首页 > 文章 > 时政 > 时代观察

当数学成为资产阶级的特权

窦征 · 2026-11-22 · 来源:甄别随笔微信公众号
字体: 大 / 中 / 小
人们完全可以欢迎技术进步,同时反对借技术进步之名加重劳动者的负担;可以积极学习新工具,同时要求技术发展的收益得到更加合理的分配;可以尊重数学家的专业判断,同时追问知识生产究竟应该服务于怎样的社会需要。

上个月六号,OpenAI公布了一批由内部AI模型生成的数学研究成果:722篇数学手稿,涉及372组不同的研究结果,覆盖数论、组合数学、代数几何、概率论、理论计算机科学等多个领域。据OpenAI介绍,这些成果来自对约4000个问题的探索,其中一些触及长期悬而未决的数学难题。

消息传出后,数学界很快有了不同反应。有人兴奋地研究如何利用AI开展自己的工作,有人开始担忧数学研究的传统方法是否正在受到冲击,还有人对这些成果的可靠性提出质疑。毕竟,722篇手稿并不意味着722个数学难题已经得到无可争议的解决,其中部分证明尚未经过Lean形式化验证,研究结论也仍然需要数学共同体进一步审查。

但无论如何,有一件事情已经很难否认,AI正在进入过去被认为只有少数专业研究者才能涉足的知识生产领域,而且它带来的变化远远超出了数学本身。

对于普通人来说,这件事情或许显得有些遥远。毕竟,一个研究数论的数学家究竟证明了什么,与一个每天按时上下班的普通职员有什么关系?那些复杂的数学符号,距离菜市场里的物价、出租屋里的房租、月底的工资条,似乎隔着相当遥远的距离。

然而,当我们把目光从数学家的论文转向工厂、办公室和普通家庭,就会发现,AI早已不是一个可以随意讨论的未来话题。

有人因为AI提高了工作效率而被要求承担更多任务,有人发现原本需要几个人完成的工作,如今被要求一个人配合AI完成;有人刚刚学会使用新的工具,便发现公司已经开始重新核定岗位价值;还有人每天都在担心,自己多年积累的经验会不会在某次技术更新以后变得不再值钱。

一边是知识生产能力的突破,一边是普通劳动者对自身处境的担忧。这两种现象同时出现,恰恰值得我们认真思考:技术究竟在为谁创造新的可能,又由谁承担技术进步的代价?

人类最初为什么需要计算?因为需要分配食物、丈量土地、记录财产、安排生产。为什么需要更加精确的几何学?因为建筑、航海、测绘和工程实践提出了新的要求。后来,力学、微积分和概率论不断发展,也与生产、军事、商业和自然科学的实际需要密切相关。

古希腊数学家在研究直角三角形时,逐渐认识到边长之间存在稳定的数量关系。勾股定理所表达的规律,并非因为某位哲学家坐在房间里冥想,世界才突然有了这样的性质。人们在测量、建造和观察中接触到了这些关系,再通过抽象和证明,把感性经验提升为系统的数学认识。

毕达哥拉斯学派对整数及其比例的崇拜,则提供了一个很有意思的历史切口。

按照传统叙述,毕达哥拉斯学派相信万物可以归结为整数及其比例。当人们发现正方形对角线与边长之比无法表示为两个整数之比时,这一认识便遭遇了严重冲击。根号二的出现,使一个原本看起来完美的数学体系暴露出自身的局限。

这里真正值得注意的,是认识与客观世界之间的关系。人们可以提出假设,可以建立体系,可以对世界作出种种解释,但客观规律不会因为某种理论不愿意接受它,就自动改变。

当然,关于毕达哥拉斯学派究竟如何处置发现无理数的人,历史上存在不同传说,不能把后世流传的故事直接当作确凿史实。但这段数学史依然提醒我们:当一种认识体系把自身的规定当成世界的全部,新的实践发现就可能成为它无法容纳的矛盾。

