随着AI在数学中的应用增多，如何区分AI对证明过程的实际参与与仅在写作上的帮助成为关键问题。我们利用历史arXiv论文、公开披露使用AI的最新论文以及OpenAI发布的手稿，构建了五个包含8281篇论文的队列，其中包括使用生成式AI创作的稿件以及与之对应的同一研究问题的匹配对。随后提出ProofTrace框架，将每篇论文抽象为即时证明支持图（GIPS），并从中提取可解释的数学组织特征。实验发现：①特征的主成分投影呈现出从人工到AI重写、AI生成再到披露实质性AI使用的连续梯度；②AI生成的证明表现出外部引用较少、对中间结论依赖更强、图连通性改变等重复性签名，这些签名在控制研究领域、稿件长度或图规模后仍然显著；③在独立的检测实验中，ProofTrace能够区分纯人工稿件和披露实质性AI使用的稿件，对AI重写的鲁棒性优于现有文本检测器。 $$\text{GIPS} = (V, E),\; V\text{ 为命题节点},\; E\text{ 为直接支持关系}$$ 点评：该工作提供了可量化的AI参与度指标，为后续审稿和学术诚信监管提供了实用工具。