有消息称，OpenAI用10,000个AI智能体、由能力远超GPT-6 Astra的模型驱动，解决了一道约90年未解的数学难题。消息还提到，证明方案认为光滑三维流体流动会突然中断，Lean版本已公开，数学家可自行查验；同时包含“缩放定律可能在于智能体数量”等预测。这些说法尚未被官方或数学界独立验证，求职者先分清可查信息与预测。

先分清：哪些能查，哪些只是预测

素材里最实在的，是Lean版本已公开、数学家可自行查验。这意味着至少有人可以动手核对证明的形式化部分。但该证明是否被数学界接受，消息本身没有给出结论。另一类说法，如“缩放定律可能在于智能体数量”，明确是观点或预测，不是已发生的事实。

求职决策上，一个取舍是：把时间花在核实和追问上，而不是把预测当成岗位要求。你可以去查官方发布、论文或数学界讨论，而不是只看转述。若无法确认，就先把它当作一条动态，不要据此推翻自己的研究计划。

数学或计算科学求职，该不该补AI协作工具技能

可以关注Lean等证明验证工具和智能体协作流程的基本概念，但不应据此认定所有数学或计算科学岗位都要求这些技能。素材只说明在这个案例中证明被转成Lean并公开供查验，不能推出形式化验证在整体科研中的位置上升，也不能推出招聘门槛变了。

两类方向准备方式不同。偏基础数学的方向，核心仍是定义、证明结构和领域知识，工具是辅助核对的手段；偏计算科学或AI辅助科研的方向，除了数学功底，还要理解形式化语言、实验设计和结果验证的边界。读岗位描述时，确认对方要的是“使用现有工具做验证”，还是“设计智能体协作流程”，这两者对技能要求差别很大。

一个可做练习：挑一个熟悉的小定理，用Lean写一遍，记录哪些步骤必须自己判断、哪些可以交给工具。这个练习能帮你向目标岗位核查价值，而不是替你做决定。

面试或申请中聊到AI辅助科研，怎么表达才不虚

可以谈你对AI工具辅助探索思路的理解，但要明确区分工具辅助与独立研究能力。比如被问到研究兴趣，与其说“AI能解决难题所以我想做这个方向”，不如说“我关注形式化验证如何帮助检查证明，也想知道它在哪些环节仍需人工判断”。

模拟面试中可能被追问：如果工具给出一个证明，你怎么确认它可信？这时可以谈Lean版本公开查验的意义，也可以谈自己会如何拆解证明步骤、寻找反例。注意，这只是模拟提问，不是断言面试官一定会问。

写申请材料时，只写实际完成的事，例如“[实际记录：完成某定理的Lean形式化练习]”，不要编造数字成果。结尾给一个实际可做的小建议：这周找一篇你方向内的近期论文，标出哪些结论依赖计算或验证工具、哪些依赖人工推理，再写下你愿意投入哪一类技能。这个判断，比追一条消息更接近你自己的研究路径。