2026-10-23哈佛大学CMSA数学与AI人工智能峰会报告
★置顶zzllrr小乐公众号，追踪《小乐数学科普》系列报道，参与数学 vs AI投票！
坚持不炒作的数学与AI报道，投稿信箱zzllrr@gmail.com
《人工智能时代数学研究峰会报告》
作者：哈佛大学CMSA（数理科学及应用中心）数学与人工智能峰会
组织者：
丹·弗里德（Dan Freed），哈佛大学
拉里·古斯（Larry Guth），麻省理工学院
布莱娜·克拉（Bryna Kra），西北大学
艾米莉·里尔（Emily Riehl），约翰斯·霍普金斯大学
穆罕默德·阿布扎伊德（Mohammed Abouzaid），斯坦福大学
峰会时间：2026年10月 22‑23 日
参与人（32位）：
Mohammed Abouzaid
Antonio Auffinger
Jeremy Avigad
Boaz Barak
Agnès Beaudry
Joan Bruna
Linda Chen
Jaume de Dios Pont
Mike Douglas
Pavel Etingof
Dan Freed
Bogdan Georgiev
Mathilde Gerbelli-Gauthier
Javier Gómez-Serrano
Nestor Guillen
Larry Guth
Ahsan Khan
Bryna Kra
Tie Luo
Melanie Matchett Wood
Shivam Nadimpalli
Eric Price
Rachel Pries
Emily Riehl
Patrick Shafto
Andrew Sutherland
Jennifer Taback
Adam Topaz
Tatiana Toro
Caroline Turnage-Butterbaugh
Anthony Várilly-Alvarado
Stefan M. Wild
引言
数学是人类精神优美而强大的表达。长期以来，它为人类描述、预测、理解世界提供了行之有效的工具。数学本身即是研究对象，同时也是科学与技术的基石。随着人工智能发展，数学的重要性愈发凸显，这就要求我们培育新一代人才，去学习、讲授、拓展并塑造这门学科。数学家若能兼具创造力与远大抱负，把握新机遇，就最有能力塑造人工智能时代数学研究的本质与发展方向。迈入新时代需要审慎前行，但学界同样必须着眼未来。
基于上述考量，哈佛大学数学科学与应用中心（CMSA）举办了为期两天的人工智能时代数学研究峰会，时间为 2026 年 10 月 22‑23 日。来自学术界、政府部门与产业界的 32 位数学家齐聚一堂，共同应对这场剧烈变革，更重要的是携手开创未来。峰会设立五个工作组，围绕以下主题开展研讨：
科研成果的评价、产出与传播
面向人工智能时代的协同行动
开源工具
数学形式化
学术界与人工智能实验室的合作
本报告汇总各项研究结论。部分建议（尤其是科研评价、产出与传播章节）为数学系的评审与人才招聘提供了可立即落地的实操方案。我们鼓励各院系尽快推行力所能及的举措，并启动长期研讨，重新审视科研评价体系。我们承认，部分变革短期内会给教职人员带来更大工作负担，但这些举措是推动行业范式转型的必要条件，对于扶持学生与青年科研人员尤为关键。报告提出的建议不只适用于学术界，同样对政府与产业界具有参考意义。
2026 年 9 月已举办一场主题为《人工智能时代数学博士教育》的同类峰会。后续峰会将探讨尚未覆盖的重要议题，例如学术出版与本科数学教育。
峰会官网收录各类参考资源，同时开放反馈提交入口。
核心建议
面对新技术浪潮，数学家应当重塑本行业。实现这一目标，需要社区持续协作，配套资源与统筹协调，并认可相关工作的价值。
数学领域存在多种具备价值的学术工作，其相对价值正在快速变化；学术界的激励机制必须随之调整。
高校与资助机构必须优先对学生及青年数学家开展培养、提供经费支持并赋予其发展空间。
学界应当搭建互联互通、经过整理维护的数学资源库，拓展出版形式，容纳数据库、交互式成果与综述阐释类作品。
形式化证明应当作为现有数学研究实践的补充，由领域专家主导可复用形式化证明库的构建与维护。
