一句话看懂：芝加哥大学数学教授 Frank Calegari 提出，AI 已能批量生成数学证明，学术界不能再凭一篇论文判断候选人，招聘应转向面对面交流和对研究方向的清晰表达。
事件核心：发生了什么
2026 年 11 月 7 日，Business Insider 报道了芝加哥大学数学家 Frank Calegari 的一篇短文（发布在数学家 Terence Tao 的博客上）。Calegari 认为，AI 正在降低数学发现的门槛，这意味着低级别研究岗位可能被“只会用 AI 生成证明”的学生占据，而这些人未必具备真正的研究能力。他给出的判断方法是：一场 30 分钟左右的讨论，就足以区分这类候选人与有清晰方向感、能讲明白自己思路的人。
他批评部分“偷懒的委员会”仅凭一篇论文或一篇发表记录就录用学生，而这类产出如今可能由 AI 生成。他主张招聘流程要从“看论文材料”转向更多个人互动，并认为院系有责任训练研究生把数学讲清楚。报道还提到，康奈尔大学教授 Steven Strogatz 此前表示，具备“rizz”（即个人魅力、表达感染力）的数学家人气上升，因为他们能解释 AI 生成的结果，并把它转化成新的问题。
为什么重要
这不只是一条招聘建议，而是学术评价体系在 AI 面前遇到的一个具体难题。当证明、推导和文稿可以低成本批量产出，论文作为能力信号的可靠性会下降，评审和招聘成本随之上升。Calegari 的观点把评估重心从“产出数量”转向“研究判断与表达能力”，这会影响数学等基础学科如何筛选人才，也会倒逼研究生培养更重视讨论、答辩和口头阐释。目前公开信息显示，这只是一位教授的公开主张，并非已落地的招聘制度。
对用户/开发者/创作者的影响
对使用大模型做数学推导或辅助写作的人来说，工具能加速产出，但也会让“谁真的理解结果”变得更难判断。开发者若在做 AI 数学应用，需要留意可解释性和结果核验，而不只是生成速度。对学术圈外的创作者和知识工作者，同样适用的信号是：在 AI 能批量生成内容的环境里，能提出方向、讲清理由、现场回应质疑的能力，比单份成品更有区分度。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是看是否有院系跟进，把面试讨论、研究计划陈述纳入研究生或博士后招聘。二是看数学界是否出现更明确的 AI 使用规范，回应学生要求教授给出清晰指引的呼声。三是观察 AI 生成证明在期刊审稿中的处理方式是否变化，这决定论文信号还能维持多久。
