人工智能加速数学发现：从奥林匹克竞赛到复杂证明
人工智能展现出解决复杂数学问题的能力，这些问题曾需要科学家数月的工作。模型协助构思、假设检验，甚至发现新结构，彻底改变了研究方法。
竞赛与赛事中的突破
AI 模型在享有盛誉的数学活动中取得了显著成功。2025 年夏季，系统在国际数学奥林匹克竞赛中解决了六道题中的五道，不仅展示了计算能力，还展现了非标准思维的能力。这一事件成为转折点，促使专家将 AI 整合到日常实践中。
2026 年 2 月，首届证明竞赛（First Proof competition）证实了该技术的潜力：模型解决了来自各个领域的超过一半的研究任务，这些任务经过特别选择以避免训练偏差。此类结果表明，重心正从展示性成就转向用于实际分析的工具。
基于 AI 的数学家工具
像 DeepMind 的 AlphaEvolve 这样的系统结合了语言模型与遗传算法以优化解决方案。在 2025 年的实验中，它在 67 项任务中的 23 项上改进了结果，并在 36 种情况下达到了已知最优解。这使得并行处理任务族成为可能，将时间从数月缩短至数天。
- 代码生成： AI 编写 Python 程序来测试假设。
- 进化优化： 自动选择和改进变体。
- 扩展性： 同时处理多个场景。
这些工具降低了实验门槛，使数学家能够专注于解释结果。
具体应用案例
在优化领域，加州大学洛杉矶分校的欧内斯特·赖（Ernest Rye）利用语言模型证明了 1983 年提出的内斯托罗夫方法的性质。在几天的协作工作——纠正错误和组装片段后，一个科学家们研究了数十年的定理得以完成。这说明了 AI 作为迭代过程中合作伙伴的角色。
另一个小组使用类似系统发现了排列群中布鲁阿区间（Brua intervals）的结构。AI 识别出与超立方体的类比，为组合学开辟了新的视角。此类发现突显了模型在复杂数据中识别模式的能力。
关键要点
- AI 加速常规检查和构思，但由于错误仍需人工监督。
- 整合改变了方法论：从顺序分析转变为对任务族的并行调查。
- 技术影响优化、组合学和证明，并有望应用于其他学科。
- 教育挑战：必须调整课程以培养批判性思维。
- 形式化验证的前景：严格逻辑检查的自动化。
科学背景与影响
AI 成功的原因在于庞大的训练数据量和模仿人类搜索的算法。后果超越了数学领域：优化方法适用于机器学习、物流和金融。例如，梯度下降的改进直接影响神经网络的效率。
行业影响显而易见——DeepMind 等公司投资此类系统，加速创新。然而，局限性依然存在：模型在完全新的范式中表现挣扎，且需要验证。在教育方面，这引发了向实践作业和口试的转变，以保持独立思考技能。
整体背景显示 AI 正从助手演变为合著者。陶哲轩（Terence Tao）强调了其在多样化任务中的益处，而约翰尼斯·施密特（Johannes Schmitt）则强调了与模型对话的价值。从长远来看，这可能导致新发现，但需要伦理规范来平衡自动化与人类贡献。
— Editorial Team
暂无评论。