在数学界的引导下，高校、产业界以及政府机构应当建立长期稳定的合作关系，推动科学发现、人类认知进步与人工智能安全。合作必须以人为本，尤其重视受训科研人员，确保由人类把握数学与技术的未来发展方向。
数学家应当通过共享资源、创新知识组织方式与进展追踪手段、认可大型项目参与者贡献等方式，推动大规模科研协作。
数学界应当重申并更新人工智能时代的行业准则，着重强调公平、学术互助、成果署名归属与科研协作。
数学界应当保留不依赖人工智能工具开展研究贡献的机会。
数学家应当向大众科普数学的重要价值，提供深度参与的渠道；这类科普工作应当被视作推动数学进步的一部分，获得相应认可。
I. 科研成果的评价、产出与传播
数十年来，定理产出一直是衡量数学学术成就的核心标准，深刻影响招聘与职称晋升。但随着行业变革，仅依靠这一标准，已经无法全面衡量推动数学认知进步、壮大数学社群所需的各类工作。因此我们必须拓宽有价值科研贡献的认定范围，修订评价与奖励体系。想要维系本学科蓬勃发展背后的核心价值，就需要更新实践模式、行业文化与激励制度。
学术评价与成果署名认定
随着数学产出与传播手段日益多元，学界应当支持并认可更多能够推动学科进步的科研活动。我们需要重视独立证明带来的专业积累，以及有意义的阶段性研究进展，即便部分成果与人工智能生成内容存在重叠。在数学成果产出飞速增长的当下，简化论证、揭示新内在结构的阐释类工作将具备极高价值。把人工智能生成的重要结果的验证证明转化为可读性强的数学文本，这一智力劳动对推进数学知识发展意义重大。
评价体系不能只看学术论文，还应当认可：广博深厚数学知识的积累、开辟全新研究方向、提出全新问题与猜想、参与并维护开源及众包项目、创新数学研究与知识组织模式、搭建服务学界的资源平台、形式化研究中的技术工作、参与大规模科研项目、探索利用人工智能工具推进数学研究的新方法、社群组织领导力。
数学界应当摒弃长期以来把 “首个证明某项结果” 作为最高价值的传统。尤其是当借助人工智能工具就能以较小工作量得到相关论证时更需如此。价值认定与署名规则要适配工具迭代，但始终恪守核心原则：一切评价以增进人类对数学的理解为目标。新的阐释类文献应当引用过往同类阐释；而论文引用结果时，优先选用最便于读者查阅的参考文献。
招聘与职称晋升
深厚的数学专业能力依旧是招聘与晋升的核心，但证明专业能力的依据应当更加多元。上述各类科研贡献，必须在招聘、晋升评审流程与评分标准中得到明确体现，并纳入研究生与博士后的招生考核。求职材料应当新增部分内容，例如科普陈述、讲解视频、面向不同受众的数学阐释成果。推荐信同样应当在传统评价维度之外，对上述多元贡献予以认可。
转型过渡期，各院系可考虑允许研究陈述材料不撰写未来研究计划。
学术界之外的延伸
与政府机构、国家实验室、产业界及非营利科研机构合作，能够催生更多学术成果。院系应当支持教职人员与学生在学术界和其他行业之间流动；弹性休假制度、联合聘任、实务岗位聘任可以为此提供便利。鼓励院系对接合作方，搭建实习输送渠道，消弭学术界与其他行业之间的壁垒。此外，能够有效对接资助机构、立法者与普通公众的数学家，其工作也应当得到奖励。
成果传播与作者署名
数学成果产出与分享的新方式拓展了学科边界，与传统学术研究互为补充。新平台产出的成果同样严谨、具备价值，理应获得学术认可。这类平台包括人工智能生成数学成果资源库、协作项目专题网站，以及专注高质量综述、可视化、内容提炼的出版物。与此同时，讲座、视频、博客、交互式网页以及尚处于试验阶段的各类形式，在推动学科发展中发挥着越来越重要的作用。
随着协作与传播模式革新，“作者署名” 的内涵也在演变。大规模团队署名不存在统一模板，可以借鉴实验科学的惯例。参与者可以标注各自角色：调研、分析、验证、撰写、审阅、编辑、经费筹措。若角色没有清晰划分，则所有作者都需要充分理解论文细节，并对论文观点负责；形式化校验或者人工智能核验，都不能免除人的这份责任。
作者若可以清晰概括自己的工作、回应相关技术问题，才最有利于数学科学的进步。想要做到这点，数学家应当优先保障工作的质量与深度，而非一味追求产出数量。专著（包括教材与综述文集）在招聘与职称评审中应当获得更高重视。
行业准则
