看到“AI求解千禧年难题”，第一步核查什么？

消息提到，有作者转发OpenAI官方声明，称其AI求解了悬置约90年的Navier–Stokes千禧年大奖问题；据称一个训练中的新内部模型驱动约1万个并发智能体，88小时得出解，GPT-6 Astra再用17小时完成Lean形式化与验证。注意，这是转发与宣称，不是数学界已接受的结论。

对准备科研岗面试或申请的人，第一步不是激动，而是分清三种状态：官方声明、媒体转发、同行核验。三者之间可能隔着数年。具体可查：原始声明是否给出可复现细节；结论是否提交期刊或公开预印本；克莱数学研究所是否确认；Lean验证通过的是形式化陈述，还是被数学界认可的完整证明。这些目前都属未知，不能当作改方向的依据。

数学与计算科学方向，该补什么能力？

无论宣称真假，素材里有一个值得注意的信号：求解与形式化验证被分成两段流程。这提示两类职业方向关注点不同。偏数学的方向，核心是问题建模、证明结构与反例意识；偏工程的方向，核心是把数学陈述翻译成可检查的形式化代码、管理大规模并发实验、复现结果。

假设场景：同一道题，一种做法是先写自然语言证明再找人审；另一种是先写Lean陈述，让机器逐行检查。前者依赖同行共识，后者依赖形式化规范是否忠实。面试时被问“你怎么看AI做数学”，可以谈这两种路径的差异，以及你愿意补哪一侧。不要断言岗位会激增，也不要把“训练仍在进行、性能持续提升”这类进行中的表述当成已定事实。

面试或申请时，怎么谈这类热点？

把热点转成方法讨论，而不是复述结论。可以这样组织：我关注的是验证环节——如果形式化陈述写错，机器验证也救不了；所以我更想确认自己的数学基础能否支撑规范设计，或工程能力能否支撑复现实验。

读岗位描述时，还要确认：团队做的是证明辅助工具、数值求解，还是评测基准；是否要求Lean/Coq等经验；成果以论文还是系统交付。这些信息岗位描述未必写全，值得在交流中问清。

实际可做的小建议：挑一个你熟悉的定理，试着把它的一条引理写成形式化陈述，感受数学表达与代码之间的落差，再决定补哪一侧。