得"的在往回走。

升级思维还有一个毛病，很少有人提：它让你在别人写的规则里越陷越深。你学会了一种新框架、掌握了一套新工具，然后呢？规则制定者换一套玩法，你又得从头学。你越擅长适应，就越离不开那个让你适应的系统。

数学家不是这么玩的。好莱坞编剧也不是。他们不是跑得更快，是改规则。

写在最后

我这两年评判一个工程师的价值，看的越来越不是他交付了多少需求，而是三件事：他能不能定义问题的边界、能不能判断什么方案不该做、能不能把隐性知识传给团队里的人。这些事AI目前做不了。但它需要时间和环境来积累，不是报个培训班能教的。

陶哲轩慌了。但他和800多位同行坐下来重新定义游戏规则的做法，比任何一篇"AI时代生存指南"都实在。

翻到自己两年前写的笔记，里面有一句："技术人最大的风险不是学不会新东西，是太会学了。"当时觉得自己挺深刻。现在看只说对了一半。另一半是什么？可能跟陶哲轩他们想到的差不多——不是学什么的问题，是谁有权定义学来干什么。

这个问题我自己也还没完全想明白。先记下来，过段时间再看看。