先理解
AI 正在怎样改变这个领域
用生活里的比喻，解释算法、证明和复杂度理论到底是什么。
阅读领域指南从这里开始
三条路，带你看证据。
先弄懂领域，再看实际例子，最后判断它对研究或职业意味着什么。
已核实突破
真进展，也把边界一起写清楚。
这里是挑选出的已检查例子，不是实时新闻流。每一项都会说明“做到了什么”和“不能说明什么”。
算法发现
AI 找到了新的矩阵乘法方法。
AlphaTensor 用强化学习寻找矩阵乘法算法。作者在研究所覆盖的设定中检查了这些构造是否成立。
没有说明：这不表示 AI 能解决所有算法问题、证明普遍下界，或者取代人的数学判断。
查看完整证据说明形式化证明
AI 在 Lean 中搜索形式化证明。
AlphaProof 在 Lean 证明助手中学习，并为部分奥赛级问题找到了形式化证明。论文同时报告了大量算力消耗和任务范围有限的限制。
没有说明：一道竞赛题的形式化证明，不等于研究级数学的普遍理论；搜索还需要大量算力。
查看完整证据说明复杂度研究
AI 在人类证明框架中提供了有限结构。
AlphaEvolve 找到有限组合结构。经过计算机检查后，研究者把这些结构放入已有证明框架，改进了复杂度理论中的界。
没有说明：更完整的证明仍依赖人类设计的数学框架；不能把它泛化为 AI 已经解决了复杂度理论。
查看完整证据说明四个领域
用大白话看，已经变的是什么。
每一张卡都像一份状态报告，不是打分表。范围很窄的成功也有价值，即使它不能证明一个普遍结论。
算法发现
AI 可以帮忙搜索一个符合明确目标的“菜谱”，但这个算法仍然要被检查是否正确。
形式化证明
AI 可以在证明助手里搜索证明。检查器验证的是证明本身，不是 AI 有多自信。
复杂度研究
AI 可以在人类搭好的证明框架里补上一个有限对象。更大的定理仍然需要完整论证。
科研职业
一些工作任务正在变化。但“取代研究者”“岗位净变化”或“工资变化”还需要强得多的证据。
职业预览
一项强成果，不能替你决定未来。
用任务层面的证据帮助学习选择，但不要把它硬说成没有来源的就业预测。
编辑标准
证据先于标题。
我们展示来源、证据等级和边界。证据缺失时，不会用自信的语气把它补上。