AI替杨振宁补遗憾，科研岗还稳吗

OpenAI用模型宣称证明了杨-米尔斯场论的数学存在，却只解决了千禧年难题的一半，且物理部分材料未公开、结论尚未核实。对求职者来说，这不是一条远在天边的物理新闻，而是一个信号：AI正在从科研工具变成科研合作者，学术与研发岗位的能力定价正在被重新划线。

AI替科学家补遗憾，哪些岗位先被波及

原文里最值得求职者留意的细节，不是“证明”本身，而是OpenAI给三个发现各配了一支外部专家队伍当“牧羊人”，负责把证明读懂、验证、写成人能看懂的说明、核对引用并决定公开方式。这说明即便模型输出了结果，仍然需要人来接住它。

被压缩的，是那些高度形式化、可被机器批量尝试的环节：纯符号推导、大规模计算验证、文献比对、形式化代码编写。原文提到杨-米尔斯部分的Lean形式化已经完成，这类工作过去需要懂数学又懂编程的人，现在模型可以承担相当一部分。

被放大的，是问题定义、结果验证、跨领域翻译和学术判断。模型能给出证明，但“这个证明对不对、值不值得信、怎么公开”仍然由人决定。求职者如果只会执行标准流程，议价空间会变窄；能判断“该算什么”的人，反而更稀缺。

学术岗位会减少吗，还是门槛在移动

原文没有给出任何招聘数据，不能断言学术岗位总量增减。但可以确定的是，科研组织的分工在变。过去一个理论物理课题组需要大量研究生做推导和核对，现在部分基础工作可以由模型辅助完成，导师对学生的期待会从“算得动”转向“问得准、验得清”。

这对求职者的直接含义是：进高校或研究机构，纯技术执行型岗位的竞争会更激烈，而具备验证能力、熟悉形式化工具、能和AI协作的人更容易被留下。企业研发岗同理，能设计实验、定义指标、判断模型输出可信度的人，比只会跑流程的人更抗替代。

另一个信号是“未公开、未核实”。原文明确说物理部分材料不公开，结论还没被核实。这意味着科研诚信、结果复核、同行评议的价值不降反升。求职者若把“可验证”当成自己的标签，在学术和产业两端都有市场。

求职者该补什么，才不被AI挤到边缘

第一，补验证能力。模型输出越多，能独立复核的人越值钱。数学、物理、计算机方向的学生，形式化工具和数值验证方法值得投入。

第二，补问题定义能力。原文里杨振宁当年选择发表，是因为相信场论将来能解决问题；今天模型能算，但选什么问题仍然靠人。求职面试里，能说清“为什么做这个”比“会用什么工具”更能拉开差距。

第三，补跨学科翻译能力。OpenAI配“牧羊人”说明，把模型结果翻译成人能懂、能评审的材料，本身就是岗位。理工科求职者练好写作与表达，不是加分项，而是必要项。

第四，别把AI当对手，当协作者。会用模型做文献梳理、代码验证、假设筛选的人，在课题组和研发团队里效率优势明显。但前提是你能判断它什么时候在胡说。

把新闻变成求职动作

这条新闻最容易被误读成“AI又赢了”。更准确的读法是：AI补上了一半，另一半还空着，而空着的那一半恰恰需要人。求职者要盯的不是模型多强，而是模型之后留下的岗位缺口在哪里。

想看同类研发与科研岗位的实时变化，可在求职者营地（qzzyd.com）按城市和行业订阅高校、研究院与大厂官网的在招岗位，把趋势变成可比较的职位列表。

杨振宁当年的遗憾被补上了一半，但求职者的功课才刚开始：把自己放在“验证者”和“定义者”的位置上，而不是站在被模型替代的那一侧。