数学界长期形成的准则虽并非尽善尽美，但保障了科研协作、成果公允署名与思想开放交流。人工智能的应用，要求我们重申并更新这些准则，对原有规范不再适用的场景给出明确指引。
严禁利用人工智能窃取同行尚未公开发表的研究想法。不同团队研究出现大量重合时，应当优先考虑开展合作与恰当署名，坚决抑制为抢占优先权仓促发布成果的行为。
听学术报告遇到疑问，应当先向报告人提问，而不是直接调用人工智能模型。开展合理学术审视的同时，必须秉持学术互助精神。公开研讨、分享阶段性研究成果、公允署名依旧是核心原则。
人工智能工具会筛出文献中的错误。得出结论前要区分错误严重程度：局部笔误，和动摇论文核心论证的逻辑漏洞，应当区别对待。发现错误后联系原作者这一传统准则依旧有效。
不同职业阶段的责任
新技术带来的变革及其对应的责任，在不同职业阶段差异巨大。研究生与青年科研人员机遇最多，但面临的不确定性也最大。资深数学家必须主动保护后辈，不能让青年学者承担转型带来的绝大部分压力。
对人工智能工具的选择
学界应当尊重数学家不使用人工智能工具的选择。评价标准既要足够清晰以指导职业发展，又要保持弹性，认可数学多种多样的贡献方式。
方法说明章节
坦诚公开信息，才能维持科研可信度。论文应当增设方法说明章节，效仿实验科学现有惯例；章节命名要兼顾各类研究实践。该章节如实记录人工智能参与工作的性质、程度，以及人类作者完成的内容。这份声明不能免除人的责任，而是作为补充。行业学会与出版商应当为作者、审稿人、评审专家制定清晰的人工智能使用与标注指南，相关文档需要持续迭代更新。
II. 面向人工智能时代的协同行动
应当由数学家主导人工智能对本学科的改造。新技术为发现、表达、计算开辟诸多振奋人心的可能性。随着数学产出不断增长，部分研究愈发依赖工具与算力，学界需要全新模式完成知识整理、科研协作与成果共享。
需要相当规模的数学家群体牵头落实上述新发展。转型节奏很快，这类引领性工作应当被视作重要学术贡献，予以重视。部分影响整个数学界的大型项目，需要高校、资助机构或者公益基金会提供经费或制度支持，保障项目组织者开展工作。
建立大规模协作的新模式
除传统协作形式外，我们设想依托现代技术开展更大规模的联合研究。鼓励数学家搭建新的团队架构，汇聚不同背景、不同技能的研究者，攻克当下有望实现的宏大目标。架构要设置面向学生与新入行研究者的参与入口；部分大型协作还会涉及跨学科研究。科研院所与资助机构应当提供算力资源、线下会议场地、行政人员与长期运维经费，支持这类项目。大规模协作还需要建立新机制，认定参与者的科研贡献。
创新知识组织方式
我们需要搭建新体系，收集、整理定理、猜想、案例、反例、实验结果，标注证明核验状态、可复用代码，配套可检索界面。这能够让海量不断增长的数学成果便于查阅，方便人类与人工智能系统定位相关资料。现有范例包括埃尔德什问题集（https://www.erdosproblems.com ）、布尔甘项目（https://bourgain-pedia.com ）、L‑函数与模形式数据库（LMFDB https://www.lmfdb.org ）、Beyond n log n 项目（https://beyond-n-log-n.netlify.app ）。人工智能让这类资源库得以实现更大规模建设，鼓励探索更多新思路。
重新思考学术出版
期刊体系需要改革，以容纳综述、软件评述、数据库、交互式文章、动画可视化等新型数学成果。新出版平台可以将成果传播与成果验证分离开来，保留版本历史，标注论断的评审状态。近年已经出现部分新平台，例如收纳人工智能辅助 / 生成数学成果的 Hexagon（https://hexagonmath.org ），用于 Lean 形式化证明登记的 Palomar （https://palomar-registry.org ）。
完善行业规范
鼓励学术社团、期刊、资助机构制定、成文并推广署名归属、方法说明章节、正确性责任的相关准则。例如《莱顿宣言》可以作为行业规范探讨的基础；上文已经提出评价相关的准则建议。上述内容需要进一步落实到评审专家组、审稿报告、招聘委员会的实际工作当中。
引导公众参与数学探索
