“学生都用AI拿高分，作业不用批了，”菲尔兹奖得主宣布“交了就给分”：反正连ChatGPT都不知道数学的未来

“如果人工智能给社会带来的最大困扰，仅仅是让批改作业变得更费劲，那我反而会觉得这不算坏事。”

这位发言人是加州大学伯克利分校的数学教授 Richard Borcherds。1998 年，他荣获菲尔兹奖——数学领域的最高荣誉，地位堪比诺贝尔奖。最近，他做出了一项令同行惊讶的决定：

学生提交的作业，只要交上来就给分；至于答案正确与否，他不再过问。

这个做法听起来像是在“降低标准”？而他给出的解释很简单：越来越多的学生开始借助 AI 完成作业，而他很难判断哪些答案出自 AI，也想不出更有效的应对方法。

学生用 AI 获取高分，教授决定改变评分策略

过去，教师批改作业时，主要关注答案的准确性和解题步骤的合理性。但在 AI 能快速生成答案的当下，Richard Borcherds 指出，学生利用 AI 完成家庭作业的情况已十分普遍。如果继续依据答案正确性打分，只会让使用 AI 的学生受益，而让坚持独立解题的学生处于劣势：

“如果只根据答案是否正确来评分，就会给学生使用 AI 完成作业提供强烈动机，反而惩罚了那些诚实的同学。”

此外，在这种环境下，继续花钱请助教逐一核对答案是否正确，在他看来也失去了意义——因为 AI 生成的作业与人类手写的作业之间，界限几乎消失了。于是，Richard Borcherds 调整了评分方式：只要学生完成并提交作业，就能获得相应分数，答案对错不再是主要评判标准。

他承认，这并非理想方案，但眼下找不到更好的替代办法。

毕竟，提交作业并不等同于掌握了知识，拿到高分也不一定代表真正理解了方法。那么，如果只看作业是否完成，成绩还能在多大程度上反映学生的真实水平？

让数学界感到不安的，不仅是作业问题

Richard Borcherds 的“放手”并非毫无缘由，他对数学教育之外的问题也产生了忧虑。

时间回溯到一个多月前，也就是今年 9 月，OpenAI 宣布其内部 AI 系统对纳维-斯托克斯方程的存在性与光滑性问题给出了一个解答：这是克雷数学研究所悬赏百万美元的七个“千禧年大奖难题”之一，描述了流体运动中最基本的数学规律。

据悉，OpenAI 采用了约一万个 AI 智能体并行协作，运行 88 小时，产出的结果随后通过了 Lean 形式化验证。当时 OpenAI 研究员 Noam Brown 在 X 平台上透露，这次计算成本高达“数百万美元”——比问题本身的 100 万美元奖金还要高。但他同时做出了一个更令人担忧的预测：“一年后，所有每月花 20 美元订阅 ChatGPT 的人，都能解决这种级别的问题。”

对此，Richard Borcherds 的判断相当直接：“如果 AI 继续以目前的速度进步，那么再过几年，人类数学家能做到的事情，可能没有什么是 AI 做不到的，甚至做得更好。”

这番话出自一位获得过菲尔兹奖的数学家，难免令人感到震撼。

大约五年前，Richard Borcherds 还认为，数学家是相对不易受 AI 冲击的职业之一。毕竟数学研究涉及抽象思维、复杂推理和创造性探索，曾被视为人类专业能力的重要壁垒。如今，他却开始犹豫：还应该鼓励学生进入数学系吗？

“我完全不知道该怎么建议。我甚至把这个问题原封不动地问了 ChatGPT，结果连 ChatGPT 都说，它也不知道未来会发生什么。”

同一个系内，存在两种截然相反的判断

不过，Richard Borcherds 的悲观情绪在伯克利数学系并非共识。例如，同校的数学博士生 Robin Huang 在接受采访时，给出了几乎相反的评估。

她曾用 AI 辅助自己的研究，感受是“非常愚蠢、非常低效”。在她看来，AI 公司去破解那些未解的数学难题，是一种“极度损人利己的行为”，并在数学共同体内部制造了恐慌——让研究者害怕被 AI“抢先发表”。

其实，这两种判断的差异，不在于谁对谁错，而在于他们关注的是不同方面：

Richard Borcherds 关注的是趋势：88 小时解决千禧年问题，这个加速度本身已足够说明方向。

Robin Huang 感受的是当下工具的真实体验：笨拙、低效、离“替代研究者”还差得远。

一个在为“未来”做心理准备，一个在质疑“现在”到底走到了哪一步。还有一点很微妙：虽然 Richard Borcherds 已放弃批改学生作业，但他并非是一个拒绝工具的保守派。

恰恰相反，他在采访中承认，AI 可能比他更适合教自己的研究生抽象代数课，因为 AI“有耐心，讲得清楚”；甚至向 AI 提出复杂问题时，得到的答案也“比从任何人类数学家那里得到的都好”。

作业不再批改对错，那大学在衡量什么？

无论如何，虽然 Richard Borcherds 的做法有些极端，但他也触及了一个所有大学都在面对的问题：当 AI 能高质量地完成大部分传统的“作业型任务”时，用作业来评估“学生自己会不会做”这个逻辑本身就开始动摇。

关于这个问题，加州大学伯克利分校的回应是把决定权交还给教师：教学大纲中必须写明 AI 使用规范，但具体怎么管理，由任课老师自行决定；他们也尝试过 Turnitin 和 Rumi 等 AI 检测工具，结论是准确度不够，无法全校推广。

换句话说，学校层面已承认“检测”这条路行不通，但替代方案尚未成形。放到更大的背景中看，这也不是加州大学一家的困境——2026 年的一项全球调查显示，大学生学业中的 AI 综合使用率已经达到 88%。

可对于教育而言，答案是否正确固然重要，但理解推导过程、发现错误、独立解决问题，更是学习的核心。其实，Richard Borcherds 的选择，也是把一个没有答案的问题摆到了台面上：

如果作业不再是训练“亲手做对”的场所，大学到底应该评估什么？是学生提出好问题的能力，判断 AI 答案是否合理的能力，还是某种目前还没有被清晰定义的东西？

目前，Richard Borcherds 还没给出答案。那么问题留给你：如果你花了几十年成为某个领域的专家，然后发现一个每月 20 美元的工具在几年内就能做到你大部分的工作，你会告诉年轻人“继续走这条路”，还是“换一条”？

本文来自微信公众号“CSDN”，整理：郑丽媛，36氪经授权发布。