进击的 AI:数学家预警之下,工业软件研发正在变局

一两年之前，AI 做高考数学原题还不能及格，面对需要多步推理、构造辅助线、分类讨论的压轴大题，常常逻辑跑偏、步骤错漏，稍微绕一点的长链条推导就全线崩盘；而现在，在规范的原题测试下，它已经可以稳定接近满分。它不再是靠背诵题库、局部匹配答案，而是能够自主读题、搭建解题路径，选择合适引理，完成连续多轮推演，写出条理完整、步骤可复现的解答。这个跃迁不是小幅优化，而是数理推理能力跨量级的抬升，远远超出两年前绝大多数数学、数值计算从业者的预判。

这轮变化，早已不是 “做做选择题、套套公式” 那么简单。如今的 AI 工具，已经具备逆向能力：拿到一段二进制、一份没有注释的老旧求解器源码，它可以逆向梳理控制流、还原算法脉络、推导出背后的离散格式与迭代逻辑；读懂前人晦涩的 Fortran、C++ 底层求解代码，剥离冗余，复现核心数值思路，甚至顺着原有实现路线，定位隐藏在深处的数值缺陷与边界漏洞。

与此同时，它的代码产出能力早已质变，不再只是补几行函数、写个简单脚本。只要给出清晰的数学模型、弱形式、离散方案、并行约束，它就可以一次性产出结构工整、可读性强、可编译、附带单元测试、具备工程质量的完整代码。从矩阵组装、边界积分、预条件子、Newton-Raphson 迭代，到 MPI 并行、GPU Kernel、HDF5 IO、残差监控，一整套高质量实现都可以交付；如果不满意，还能持续重构、性能调优、更换离散方案、迁移到新的编程范式。很多过去需要资深程序员、工业软件算法工程师耗费数周甚至数月打磨的原型，现在在高质量提示之下，几天之内就能拿到多版备选实现。

这股力量，已经冲进了以抽象、严谨、深度创新著称的纯数学研究领域。作为 2026 菲尔兹奖得主，邓煜在多次公开采访与对谈中系统阐述了他对 AI 冲击数学的看法，所有表述均来自公开报道。

邓煜明确提出：在不久的将来，相当一部分数学研究有可能由人工智能参与完成，这会给数学界带来实实在在的挑战；但研究者同样可以反过来，通过理解 AI 生成的证明、使用 AI 证明出来的定理，推进自己的研究工作。他以自身经历举例：曾经有一个引理，他花了数日得到一份数页长度的证明，而 AI 在很短时间内就给出一份更简短、甚至带有他不曾想到角度的证明，尽管这份证明有时只能适用于特殊情形、难以推广，但确实能够提供全新思路，震撼到他本人。

他有一个被广泛引用的比喻：AI 就像一辆汽车，人类设定目的地、掌握驾驶的主动权；汽车可以自动驾驶，但如果没有人在车上，这件事对人就没有意义。AI 的定位是工具，数学研究永远以人为主体；AI 可以把数学家从繁重、琐碎的技术推导细节里释放出来，让人转向更加深刻、更难的问题，同时还有机会拉近数学不同分支、以及数学和现实世界之间的距离。

邓煜进一步提出著名的 “两条边界” 判断：在传统数学里，只要一个问题存在证明，就意味着存在能够理解这份证明的人，二者是同一条边界；但现在 AI 可以生成证明，却不附带可供人类把握的内在理解，于是出现第二条边界 —— 存在证明，但人类并不理解它背后的思想。在他看来，数学的核心追求是人类的理解，仅仅拿到一个正确答案，并不等同于科学进步。他和陶哲轩等人一同指出，应当警惕商业叙事把数学简化成做题大赛，警惕不加解释、未经严谨核验、大批量产出真假难辨的数学陈述，这类做法有可能损害孕育新数学思想的学术沃土；但这不代表否定 AI，他认可 AI 确实有机会催生人类也能够读懂、并且可以继续延展的全新想法，走向人机协同共同推进数学的模式。

他同时强调 AI 的优势来源：依托海量文献蒸馏，AI 拥有近乎无限的知识面和极低的试错成本；但它的产出必须接受人的把关，要遵守学术规范，建立可追溯的贡献认定机制。他并不认为 AI 会消灭数学，也不认为 AI 能够替代数学家；AI 可以回答大量问题，但无法代替人类思考。研究者不是要和 AI 竞争，而是学会和 AI 合作，去触碰过去单凭人力很难尝试的难题，甚至有可能加快一部分百年数学猜想的突破节奏，纳维 - 斯托克斯相关方向的进展，已经让他看到这种加速潜力。