大众对人工智能的关注，是数学发展的机遇。多数学者项目（Polymath）、方程理论项目、逆伽罗瓦问题竞赛等案例证明，可以面向公众开放科研参与渠道，向社会展示数学的力量、应用价值与美学魅力。公开科研挑战需要配套通俗解读、研讨 moderation 机制、新手参与入口与可视化演示。
开拓经费来源
数学研究长期获得政府机构与私人基金会资助。随着资助机构工作重心变化，加上技术赋能带来新研究路径，我们迫切需要清晰阐释人类理解数学本身的价值，重新评估数学研究优先级，从已有以及全新渠道挖掘资助机会。
保障工具使用的普惠性
相较于其他学科，数学传统上准入门槛较低，新思想常常来自多元背景研究者。如果获取算力资源成为开展数学研究的门槛，大量科研人员将无法独立做出学术贡献。数学家必须确保有能力利用工具拓展人类数学认知的研究者，都可以平等使用科研工具。
面向公众开展数学科普
以往数学科普大多解读经典猜想的全新证明背后的故事。如今涌现出新范式，代表账号如 3Blue1Brown （https://www.youtube.com/c/3blue1brown ）、Numberphile （https://www.numberphile.com ）。大众关注数学与人工智能，我们借此机会向社会完整展示数学：它既追求证明，也不断发现新奇现象，审美追求同样驱动着研究。
还需要更多富有创意的实践。例如 Proofs and Prompts（证明与提示 https://proofsandprompts.com ）、陶哲轩博客（https://terrytao.wordpress.com ）这类社区交流载体；也需要渠道向学界普及人工智能的能力边界与最佳实践，如 First Proof （首轮证明 https://1stproof.org ）针对科研级人工智能输出的专家评估，ICARM（https://icarm.io/resources/tutorials/ ） 关于形式化工具与大语言模型的教程。本报告提出的构想仅仅是开端，期待学生与青年数学家重新构想整个学科。学界应当认可并奖励一切推动数学认知进步的创新成果。
III. 开源工具
人工智能已经成为推进数学研究的强大工具。随之而来的问题是：数学界应当如何参与这些重塑本学科的工具的开发与所有权？新工具会催生全新的数学研究与分享模式。
重塑数学的分享与研究模式
除了加快数学成果产出，人工智能还自然催生新的传播、协作与实验模式。数学行业生态处在转型阶段，新工具帮助我们应对变革，迈向新的行业稳态。相关案例可参考前文 “创新知识组织方式” 与 “重新思考学术出版” 章节。
代码智能体可以低成本打造适配特定问题的定制工具，例如《Q₂绝对伽罗瓦群的一种展示》https://roed314.github.io/gq2/ 《构造非圆希弗（Schiffer）域》https://pompeiu-schiffer.org/#top 这类新型演示作品。在可计算方向，数学家如今可以搭建属于自己的 “实验室”，产出 Gross/Lattice（https://katestange.net/gross-lattice/#p=7&N=181&m=b&a=4&s=0.35&o=0.85&r=0.5,181.5,1&cam=0.17321,-0.2806,-0.94407,0.31157,0.92494,-0.21775,0.9343,-0.25643,0.24764,0.7914&x=-3,190 ）、Tau Ceti 星图集（https://cbirkbeck.github.io/tauceti-explorer/#view=all ）这类可视化成果。历史上首次，制作这类工具不需要很高编程技能，但数学专业判断力必不可少。
具体建议：
网站应当设置 “关于” 板块，说明创作者、维护者、项目目标，以及上传数据的使用方式。
许可证条款应当清晰醒目。创作者可以权衡不同协议：MIT/Apache/CC0 协议自由度高；GPL/Mozilla/CC‑BY‑SA 协议带有约束，但更契合社群准则。无论如何，必须选定并公示许可证。