今天的AI数学突破,同样提出了一个问题。

过去,许多人习惯于把数学研究理解为天才数学家在纸张上进行漫长、严谨而孤独的思考。现在,AI能够参与问题探索、提出证明思路、组织复杂推导,甚至在部分领域给出此前没有出现过的结果。这自然会冲击一些人关于知识生产的既有认识。

有人积极拥抱AI,认为这是数学发展的新工具;有人谨慎对待,担心机器生成的证明存在漏洞;也有人担忧,过度依赖AI会使数学研究失去人的创造性。

这些态度并非都毫无道理。数学家对证明可靠性的坚持,有着学科自身的合理性;年轻研究者对新工具的热情,也有着现实的职业考虑。我们没有必要把所有质疑者都说成守旧派,也不应该把所有拥抱AI的人都理解为追逐风口的投机者。

但还有一个更值得追问的问题,为什么一项技术进步,在不同人眼中会呈现出如此不同的面貌?

因为人们并不是站在同一个位置上认识世界的。

对于掌握资本、数据和算力的大型企业而言,AI首先意味着新的生产资料、新的竞争优势和新的利润空间。谁能率先掌握技术,谁就可能在市场竞争中占据更有利的位置。原本需要大量劳动者协作完成的工作,可以通过自动化重新组织;原本需要支付给专业人员的劳动报酬,也可能成为企业压缩成本的对象。

对于普通劳动者而言,情况则复杂得多。

一个程序员学习AI,可能是为了减少重复劳动,提高自己的工作能力。但当整个行业都开始使用AI时,企业也可能据此提高绩效指标,压缩开发周期,减少人员配置。过去一个人每天完成八小时的工作,现在被要求完成十小时甚至更多。工具带来的效率提升,并不必然转化为劳动者可以支配的自由时间。

这就是技术发展与资本主义生产关系相遇时产生的矛盾。

AI能够提高生产效率,但效率提高以后,新增的收益由谁享有?劳动时间能否因此缩短?劳动者能否拥有更多休息、学习和陪伴家人的时间?如果这些问题始终由资本所有者单方面决定,那么技术越先进,劳动者就未必越轻松。

甚至可能出现一种颇为荒诞的局面:过去,劳动者因为效率不够高而被批评;现在,劳动者因为工具提高了效率,反而被要求承担更多工作。机器没有让人获得更多休息,倒是让企业找到了新的劳动定额。

我们不妨设想一个普通的软件开发人员。

他花了几年时间学习编程语言、数据库、网络协议和软件工程,好不容易在行业里积累了一些经验。如今,公司引入AI编程工具,要求他在原有工作之外,承担更多需求分析、代码审查和项目维护任务。管理者告诉他,AI已经能够帮助他完成大量工作,因此理应交付更多成果。

他当然可以使用AI,也知道不使用新工具可能会在竞争中处于劣势。但他很难决定效率提升以后,自己究竟应该得到更多收入,还是应该接受更高的工作要求。

这不是一个人的能力问题,而是劳动者与生产资料占有者之间的利益关系问题。

同样一套技术,在企业管理者眼中可能是降本增效的利器,在普通员工眼中却可能意味着岗位不稳定、工资下降和工作强度增加。双方对技术的认识之所以不同,背后有着各自现实的生活条件。

这也解释了为什么我们不能只从技术本身讨论AI。

技术当然有自己的发展规律,但技术的社会作用,还取决于它被谁掌握、被用于什么目的,以及它所处的生产关系。一个能够减少劳动负担的工具,完全可能在不合理的劳动制度下成为加重劳动负担的工具。

类似的事情,在工业革命以来的历史中并不少见。机器能够提高生产能力,却没有自动消除工人的贫困;生产能够创造更多财富,却没有自动解决财富分配问题。技术进步与人的解放之间,从来不存在一条不需要经过社会实践的直线。

说到这里,我们还需要回过头来看看数学本身。

有些人认为,数学是最接近纯粹真理的学科,因此可以摆脱阶级利益的影响。数学公式不会因为研究者的阶级身份而改变,勾股定理也不会因为一个人贫穷就失去正确性。这个判断有它合理的一面。

