该文章指出，人工智能系统已开始产生真正的研究级数学成果，而美国却在削弱培养能够理解这些系统的人类人才管道。作者认为，这两种趋势共同构成了一个值得警惕的局面。

根据您的要求，以下是文章《Automation Without Understanding》主要内容的重新陈述：

当前，两个趋势正同时发生：人工智能系统已开始产出真正的研究级数学成果，而美国却在削弱培养能够理解这些系统运作的人才的渠道。本文认为，这两者结合构成了一项战略失误。数学能力——即经过训练后能够验证、解读和挑战数学推理的能力——并非定理生产的副产品，而是一种基础设施，它需要历经数代人的积累，由无法临时重建的机构来构建。文章以2026年5月人工智能推翻一个关于平面单位距离问题的长期存在的Erdős猜想为例，并结合近期联邦对数学科学支持的削弱，论证了应将数学能力视为与半导体能力同等重要的战略资产。此外，文章还建议，执行关键推理的人工智能系统应被要求以形式化、机器可验证的方式公开其决策关键主张，从而将部分人工智能推理从难以理解的劝说转变为可审计的结构。

根据评论内容，总结如下：

主要观点与论据：

1. 对数学能力评估的质疑：评论1（MSkill1）指出，即使学过高等数学，也可能遗忘，质疑如何准确评估数学熟练度。关键引用："I'm not exactly sure how you would go about grading mathematical proficiency... I'm not sure I could pass the final exams I took to get my CS degree right now."

2. AI应展示推理过程：评论3（titzer）强调AI必须展示工作步骤、生成证明或执行轨迹，并能向不同受众解释。关键引用："AIs should be forced to show their work... produce Lean or Rocq proofs or execution traces... explain any of that, at any level of detail."

3. 数学的本质是理解而非定理：评论5（wwweston）引用Thurston，认为数学的产物是清晰和理解，依赖数学家社区。关键引用："The product of mathematics is clarity and understanding. Not theorems, by themselves... mathematics only exists in a living community of mathematicians."

4. 对AI替代专家的担忧：评论6（sachaa）担心AI会取代专家，导致无人能识别AI的错误。关键引用："What worries me isn’t AI replacing experts, it’s that we may stop producing people who know enough to notice when AI is confidently wrong."

5. 人类理解与AI委托的区分：评论10（overgard）认为未来价值在于理解而非委托AI，稀缺知识将增值。关键引用："the differentiation going forward is going to be if you're a person that understands things or if you're a person that delegates your understanding... the scarcity of that knowledge will increase its value."

6. 对AI发展的批判：评论11（sinuhe69）批评AI发展同时削弱人力资本，导致无法验证的产出。关键引用："pushing for AI but at the same time decimating the human capital that helped produce and understand it... the rottenest form of capitalism imaginable."

平衡性说明：评论中既有对AI能力提升的乐观（如评论7引用Whitehead，鼓励享受变化），也有对人力资本流失的悲观（如评论8、11）。评论9（Animats）则调侃数学家借机争取资金。整体呈现技术乐观与人文担忧的张力。