鼓励产出更多教程学习资源，尤其是线下培训活动，帮助数学家上手人工智能工具，例如 ICARM 的资源与活动，或者更新版《数学家如何在学术界使用人工智能》https://johannesschmitt.gitlab.io/AI_applications.html 。
需要社群统筹，提升新开发资源的曝光度，避免无效的重复竞争；可以参考mathmeetings.net（为学术会议做同类协调），搭建类似平台。
面向数学领域的开源模型
本文语境下，开源工具指附带源代码、遵从许可协议，允许所有人使用、修改、再分发的程序与数据集，修改版也可能要求继续开源。数学家熟悉的例子有 SageMath、Lean、Mathlib。开放权重模型指模型参数权重对外公开，用户可以在自有硬件上运行；而完整开源模型还包含训练、推理源代码，训练数据集目录（理想情况下连同原始数据集）。
数学界面临一个议题：是否、如何支持开源模型开发。目前开源模型还达不到科研级数学能力；其性能弱于开放权重模型，而开放权重模型又不及闭源商用模型。具备科研能力的开源模型，能够成为更可信的数学助手与成果生成器，其可复现的工作流，也为模型研究提供测试平台。想要实现这一点，需要长期投入，搭建配套基础设施。这是巨大挑战；学术界过往多个开源模型项目均以失败告终。另一核心矛盾是要平衡开源开放与安全风险。任何开源模型项目，都必须充分了解大模型开发发布的监管政策，尤其是安全与网络安全相关法规；数学人工智能安全研究院可以作为合作方。
开源模型一大优势：降低数学界对少数顶尖企业实验室的依赖。如果依赖商业机构，关键技术决策会由企业做出，而企业对数学的投入带有附带性，且未必长久；同时数学家和模型交互生成的数据也会脱离研究者掌控。但开源模型并不能完全解决顶尖模型的获取难题：想要一个能做数学研究的开放权重模型，需要大型 GPU 集群，若无大额经费支持，高校无力承担。
核心设计抉择：是仿照 Marin （https://marin.community ）项目路线，做完全由数学界主导的开源模型；还是参考 OpenMath OS（https://www.openmathmodel.org/about/ ），复用外部开发的开放权重模型（训练数据不可得）。完全开源流程，可以研究数据筛选、训练策略如何影响模型性能，但可能牺牲性能上限 —— 部分高性能数据源受许可限制，无法公开。
综合数据版权、监管约束、安全风险、资金成本等多重挑战，我们判断：由数学界从零搭建一套完全开源模型，很难同时兼顾可及性、透明性与科研性能。建议有意开发模型的团队，寻找目标与价值观契合的合作伙伴（包括安全研究院），由合作方负责模型训练与监管合规；数学家发挥自身专长，聚焦数据生成流水线设计、强化学习任务定义等工作。
IV. 数学形式化
计算证明助手允许使用者用类似编程语言的精确语言撰写数学，系统依据可信的形式公理基础核验证明正确性。当下数学家最常用的证明助手是 Lean，配套通用数学库 Mathlib 已有约 250 万行形式化证明，近 800 位贡献者。还有其他多款证明助手，部分基于不同的数学公理体系。
形式化证明不是要取代传统数学文献，而是作为补充。命题完成恰当形式化之后，形式证明可以保证其逻辑正确。此外，数学数字化、形式化存储有多重收益：革新知识整理、传播、分享方式，为探索、教学、协作开辟新路径。形式化生态包含证明检查器、协作工具、搜索引擎、自动推理工具。
直到不久前，大部分现代数学还难以形式化：一方面形式库缺少现代论文论证需要的前置背景；另一方面即便已有背景完备，形式化所需要的专业能力与工作量也让人望而却步。人工智能彻底改变了局面。今年 9 月，Anthropic 智能体仅用 11 天就生成费马大定理的形式化核验证明，产出 1300 万行代码，证明 29500 条中间引理。数日后 OpenAI 发布纳维‑斯托克斯问题的研究成果，同时放出非形式化论文与 Lean 完成的形式校验版本。证明助手无论面对人类还是人工智能产出的论证都可以核验；超长人工智能辅助证明，正是形式校验价值凸显的典型场景。