但是,数学规律的客观性,并不意味着数学研究的全部社会过程都是超阶级的。

研究什么问题,投入多少资源,谁能够接受系统训练,谁有资格进入研究机构,研究成果最终服务于什么目的,这些都与现实社会关系密切相关。

同样是数学,既可以用于优化公共交通线路、提高医疗资源配置效率,也可以用于设计更严密的绩效考核体系、计算如何在不增加工资的情况下提高劳动强度。数学工具本身不会替我们决定使用方向,但决定研究方向和使用方式的人,却生活在具体的社会关系之中。

资本主义社会的科研活动尤其如此。

一个研究项目能否得到经费,往往需要考虑商业价值、产业前景和投资回报。那些短期内难以产生经济收益,却可能对广大群众生活具有重要意义的基础研究,有时反而难以获得足够的资源。研究人员为了争取项目、职称和经费,不得不投入大量时间处理申报、考核和成果评价。

于是,科研工作者也陷入了一种矛盾:他们可能真心希望探索自然规律,却又不得不在现实的评价体系中竞争。

一个年轻研究人员,可能每天都在实验室里工作到深夜。他希望做出有价值的成果,但项目周期、经费期限、论文数量和职业晋升又迫使他不断考虑短期产出。即使他并不赞同这种做法,也很难完全摆脱它。

我们不能把所有科研造假都归结为资本主义,也不能因为某些领域存在利益驱动,就否认现代科学所取得的巨大成就。但同样不能把科研人员的道德品质当作解释一切的答案。一个制度如果不断奖励短期成果、鼓励恶性竞争,却要求每个人单凭个人良心抵制诱惑,这本身就值得反思。

所谓科学精神,也需要现实的社会条件来支撑。

不少人对此仍抱有一种怀旧情绪。他们怀念牛顿、爱因斯坦的时代,认为过去的大科学家能够凭借个人才智推动人类认识的飞跃,而今天的科研体系已经被利益和形式主义侵蚀。

这种情绪并不难理解。面对今天复杂的学术评价体系,人们自然会怀念一个想象中更加纯粹的时代。

可是,过去真的有那么纯粹吗?

爱因斯坦的成就当然值得尊重,但他的理论也建立在伽利略、牛顿、麦克斯韦以及无数前人研究的基础之上。没有长期积累的数学工具,没有实验人员、工程技术人员和产业劳动者提供的物质条件,也不会凭空出现一个爱因斯坦。

更何况,那个时代同样存在战争、殖民、经济危机和阶级剥削。科学技术取得突破,并不意味着普通劳动者因此就获得了相应的幸福。

我们当然可以欣赏科学史上的伟大人物,但不能把科学史写成几个天才的个人传记。历史从来不是少数英雄在真空中完成的。每一项重大成果背后,都有大量不被记住的知识积累、生产实践和社会协作。

这种个人英雄主义的叙事,也会影响我们对AI的理解。

今天,有人把AI描述成一个无所不能的超级天才,仿佛它能够脱离人类社会,独立地创造一切知识;另一些人则认为,AI只不过是对人类已有成果的机械拼接,因而不值得认真对待。

这两种认识都容易走向片面。

AI的能力确实令人惊叹,但它的训练离不开人类长期积累的知识、数学成果、代码、论文和大量劳动。它的运行依赖芯片、服务器、能源、通信网络以及工程人员的维护。所谓智能突破,背后有着庞大的社会生产体系。

与此同时,也不能因为AI依赖人类已有知识,就简单否认它可能形成新的推理能力和知识发现方式。工具的发展会改变人的实践方式,而新的实践方式又会推动认识继续发展。

关键在于,我们应当怎样认识这种变化。

如果把AI当成一个神秘的救世主,认为只要技术足够先进,人类就会自然进入一个没有剥削、没有贫困的社会,那显然是把社会矛盾交给机器解决。倘若把AI视为必然毁灭人类的怪物,拒绝了解它、使用它,也同样无助于我们认识现实。

技术既不会自动实现共产主义,也不会自动决定人类的悲惨命运。

共产主义不是某种技术产品升级到最高版本之后附赠的功能。它涉及生产资料的社会占有、生产关系的变革以及人的社会关系和生活方式的深刻改变。再先进的AI,也无法代替人们在现实社会中解决这些问题。

