一道題AI三分鐘解完之後，手算那三小時還剩什麼價值

先把幾個座標釘下來。2024年11月，Epoch AI發布FrontierMath基準，收錄數百道研究級數學題，當時最先進的模型解題率低於2%。時任OpenAI首席科學家Mark Chen對外表示，人類頂尖數學家平均需要一到兩天才能解開其中一題。半年之後，2025年7月，Google DeepMind的AlphaProof與AlphaGeometry 2在國際數學奧林匹亞（IMO）拿到金牌水準的分數，六題解出五題，距離滿分一步之遙。同一時期，AIME等競賽級基準上，多家模型的正確率已站上九成甚至滿分。

從低於2%到IMO金牌，中間只隔了三個季度。這條曲線的斜率，才是知乎這則提問真正的背景。

替代發生在哪一層，沒發生在哪一層

技術替代從來不是均勻鋪開的，它先喫掉結構最標準的環節。數學解題這個行為可以粗略拆成三段：計算執行、套路辨識、以及從模糊直覺到嚴格證明的建構。AI目前在第一段的替代率接近百分之百，第二段的覆蓋面快速擴張，第三段正是FrontierMath剩餘那七十多個百分點的所在，也是研究級工作真正的護城河。

換句話說，被替代的是「答案的生產」，暫時未被替代的是「問題的選擇」與「證明路徑的品味」。對職業數學家而言，這意味著工具鏈升級，類似計算機代數系統在1990年代的角色重演，只是這次的槓桿率大了一個數量級。1996年懷爾斯完成費馬大定理證明時，驗證與計算輔助仍佔大量人力；今天同類工作量的邊際成本已趨近於一次API呼叫。

需求分層：愛好者買的是什麼

普通人手搓數學題，從來不是在跟模型競速。把這個市場按需求拆開看，脈絡會清楚很多。

第一層是效用需求，解題是為了考試、升學、工程應用。這一層受AI衝擊最直接：當答案的邊際成本趨近於零，純粹的解題技能溢價會被壓縮，就像翻譯軟體普及後，普通外語文書技能的工資溢價被系統性削平。可穿戴裝置與運算攝影走過同一條路，業餘量測與後期修圖的入門門檻塌陷後，存活下來的是醫療級與創作級需求。

第二層是體驗需求，解題本身就是消費品。這一層的邏輯與健身房相同：器械和教練能替代發力，但肌肉長在練的人身上。神經科學的證據輪廓也支持這個方向，拮抗刻意練習的認知功能，其維持與使用頻率正相關。AI解出一道題，使用者的皮質沒有發生任何變化。

第三層是社羣與身分需求。知乎、MathOverflow、各大數學論壇上的討論文化，本質上是一種以共同訓練為入場券的社羣資產。圍棋是最好的對照組：AlphaGo在2016年勝過李世乭之後，職業棋士的頂端報酬結構確實重排，但全球業餘棋手數量與圍棋教材銷量並未坍塌，部分市場甚至因關注度外溢而擴張。工具超越人類，不等於人類停止彼此競賽，馬拉松選手也不會因為汽車更快而棄賽。

傳導鏈：誰受惠，誰承壓

沿著這條替代曲線往下推，利益分配的變化相當具體。

受惠方包括：教育內容生產者中能提供「AI無法替代的體驗設計」者，例如證明思路的引導式課程；AI推理能力的供應商與其算力上遊，數學推理是當前模型廠商競爭最激烈的能力欄位之一，直接影響企業級合約的定價權；以及能夠用AI放大產出的研究者和量化從業者，人均槓杆上升。

承壓方包括：以解題技巧傳授為主要賣點的補教供給，其差異化空間被壓縮；以及將「會解題」作為篩選訊號的招聘與升學機制，當訊號可以被低成本偽造，篩選成本會轉嫁回制度設計端，這已經在程式教育的評分環節發生，數學不會是例外。

收束：意義的帳要記在體驗那一欄

回到原提問：AI已經達到博士水準，普通人學數學還剩什麼意義？這個問題的結構，等同於1908年汽車量產之後問學騎馬的意義。職業馬車夫的帳確實崩了，但騎術作為運動、休閒與文化實踐，撐起了另一個規模可觀的市場。

數學教育與數學愛好的未來分野大概也是如此：作為職業技能的解題，其溢價會繼續收縮；作為認知訓練與審美體驗的數學，需求曲線不受AI影響，因為它的消費發生在過程而非產出。FrontierMath上那尚未攻克的絕大多數題目，以及攻克的過程中每一步被壓縮的人力成本，改變的是數學的生產函數；而一個人在紙上推三小時換來的那一次「原來如此」，記在完全不同的帳本上，且那本帳，模型替你寫不了。