人工智能生成形式证明的能力快速提升，有理由预期未来数年内，大部分已有数学成果都可以完成形式化。但需要强调：部分研究成果最初只是探索性草稿，尚不适合形式化。“把全部数学形式化”，并不是否定这类研究的价值；这句话应当理解为：对那些适合形式化的内容完成形式化。该过程必须由领域专家主导，保证生成代码库可以复用，Tau Ceti（https://taucetiproject.org ）、Formal Frontier（https://mathlib-initiative.org/formal-frontier/ ） 就是这类实践范例。目前形式化的技术能力大多掌握在学生与青年科研人员手中，应当充分利用他们的能力。
想要充分发挥形式化库与工具的价值，数学界需要积累专业人才，搭建配套基础设施，据此提出如下建议：
数学教育工作者应当借助面向教学的工具，把形式化证明融入本科课程。学生可以一边写自然语言证明，一边和简易证明助手交互。教学重点是帮助学生理解命题与证明的形式结构，而非死记某一套证明助手的语法。使用证明助手，同样可以加深学生对普通数学证明内在逻辑的理解。
各个职业阶段的数学家，都应当掌握基础的形式化素养，理解形式证明的核验与确认过程。核验由计算机完成：检查每一步推导是否遵从可信公理体系。而确认有效性，是检查形式化得到的结论是否和原本想要表达的数学命题一致；进一步，形式定义要贴合真实数学对象与概念 —— 这件事只能由数学家完成。学界需要建立标准流程，保障这种 “语义对齐”。
对应方向的数学专家必须参与形式库建设，保障库对本学科有用。专家需要共同确定领域内标准表述，引导人工智能开展形式化，在复用形式库完成新命题证明的过程中检验定义与定理的质量。随着人类数学认知迭代，形式库需要持续修订完善。数学研究所可以牵头组织社群，共建形式库与工具。
当形式库积累到足够规模，期刊可以鼓励作者投稿时附带形式化证明。这可以加快同行评审，给读者提供更多资源。这就要求期刊编辑具备评估形式化成果的能力，并且建立形式证明产物归档机制。注意：不依靠人工智能完成形式化难度极高；因此如果强制要求形式核验，会对选择不使用人工智能的作者造成不公。
形式化方法想要落地并持续运转，需要一批深耕数学的专家主导社群项目、迭代工具。这类工作在招聘、晋升、终身教职评审中，必须被视作重要的数学贡献。维护形式库与基础设施需要持续人力与物质资源，数学界要建立相应支持机制。
学术界与人工智能实验室的合作
本工作组探讨数学界与人工智能产业合作的现状与未来走向。工作组成员来自高校数学研究所、人工智能企业、政府机构。
从底层逻辑看，二者本就深度关联：人工智能系统本质是数学模型，数学原理贯穿其设计与训练全流程。当下前沿模型越来越依赖深刻开放的数学问题，既用作性能基准，也作为锤炼真实推理能力的训练载体。而人工智能系统开始反哺数学发现，我们有机会将这种天然的协同升级为主动的深度伙伴关系：人工智能实验室与数学研究者互相促进，推动基础科学突破，打造更安全的系统，为社会创造长远价值。
合作必须以人为本。想要真正加深人类认知，就必须把培养青年数学家作为核心承诺。在可预见的未来，仍需要富有经验的人类提出真正重要的新问题，保证人类主动创造、解读知识，主导数学与技术的发展方向。
想要实现惠及高校、产业与全社会的愿景，需要持续主动投入。为保证技术高速发展根植于科学价值观，服务人类福祉，工作组提出一系列具体建议，并整理已经落地的先行实践。
优先培养、资助下一代数学家。这是产业界和学术界面向数学及其应用最重要的投资。
人工智能安全是社会重点议题，也是人工智能企业、政府、数学界合作的关键方向。
鼓励数学界与人工智能实验室探索全新协作路径。数学不只是求解已经成型的既定问题，更重要的是提出新问题、构建新概念。高校数学家与企业科研人员，可以共同开发方法，借助人工智能实现这类数学创造性工作。双方还可以一起加速数学在科技领域的落地应用。
在条件允许时，人工智能实验室应当公开求解问题的完整推理步骤。透明度有助于数学研究者挖掘机器使用的模式与解题策略；模型有时会产出蕴含深刻洞见的思路，这可能成为拓展人类数学认知、开启新研究方向的契机。
数学界与人工智能企业可以联合开发工具，不止用于解题，还服务科研全链条：科学发现、可视化、成果传播、展示交流。
我们预期学术界、人工智能产业、政府会有越来越多互动。为此建议组建多个数学人工智能顾问委员会，各有侧重，吸纳不同机构、世界各地的代表参与。
已有部分先行项目可以作为范本：
