先分清“报道”和“验证”

消息提到，Clay数学研究所2000年选出七个未解难题，每个悬赏100万美元，目前只认定庞加莱猜想已解决。围绕Navier–Stokes方程的这轮讨论中，报道里的OpenAI证明仍未经验证。对想进AI+数学交叉方向的求职者，这条动态的价值不在结论，而在提醒你：这个领域最容易混淆的，是“发布了一个说法”和“数学界接受了这个结果”。

判断一个团队是否真做研究，第一处核查就是可验证的数学成果。不是看它宣称用了什么模型，而是看有没有公开的、能被同行检验的数学产出：定理陈述是否完整、证明是否可逐步检查、是否在数学讨论中被认真回应。如果只有新闻稿和演示，没有可复核的数学文本，就要多留一个问号。

看合作对象，也看岗位描述

第二处核查是与数学系的实质合作。真正做这类研究的团队，通常需要有人能判断问题本身是否重要、证明思路是否成立。你可以看团队成员里有没有长期做偏微分方程或相关方向的数学研究者，合作是挂名还是共同推进具体问题。

第三处核查藏在岗位描述里。同样是“AI+数学”岗位，一类偏工程支持：搭训练与验证流程、维护数据与算力；另一类偏研究参与：读论文、提出猜想、检查证明步骤。读描述时要确认：日常产出是代码还是数学论证？有没有数学背景的同事一起评审？面试时问“你们最近推进的具体数学问题是什么、AI在其中承担哪一步”，比问“用什么模型”更能听出真实参与度。

该补的基础，比工具更靠前

Navier–Stokes方程的历史约200年，现代数学理论的基础工作可追溯到1934年Jean Leray。这个时间尺度说明，进入该方向的人如果只学调模型，很难判断一个问题值不值得做。数学分析、偏微分方程、泛函分析这些基础，决定你能不能读懂问题、参与讨论。

素材也提醒，即使AI提供了决定性新论证，也不会自动带来完美天气预报或完整的湍流理论。研究边界需要具体讨论，而不是被一句“AI解决了难题”带过。

一个实际可做的小建议：挑一篇你目标团队公开的数学文本，试着复述它的定理和证明结构；如果读不下去，就先补对应基础，再决定要不要投。模拟面试中，你可以练习用三句话讲清一个具体数学问题的现状与难点，这比罗列工具经验更能体现研究参与度。

本文为职业分析，不构成对相关证明或团队的评价。