摘要：2025年9月，一篇挂在预印本平台 arXiv 的数学论文，引发了学术圈的强烈关注。原因很简单——GPT-5进了正文，而且不是打杂的，而是“定理贡献者”。
2025年9月，一篇挂在预印本平台 arXiv 的数学论文，引发了学术圈的强烈关注。原因很简单——GPT-5进了正文，而且不是打杂的，而是“定理贡献者”。
论文聚焦于 Malliavin–Stein 框架中的一个老问题：第四矩定理的收敛速度问题。这个定理过去只能告诉你“是否收敛”，却没法判断“收敛得多快”。而这次，GPT-5 给出了一个全新的量化收敛速度结论，直接写进了论文成果中，成为该定理的首次定量版本。
这不是“AI辅助润色”级别的小事，而是AI首次在数学研究中扮演了实质性贡献角色。而且，研究者也没有“代笔”，GPT-5的推导结果被原封不动纳入正式稿件。
外界看到GPT-5“证明定理”，很容易联想到“AI单挑数学难题”的画面，但事实远不是这样。
在实际研究过程中，GPT-5虽然迅速给出了定理陈述，但在关键步骤上出了错。比如在处理协方差 Cov(Y², Z²) 时，它用了一个错误的公式。研究者反复追问、指出问题，GPT-5才逐渐修正思路，写出正确推导。
这不是孤例。论文作者称，与GPT-5合作的感觉，就像带一个天才但毛躁的实习生——思路快、产出快，但常常需要人工纠错和引导。
甚至连OpenAI 的教育专家 Ethan Mollick 都公开表示：GPT-5 Pro 确实能“做出新数学”，但必须在教授的引导下才行。
这说明，GPT-5并没有取代研究者，而是把他们从繁琐的符号推导中解放出来，进入“思路监督+结果验证”的新角色。
GPT-5“写入论文”的消息一出，社交媒体迅速爆炸。微软研究员 Sébastien Bubeck 也发帖称，GPT-5 Pro 在几分钟内给出了一个凸优化中的经典问题的更优解，将算法收敛速度从 1/L 提升到 1.5/L。
对外行来说，这听起来就是“AI几分钟完成了人类几十年没完成的事”。但圈内专家泼了冷水。
优化领域专家 Ernest Ryu 评论道：GPT-5 用的是 Nesterov 方法，这是业内熟悉的技巧，有经验的研究者几个小时也能推出来。
换句话说，GPT-5的“突破”，更多是对已知工具的高效组合，而不是原创性创造。
GPT-5能推导定理、生成证明，确实正在成为科研提速器，但它也带来了新的隐忧。
论文作者在结尾写得很直接：GPT-5最擅长的是“拼图式研究”——快速整合已有工具，但缺乏原创突破。而如果这种研究方式成为主流，学术界可能会被大量“正确但平庸”的成果淹没。
更值得警惕的是，对年轻研究者的影响。
传统博士训练的核心，在于反复试错、失败中培养研究直觉。但现在，AI可以一步到位生成“技术上正确”的推导，学生可能根本没机会真正理解背后的原理。
正如论文所言：如果学生过度依赖AI，可能失去发展核心研究能力的机会。
这不仅是GPT-5的问题，也是整个科研生态在AI时代必须面对的挑战。
从Malliavin–Stein定理的新突破，到凸优化速度极限的挑战，GPT-5已经从“工具”变成了“合作者”。
它能生成定理、推导证明，甚至在教授指导下完成整套研究流程。毫无疑问，GPT-5正在改变科研。
但问题也随之而来：
当“正确但无趣”的研究可以批量复制，真正有价值的原创还能脱颖而出吗？当博士生最宝贵的训练环节被AI跳过，学术能力还能代代传承吗？未来几年，AI在科研中的角色，还远未定型。但可以确定的是：
GPT-5已经不是实验室的玩具，而是科研场上的新选手。
而真正的问题是——在AI已经能“写入论文”的今天，人类研究者，还要写什么？
来源：亓钦