人才资助项目：Anthropic 学者计划、OpenAI 安全奖学金、谷歌 DeepMind 教育项目；例如谷歌与非洲数学科学研究院合作支持研究生项目。
独立研究机构：汇聚数学家、理论计算机科学家与产业合作方，研究人工智能理论基础、推进 AI 安全。代表机构有科学与人工智能研究基金会（SAIR）、数学人工智能安全研究院（MAISI）、负责任超级智能研究所（RESI）、对齐研究中心（ARC）、Resolution。
头部人工智能企业承诺将大量企业股权用于公共公益。这类机制有望为数学‑科学‑社会交叉方向的长期基础研究提供经费，完善人才输送链条。
数学与人工智能顾问小组（AGMAI）：收集数学家意见，对接人工智能实验室，就人工智能产出数学成果的发布与公开给出负责任的建议。
西蒙斯基金会、OpenAI、Anthropic 陆续推出新项目，帮助数学界应对人工智能快速崛起带来的变化。
这些早期合作证明：高校、产业、政府目标一致时，可以产出丰硕成果；但这仅仅是起点。扩大合作规模，需要各方长期投入，大胆统筹协调，让数学洞见与人工智能共同拓展人类知识的边界。
峰会参会人员
本报告来自峰会五个工作组的研讨成果。报告内容代表参会人员共识，但不代表所有人完全一致的观点。参会者涵盖学术界、政府部门、产业界的数学家：Mohammed Abouzaid、Antonio Auffinger、Jeremy Avigad、Boaz Barak、Agnès Beaudry、Joan Bruna、Linda Chen、Jaume de Dios Pont、Mike Douglas、Pavel Etingof、Dan Freed、Bogdan Georgiev、Mathilde Gerbelli‑Gauthier、Javier Gómez‑Serrano、Nestor Guillen、Larry Guth、Ahsan Khan、Bryna Kra、Tie Luo、Melanie Matchett Wood、Shivam Nadimpalli、Eric Price、Rachel Pries、Emily Riehl、Patrick Shafto、Andrew Sutherland、Jennifer Taback、Adam Topaz、Tatiana Toro、Caroline Turnage‑Butterbaugh、Anthony Várilly‑Alvarado、Stefan M. Wild。
求点赞
求分享
求喜欢
参考资料
https://cmsa.fas.harvard.edu/media/2026/10/Summit-on-Math-Research-in-the-Age-of-AI.pdf
https://cmsa.fas.harvard.edu/aimathresearch_summit/
2026年数学AI人工智能再提速——文艺复兴慈善基金会揭晓第2批1710万美元AI数学基金资助的22个项目详细介绍
2026.5数学未来研讨会系列——菲尔兹圆桌讨论主题：价值体系——斯坦福FMS
小乐数学科普历年合集
《小乐数学科普》2026年10月精选文章目录
《小乐数学科普》2026年Q3精选文章目录
zzllrr小乐微信公众号栏目《小乐数学科普》2026年6月文章精选
zzllrr小乐微信公众号《小乐数学科普》2026年5月文章精选
《小乐数学科普》2026年4月文章精选
2026Q1《小乐数学科普》精选文章合集目录
近三月《小乐数学科普》精选文章合集目录202512—202602
2026年01月《小乐数学科普》精选文章合集目录索引
2025年《小乐数学科普》精选文章合集目录索引
《小乐数学科普》2024年合集
· 开放 · 友好 · 多元 · 普适 · 守拙 ·
让数学
更加
易学易练
易教易研
易赏易玩
易见易得
易传易及
欢迎评论、点赞、在看、在听
收藏、分享、转载、投稿
点击左下角 阅读原文
查看原始文章出处
点击底部一起捐
助力腾讯公益
点击zzllrr小乐
公众号主页
右上角
置顶★加星
数学科普不迷路！
原标题：《2026-10-23哈佛大学CMSA数学与AI人工智能峰会报告》