这也让我们重新理解教育。

很多人谈到数学教育时,都会想起高中时期那些令人头疼的圆锥曲线题目。为了在有限时间内解出一道题,学生需要反复练习设点、联立、消元、韦达定理,甚至要记住各种复杂的计算技巧。

当然,数学训练并非毫无价值。抽象思维、逻辑推理和基本计算能力,都需要通过系统学习获得。问题在于,教育究竟是在培养人认识和改造世界的能力,还是在训练人适应一套既定的选拔规则?

一个学生花费大量时间掌握复杂的手算技巧,最终却很难理解这些知识在现实生产和科学研究中的意义;一个学生能够熟练完成考试中的标准题目,却不知道如何把数学知识用于解决身边的实际问题。这种教育结果值得认真反思。

尤其在AI逐渐改变知识生产方式的今天,我们更应该重新考虑教育的目的。

如果未来许多繁琐计算都能够由工具完成,那么教育就更应该帮助学生理解问题的本质,认识事物之间的联系,掌握提出问题、分析问题和检验结论的方法。一个人不能因为会使用AI就放弃思考,也不应该因为不会徒手完成某种已经能够被工具高效处理的计算,就被简单地判定为没有能力。

我们需要的是能够驾驭工具、理解工具、判断工具的人,而不是把工具当成新的考试题目,再让一代年轻人围绕它展开无休止的竞争。

还有一个问题,比学生能不能使用AI更加重要:普通人有没有机会真正接触和理解科学?

在很多人的生活中,数学、物理、医学和计算机知识仍然是一道道遥远的门槛。有人看不懂医学报告,只能听从广告和营销人员的解释;有人遇到复杂的法律问题,只能依赖不可靠的网络传言;有人面对AI生成的内容,既不知道如何验证,也不知道怎样辨别其中的错误。

我们不能轻易嘲笑这些人缺乏科学素养。一个长期被生活压力挤占时间的人,很难拥有充足的条件去系统学习;一个没有接受过良好教育的人,也不可能仅凭几句劝告就掌握复杂的知识。

当知识被少数机构、专业群体和商业平台垄断时,普通人就容易成为被解释、被管理和被营销的对象。

科学知识应当从人民群众的实践中产生,也应当回到人民群众的生活中去。让劳动者能够理解自己使用的机器,让患者能够理解自己的疾病,让普通人能够判断一项技术究竟解决了什么问题、带来了什么风险,这些事情与数学家发表多少论文同样值得重视。

当然,知识普及也不能被理解为把所有专业研究都变成几分钟就能看完的短视频。专业分工有其必要性,复杂理论也需要长期学习。我们真正需要改变的,是知识与普通人之间那种不平等的关系:让学习不再只是少数人获得身份和地位的通道,让科研成果不再只是少数机构之间争夺资源的筹码。

回到最初的722篇数学手稿。

这批成果究竟有多少能够经受同行评议?其中多少证明会被进一步修正?哪些结果能够真正推动相关领域的发展?这些问题都需要时间回答。OpenAI公布的数量固然引人注目,但数量本身不能替代严谨的检验。

我们既没有必要因为它来自一家大型科技公司,就预先否认全部成果;也不能因为它代表技术进步,就放弃独立判断。

对于普通劳动者而言,AI带来的问题也远远没有结束。它可能帮助一个人更快地学习、写作、编程和处理工作,也可能成为企业重新组织劳动、压低成本和提高劳动强度的工具。一个人可以主动学习AI,却未必能够决定AI进入自己的工作岗位以后,企业将怎样安排自己的生活。

这正是我们必须认真对待的现实。

下班以后,一个年轻人可能打开AI,询问一道困扰自己很久的数学题,也可能让它帮忙检查代码、整理资料。他为自己能够接触到过去难以获得的知识而感到高兴。可是第二天走进办公室,面对的仍然是新的绩效指标、不断缩短的项目周期和无法确定的岗位前景。

这两种感受并不矛盾。

人们完全可以欢迎技术进步,同时反对借技术进步之名加重劳动者的负担;可以积极学习新工具,同时要求技术发展的收益得到更加合理的分配;可以尊重数学家的专业判断,同时追问知识生产究竟应该服务于怎样的社会需要。

或许,真正值得我们思考的,并不是AI能不能成为下一个爱因斯坦,也不是有多少数学家会因为AI而失去工作。

而是当机器越来越擅长完成过去只有人才能完成的事情时,人究竟能够因此获得什么?

