开放问题，开放数学
核心概要
这篇由 Antonio Auffinger 撰写的客座文章，基于其与生物学家、计算机科学家和物理学家交流的经验，讨论数学在 AI 时代面临的开放共享文化可能被削弱的问题，主张数学界重塑激励与署名方式，并指出生物学等应用科学提出的问题会催生新的数学，同时数学的抽象能力也将继续帮助理解复杂数据与现象。
深度剖析
数学界共享想法、问题和证明骨架的开放文化，是许多联系与发现的重要来源；若证明生成因 AI 变得快速且易得，而署名与激励方式不变，这种开放可能被削弱。 将数学的开放规范与 AI 时代证明商品化的风险联系起来，并引用了同事不再发 arXiv、学生抢发论文等近期观察。 基于作者个人经验与同行观察的评论，没有系统数据或对照分析。
生物学界有通过社区干预改变激励的先例：人类基因组计划期间的百慕大原则呼吁快速公开序列数据，Fort Lauderdale 协议试图在开放与对数据生产者的认可之间取得平衡。 为数学界思考类似激励改革提供了可类比的历史案例。 历史政策案例的定性叙述，文本未提供量化效果评估。
生物学等应用科学向数学提出新问题，而数学的抽象与理解现象的能力可以作出贡献；历史上拓扑与纽结理论帮助理解酶如何解开和重排 DNA，群体遗传学中基因频率漂移的研究则推动了一类无限维随机过程（包括测度值扩散）的发展，今天几何与概率又支撑了 t-SNE、UMAP 等降维方法。 强调数学与应用科学是双向交流，而非单向服务。 以历史与当前例子说明，属于评论性论证，不是新实证结果。
AI 不应被排斥在数学之外；作者认为这些工具有望提高可发现事物的上限，带来新问题与新现象，并可能降低数学家向外看的门槛。 在讨论开放文化风险的同时，把 AI 定位为扩展数学问题空间的机遇。 作者的判断与展望，文本未给出具体证据或案例。
启示与展望
本文是一篇客座博客评论，适合数学研究者、早期职业学者、导师以及关注科研激励与 AI 影响的读者。它主张数学界在不放弃纯粹数学的前提下，围绕署名、开放共享和 AI 伦理展开社区对话，并把生物学等应用科学视为新数学问题的来源；其建议面向学术社区的规范与政策讨论，而非给出可直接执行的方案。
读者可能仍需关注：文本中关于 AI 使证明生成商品化的判断是未来情景，尚需观察实际发展；作者引用的同事不再发 arXiv、学生抢发论文等观察没有系统数据支撑；如何在不同数学子领域和职业阶段设计公平的署名与开放规范，仍是开放问题；该版本是经 AI 转换的博客文本，原格式中的链接或引用可能未呈现，因此部分背景细节需要回到原文或相关材料核实。