如果 AI 已经对纯数学研究都引起较大冲击，更不用说工业软件研发了。

工业软件，尤其是仿真类工业软件，本质就是数学、物理、数值算法与高性能代码的结合。工业软件研发工程师，一边要啃偏微分方程、有限元、各类数值离散的数学理论，一边要把物理模型转化成高性能代码，完成求解器开发、算法调优、仿真验证；而程序员，则负责底层框架、并行计算、前后处理模块的实现。过去，这两类岗位的核心壁垒，很大一部分来自代码编写、公式转程序、反复调试迭代、阅读遗留旧代码的硬工作量。

而今 AI 正在全方位渗透这两大群体的日常工作。

对于普通程序员，AI 早已不只是辅助。借助逆向与生成能力，它可以接手遗留代码的解读、重构、移植；能够独立产出高质量模块，自动排查内存越界、竞态、数值溢出，批量生成测试用例，压缩大量重复性编码与排错工作。过去需要几天实现的算法原型，现在工程师给出清晰的数学描述，AI 就可以快速输出初版代码，并持续迭代优化。岗位矛盾随之显现：只会机械翻译需求、复刻已有套路、把文献公式敲成代码的程序员，价值正在被持续稀释；行业会更加看重需求拆解、架构取舍、风险识别与顶层设计能力。

落到工业软件研发赛道，现实同样残酷，甚至更有冲击力。

工业软件研发里大量基础但繁重的工作：单元形函数、积分点循环、刚度矩阵组装、本构积分、边界条件实现、简单求解器原型、Python 后处理脚本、算例调试、老旧求解器源码解读与迁移，AI 都可以快速输出高质量初稿；依托逆向能力，它还能帮我们拆解闭源或者缺少文档的仿真程序，反向理解其数值方案，快速对标复现。过去一名工程师需要反复翻阅文献、手动推导、手写大量代码、反复比对算例才能完成的原型验证，在人机协同之下，周期被压缩到前所未有的水平。

但我们必须保持清醒：AI 输出的代码与推导，不是拿来即用的标准答案。它依然会出现物理逻辑断层、守恒性破坏、数值稳定性缺陷，对工程约束、尺度效应、工业边界的理解经常出现偏差。这就意味着：只会把数学公式翻译成代码、只会复现已有算法、只会读别人留下的代码的工业软件研发工程师，会被 AI 极大削弱价值；但能够判断物理合理性、识别算法隐性缺陷、理解工程真实痛点、权衡精度与算力、做顶层方案设计的人，会愈发稀缺。

很多人会直接抛出一个问题：工业软件研发工程师和程序员，会不会被 AI 彻底取代？

沿着邓煜这套对数学的判断平移到工程领域，逻辑是相通的：AI 是强大工具，但主体必须是人。AI 擅长执行、试错、复刻已有知识、沿着已知路线高速生成实现；但工程科研里大量真正值钱的工作，是定义问题。现实工业问题往往没有标准答案：如何对复杂物理现象做合理简化？在精度、算力、成本之间如何权衡？面对工业现场异常仿真结果，如何定位机理根源？在多物理耦合、强非线性、接触、断裂这些前沿方向，如何提出新的数值方案？这些需要工程经验、物理直觉、行业认知与原创洞察力的部分，依然牢牢掌握在人的手里。

不过我们不能盲目乐观。工具的跃迁，一定会重塑岗位结构。

大量初级编码、简单算法实现、遗留代码翻译、重复性调试的工作会持续萎缩。对从业者提出新的生存命题：程序员不能只满足于敲代码，工业软件研发工程师也不能止步于把文献公式复现为程序。要往上游走，理解业务物理本质，学会驾驭 AI，学会核验 AI 的产物，把精力集中在 AI 做不到的问题定义、机理洞察、方案取舍上面。

AI 在进击。它不再只是一个聊天助手，而是具备逆向解读、高质量代码生成、长链条数理推理能力的生产力引擎。它不是简单抢走岗位，而是重新划分人的工作边界。

数学尚且为之震动，扎根数学物理之上的工业软件研发，更没有办法置身事外。未来的工业软件研发工程师与程序员，不再比拼谁写代码更快、推导公式更多、读旧代码更耐心，而是比拼：人还能提出什么样的问题，做出什么样的判断。

AI 浪潮滚滚向前，它是挑战，也是放大器。淘汰的不是工程师本身，而是固守旧工作模式、把自己局限在 “代码搬运、公式转程序” 这一层的人。学会驾驭这台强大的引擎，守住人类独有的洞察与判断力，才是这一代工业软件和底层研发人的破局之路。