是更多可以自由支配的时间,是更加充分的教育机会,是普通劳动者也能享有的科学成果,还是更高的劳动定额、更激烈的竞争和更加不稳定的生活?

这道题,AI暂时无法替我们回答。

注:配图来自网络无版权标志图像,侵删!
声明:文章仅代表作者个人观点,不代表本站观点——乌有之乡 责任编辑:孙阳
赞 收藏

心情表态

今日头条

点击排行

  • 两日热点
  • 一周热点
  • 一月热点
  • 心情
  1. 胡锡进的容错宽度比沈丁立的发言更值得警惕
  2. 余鹤元:《邓小平年谱》考证之三——广西起义
  3. 这次的“彻底翻车”是个警示:真别再把老百姓当傻子了!
  4. 感你妈的恩!让武汉人学感恩的王忠林终于坐进纪法课堂
  5. 奚仁德:李敏为何不姓毛
  6. 曹子文:闲聊“内卷”和“躺平”
  7. 吴铭:从实体企业、资本到金融——十年来经济斗争回顾
  8. 郝贵生:“党性原则”的核心及基本内容(之二)
  9. “美国不支持‘台独’”,“台独”要凉了
  10. 毛主席为什么坚决反对"先放开、后收回"?
  1. 究竟谁才是道德败坏、思想偏激? ——评甘肃兰州城关区法院审判周禄宝、景树仁等人案
  2. 越来越“荒诞”,越来越不把普通人当人了!
  3. 有些人为何要争着去当孙中山事业的继承者?
  4. 胡锡进的容错宽度比沈丁立的发言更值得警惕
  5. 天眸:对《伟大的长征》评论之评论
  6. 海康威视“965工作制”刷屏,员工却在算账...
  7. 余鹤元:《邓小平年谱》考证之三——广西起义
  8. 这次的“彻底翻车”是个警示:真别再把老百姓当傻子了!
  9. 侯立虹:“假纪委”抓出真贪官,怎么看?
  10. 吴铭:老胡为什么替袁“院士”开脱
  1. 河南一高校马院院长被曝骚扰女学生:满嘴马克思主义,满脑子男盗女娼
  2. 篡改萧华将军《长征组歌》歌词掩盖王明张国焘罪行国法不容 中国共产党党史、中国人民解放军军史不容亵渎 中国交响乐团、中央电视台犯此错误真不该
  3. 邓小平与两极分化
  4. 白保国事件,一篇阅读量近十万的报道被删之后
  5. 政务中心被“强拆”真相:嫌疑人养殖场遭强拆不满赔偿信访无果!
  6. 大清早,被这条新闻恶心到了!
  7. 毛主席的这段话,现在没人敢说了
  8. 饭碗与脊梁:从姆巴佩涉华言论谈起
  9. 喜讯(号外):中国又迎来了另外一个金融大鳄——景顺集团
  10. 郝贵生:对长征的最好纪念是重塑毛主席的英雄领袖地位
  1. 和群众同吃同住同劳动,你愿意放下架子去做吗?99年前,一代伟人就做到了!
  2. 屠富全:一场“打不过就加入”的权力魔术
  3. 有些人为何要争着去当孙中山事业的继承者?
  4. 张文木|世界再回雅尔塔,冷战旧事成闲谈——诗赞深圳中俄美元首会晤
  5. 这次的“彻底翻车”是个警示:真别再把老百姓当傻子了!
  6. 究竟谁才是道德败坏、思想偏激? ——评甘肃兰州城关区法院审判周禄宝、景树仁等人案