1. AI 能不能完成一项任务？
例如：在明确定义的环境里搜索形式化证明，再让证明助手检查。
这是本站目前最强的一类证据。职业前景 · 先看证据
AI 与理论计算机科学职业：什么会变，什么还说不准
AI 可以改变研究和工程工作中的一部分任务，但这还不能告诉我们未来到底会有多少岗位。 这一页把“已经展示的任务变化”“仍有争议的职业影响”和“纯预测”分开。
先说边界：
这里不是薪资指南，也不是就业市场预测。本项目目前核对的来源，不足以支持“大规模失业”“就业大增”或未来工资的可靠结论。
没有来源的数字，我们不会编。
不要跳步
这里有三个不同的问题。
一项真实的任务级成果，不会自动回答整个职业层面的问题。把三层分开看，证据才会清楚。
2. 团队工作会怎样变化？
人可能少花一些时间做重复检查，多花一些时间定义问题、审阅输出或跨领域合作。
方向听起来合理，但几个工具演示还不足以证明广泛的工作变化。3. 未来会有多少岗位？
岗位总量、薪资或某个职业是否会消失，需要劳动力市场证据。
一项 AI 数学成果，不能单独充当这种证据。应该学什么
给三种起点的人一些实际建议。
这是做决定时的参考，不是对就业市场的预测。目标是培养判断 AI 结果有没有用的能力。
先打好基础，再使用捷径。
可以让 AI 解释陌生概念，但定义要自己写，证明或算法也要自己复现一遍。
- 练习读懂精确的数学表述。
- 学会检查一个答案是否正确。
- 继续打牢数学和编程基础。
把 AI 当研究助手，不要当权威。
可以尝试有边界的搜索、形式化和候选生成，但证明和适用范围仍然要照常用标准检查。
- 清楚写下问题和假设。
- 追问“是谁检查了结果”。
- 把一个有限构造和普遍定理分开。
把理论、跑分和真正上线分开。
AI 提出的算法，需要正确性论证、公平的对比基线和真实条件下的验证。
- 学习复杂度推理和实际测试。
- 检查硬件、数据和输入规模假设。
- 找到演示背后的精确定义。
不容易过时的能力
“会检查”正在变得越来越重要。
下面是实际学习建议，不是就业市场研究结论。它们直接对应本站反复出现的证据问题。
- 定义问题。提出清楚的问题，往往比生成一个答案更难。
- 数学推理。足够理解问题，才能看出一个自信的解释是不是空的、错的。
- 形式验证。证明助手把“看起来对”和“写下来的证明真的能过检查”分开。
- 编程与实验。真实系统有证明或演示不一定能展示的限制。
- 清楚表达。有用的结果需要连同假设和边界一起说明。
回到证据