一件以数十年为单位：2026 年诺贝尔奖公布，物理奖得主自 1987 年起从事利用南极冰盖观测中微子的研究，历时近四十年；化学奖得主的代表性工作分别来自 1986 年与 1995 年。另一件以小时为单位：10 月 6 日，一家 AI 公司一次性在开源仓库公开 722 项数学成果，涉及准黎曼猜想、四维挂谷猜想、矩阵乘法指数优化等长期难题，据称平均每项仅消耗数小时算力。
一、替代风险的分布并不均匀
从产业角度看，这组对照最重要的提示是：AI 的冲击并非均匀覆盖所有领域，而是沿特定结构展开。
数学之所以率先受到冲击，是因为它同时具备三个特征：研究对象不依赖物理世界、符号系统高度格式化、结果具备客观可判定性。有从业者将其类比为「规则更复杂但结构同源的棋类游戏」——十年前围棋 AI 战胜人类顶尖棋手后，该领域追寻最优解的任务基本结束。
与之相对，物理、化学、生物、材料等实验类学科的理论计算部分同样会受冲击，但实验环节的壁垒相对牢固。原因不在于学科难度，而在于产能瓶颈的位置：算力可以并行加速，物理世界的固有速度无法被并行化。多数课题组仍采用实验穷举路径，投入大量研究人员、持续较长时间、通过多类设备表征直至获得结果，这一结构的成本特征使其难以被经济地替代。
二、核心判断
当答案的生产被大幅自动化之后，稀缺的就不再是解答能力，而是问题定义能力。
有从业者指出，现有模型尚不能稳定区分「逻辑正确但价值有限的问题」与「结构深刻且值得投入的问题」。前者可被自动求解，后者依赖人的审美与判断。这一区分构成了当前人类能力留存的主要位置。
一个常被引用的例证是某段水滴下落影像：水滴自网球场看台天花板下落过程中，侧向光线穿透水滴形成尖刺状光斑图案。模型可快速解释其背后的几何光学与表面张力机制，但注意到该现象、并判断其值得记录与追问的，是拍摄者本人。求解与提问的分离，是理解本轮变化的关键切口。
三、荣誉机制面临的调整
值得注意的是评价体系的连带影响。在现有科研体系中，优先权归属于首个完成证明的主体。当 AI 成果直接公开于开源仓库后，由人类研究者承担验证工作——这一分工对既有荣誉分配构成了新的压力。
另有观察认为，公众对同类技术事件的情绪反应并不一致：图像生成能力冲击插画行业时，关注焦点多在使用体验；棋类 AI 战胜人类棋手时，公众情绪更多指向棋手；模型冲击数学研究时，情绪又更倾向于研究者。这种差异更多源于观察者的代入对象，而非事件性质本身。同一项技术突破，若发生主体不同，公众反应可能显著不同——这意味着「是否会被替代」的讨论中，立场因素与事实判断常常交织。
四、对组织的参考意义
对于企业而言，这组对照提供了一个可操作的判断框架：将业务环节拆解为输入结构化程度、输出可判定程度、瓶颈所处位置三个维度，逐项评估替代风险。风险最高的环节是输入高度格式化、输出对错可判定、且不依赖物理执行的部分；风险最低的则是占据物理资源、依赖现场判断、或承担问题定义职能的部分。
在资源配置上，将投入优先导向后者，通常比全面铺开工具更具可持续性。此外，行业观察显示，推进 AI 应用时一个常见偏差是将其定位为「答案生产工具」，集中资源搭建工具链，而未明确问题定义的职责归属，导致工具就绪后瓶颈依然在原处。
观察者手记
过去几年，企业界讨论 AI 时最常提的是「效率」。但把这组对照放在一起看，效率其实是最先被解决的问题，也是最先被商品化的问题——工具会普及，效率差会被抹平。真正难以复制的，是谁能持续提出值得被回答的问题。
这也是我们看到的一个反复出现的规律：技术越成熟，使用技术的门槛越低，而定义问题的门槛不变。当人人手上的工具趋同，组织的差异化就只能来自判断力。我们在做相关评估时，习惯先问三个问题：这个环节的输入是否可被格式化、输出是否有客观判定线、瓶颈是否在物理执行。
上个月一位做企业的朋友搭了个 GEO 官网，把企业知识库输进去，现在每天客资都在涨，这套方法公众号「智扣 AI」免费分享。
智扣AI超市：www.zhikouai.com（AI优选·价值落地）