被问到“AI能否推进数学研究”，先分清两种评价

如果面试中遇到“AI能否推进数学研究”这类问题，直接表态“行”或“不行”都太薄。有研究提到，研究者以知识空间理论作为规范标准——该理论形式化地认为，掌握一个概念需要先掌握其前置知识——评估了八个开源和闭源模型，并与真实人类学习者对比。结果模型经常违反知识依赖关系：答对了依赖问题，却答错它的前置问题；即使上下文里给了相关知识，也不会用来改善回答。八个模型的知识分布重叠度低，彼此没有共享一致的结构。

这段素材的价值，是提供一种讨论框架：单题准确率不等于知识结构连贯。你可以说明，自己会区分“答对一道题”和“在依赖关系上自洽”是两种评价方式；前者像看分数，后者要看前置链是否成立。这样表达展示的是对AI能力边界的认知，而不是替模型或研究下结论。

轮到你提问，围绕AI定位问具体事实

提问环节可以把问题落到团队实际做法上：目前用AI主要做哪类工作，是猜想生成、证明检查还是文献梳理？有没有检查过模型输出的中间步骤是否满足前置依赖，而不只看最终答案？如果对方提到用LLM做数学推理，可以追问：模型输出是当作灵感来源，还是中间步骤会被逐步人工核验？

这些问题背后是一个判断：AI在团队里是辅助工具，还是被当作核心方法。两种定位对应不同工作方式。工具定位下，你可能更多参与设计评估、筛选输出、补上模型缺失的依赖链；核心方法定位下，团队可能围绕模型能力设计研究路线，你需要确认自己是否认同这种取舍。要注意，原文没有说明科研团队或企业是否因此调整招聘或使用AI的方式，所以提问是为了了解，不是预设答案。

该准备什么，以及一个可练的小动作

如果目标方向涉及AI辅助数学推理，可以提前了解知识空间理论、依赖图分析、模型评估方法。重点不是会调模型，而是能设计评估去检测结构性缺陷。假设同一道依赖题，一种做法只看最终答案准确率；另一种做法把前置概念单独抽出来测，看模型是否在依赖关系上自洽。两种做法得到的结论可能不同，面试时讲清这个区别，比罗列工具名称更具体。

也要保留边界：原文未说明这些模型的具体版本、参数规模或训练数据，也未说明该缺陷能否通过微调或提示工程改善，更未说明结论是否适用于数学以外。这些可以留待查证，不必在面试中替研究补结论。面试前可以做一件小事：挑一个你熟悉的数学概念，写出它的前置依赖链，再想一个能暴露模型依赖缺陷的提问方式。带着这个例子去交流，比空谈“我关注AI边界”具体得多。