NATURE PHYSICS / COMMENTARY
Mathematical discovery in the age of artificial intelligence

人工智能时代下的数学发现

Bartosz Nasrecki & Ken Ono
Published: October 6, 2025

核心观点

数学,长期以来被认为是人类纯粹智慧的堡垒,现在正开始感受到人工智能的影响。与AI在其他学科中的转变不同,它对数学的影响迄今为止还很微妙。

在其核心,纯数学是一项充满创造力和直觉的人类活动。AI的任务是检查计算、验证证明和执行其他需要绝对准确和努力的任务,让数学家们专注于真正的原创性思维。

问题解决与形式化工具

AI驱动的聊天机器人已经展示了非凡的能力。Harmonista的Aristotle、OpenAI的GPT模型以及谷歌DeepMind的Gemini在国际数学奥林匹克竞赛中取得了金牌级别的成绩。

关键挑战

赢得IMO奖牌标志着重要里程碑,因为解决这些问题需要超越常规模式的创造力。然而,研究层面的数学是创新的,新思想至关重要,这引发了关于AI在数学发现中潜在作用的问题。

形式化进程:从人类到机器

1

自然语言推理

包括自然语言、探索性实验和探索性猜想的非正式数学思想

2

形式化转换

通过Lean、Coq、Isabelle等工具,将非正式数学转化为机器可读格式

3

机器辅助功能

证明搜索、检测不一致性、填补证明漏洞,增强人类数学家的能力

4

超人数学家

自主系统以前所未有的规模发现、证明和概括定理

工具发展现状

目前有越来越多的数学家团体在共同努力,将形式化工具变为现实:

DARPA AIM

人工智能数学探索项目

让AI共同作者提出并证明新的抽象概念

AIM & DeepMind

联合研讨会

利用AI推进形式化证明和猜想

NeurIPS 2024

AI证明定理研讨会

动员形式化方法团队扩展知识前沿

Cambridge

大证明会议

策划研究级挑战问题清单

三部分进展策略

为促进AI与数学的深度融合,我们提出了一个全面的发展路线图

01

扩展形式化

扩展形式化定理的努力,将证明转化为机器可读的格式,建立完整的数学知识库

02

发展LLM

AI必须继续发展大型语言模型,用于数学推理,将重点从语法转向语义理解

03

培训数学家

培训数学家有效使用这些工具,包括提示工程、模型微调和工作流策划

潜在挑战

精确度要求

模型必须在精确度和准确性方面无懈可击,才能让数学家相信AI检测到的并非幻觉

新兴行为研究

研究LLM和AI系统的复杂新兴行为,确定它们是否能够产生正确的证明

可验证性问题

在黑洞物理学等领域,极其漫长的证明阻碍了可验证性

AI技术突破

AlphaTensor

使用强化学习加速矩阵乘法的发现

AlphaDev

结合语言模型与符号推理优化排序算法

AlphaFold

解决蛋白质折叠问题,展示AI在复杂科学问题中的潜力

AlphaGeometry

解决形式化奥林匹克几何问题

未来十年展望

AI的整合将把数学实践从一个利基活动转变为一个核心组成部分,对数学研究产生深远影响。

共享知识库愿景

我们预计所有数学家都将连接到一个共享的数学知识库,在那里提交和测试新思想——新猜想、证明草图和不完整的证明。这种发展可以显著促进合作和质量控制。

AI助手将通过改进生产力、管理繁琐的证明和激发新思想来变得不可或缺。精确性检查、事实检查和错误纠正,将加强并导致需要较少日常性任务的工作流程,并奖励需要更多创造力和洞察力的工作。

理论物理

为量子引力和量子信息论等激进思想提供新途径

黑洞物理

解决极其漫长证明的可验证性问题

关键问题

AI是否会发展出创造力?

关键问题是AI是否会发展出在数学中做出重大发现所必需的创造力。尽管正在进行的投资已经产生了令人印象深刻的结果,但我们认为在先进的纯数学领域,AI的改进将需要侧重于磨练现有技能。

突破性发现的可能性

我们推测AI系统在解决深层问题方面可能会带来新方法的发现,涉及分析、代数几何、组合数论、拓扑学等领域,这些可能会彻底改变我们对空间、对称性和万物理论的理解。

终极挑战

我们想象AI最终将解决物理学和数学中的主要悬而未决的问题,例如黎曼猜想或纳维-斯托克斯方程存在性与光滑性的证明。这些深层问题经受住了一切时间的考验,任何解决方案都需要人类直觉、创造力和独创性的微妙结合。

Lean与mathlib的成就

今天,Lean和mathlib包含了数以万计的定义和引理,并在从拓扑学到数论的许多领域中形式化了主要定理。

Fields奖得主项目

Peter Scholze协调的雄心勃勃的努力,展示了形式化工具在最抽象的数学领域中的潜力

自动问题生成

Lean已被整合到平台中,为一系列数学分支自动生成问题

AI辅助的高效策略

将形式化方法与能够提供全面理论问题的系统相结合将是高效的——这些问题侧重于计算模型、算法、范畴论、表示论、组合博弈论和随机方法等核心组件。AI可以提供计算证据和排名,以帮助学者理解复杂的现象。

人机协作的本质

AI仍然是人造物,就像人类一样,我们认为它将永远如此。

AI必须让我们想起我们是多么健忘或不自信的学生:

  • 在术语和定理方面很有天赋
  • 但在纯粹数学的本质上仍然缺乏直觉、好奇心和一丝不苟

最终,数学仍然依赖于人类的判断力

剩下的问题避免了成功,并引发了关于AI生成的结果在确保正确性方面的问题。尽管重大突破令人印象深刻,但只有当建立的想法能够适应新场景时,它才能引领我们取得突破。