先分清“模型在尝试”和“问题已被解决”

有引用称，OpenAI也在用新的内部模型尝试黎曼猜想和P versus NP问题，以及一些未具名的高影响力问题。另有说法把它描述成“以前是段子，现在真的在解决了”。这两句话的性质完全不同：前者是尝试，后者是结论。素材没有说明模型能力、训练方法、适用范围，也没有OpenAI官方确认，更没提到因此招聘。

对准备进入AI辅助科研方向的人来说，第一课不是判断这条消息真假，而是训练自己不被“攻克”二字带走。看到类似动态，先问三件事：这是发布、预告还是测试？是模型给出候选思路，还是有人类团队完成了可检验的证明？评估由谁做、标准是什么？把这三问答完，再决定要不要把它当作择业信号。

面试或套磁时，问清任务边界比问“用不用大模型”更重要

假设你去聊一个AI辅助数学或理论科研的团队，可以这样问：你们当前的任务是工具链、形式化验证、猜想生成，还是端到端的证明？模型输出由谁复核，失败案例怎么归档？如果目标是P versus NP这类问题，团队是把它当长期研究方向，还是当模型能力的压力测试？

两类团队关注点不同。偏工具的团队更在意你能否把数学对象转成可计算、可验证的形式，偏领域的团队更在意你是否理解问题本身的结构。读岗位描述时，“参与前沿研究”这类表述还要确认：是写代码、做实验，还是独立推进子问题。模拟面试里可以练这些提问，但别把它当成面试官一定会问的题库。

补技能之前，先确认目标团队看重什么

数学或理论计算机背景是优势，但不等于自动匹配。你可以先列出目标团队公开材料里反复出现的词：形式化证明、算法实现、数值实验、领域数学。然后对照自己：哪一项已有[实际记录]，哪一项只是读过。若团队强调验证，补形式化工具和工程习惯；若强调猜想生成，补机器学习基础和实验设计；若强调领域问题，继续深耕本专业可能更划算。

一个实际可做的小建议：挑一条类似“AI尝试黎曼猜想”的动态，用半页纸写下“已知、未知、我要向团队确认的问题”，带去下一次套磁或面试交流。它比背结论更能帮你判断自己适合哪类团队。