AI数学

一道悬赏百万美元的世纪难题 2000年，克雷数学研究所公布了七个"千禧年大奖难题"，每一个悬赏100万美元。其中最著名、也最让物理学家头疼的，就是Navier-Stokes方程的存在性与光滑性。 简单说：这组方程描述了水、空气等粘性流体的运动。它从1822年被提出至今，工程师们天天用它算飞机、算洋流、算心血管里的血流，但数学家至今无法严格证明——对任意光滑初始条件，方程在三维空间里是否始终存在光滑解，还是会在某一时刻"爆掉"（blow up）。 180多年了，人类顶尖大脑束手无策。而2026年9月，OpenAI用一群AI智能体，把它推到了一个前所未有的位置。 88小时、10000个智能体、1300亿token 这次工作的规模，本身就是一则新闻： 约10000个AI智能体组成的协作集群，并行投入证明生成； 连续运行88小时，消耗约270万条消息交互； 累计输出约1300亿个token； 最终由OpenAI内部一个性能超过GPT-6 Astra的模型，在17小时内完成Lean定理证明器的形式化验证。 数据来源：OpenAI公开技术披露，2026年9月；克雷数学研究所千禧年难题官方说明 1300亿token是什么概念？这相当于把一座中型图书馆的文本量喂给证明流水线。但关键不在"量"，而在分工：这一万个智能体不是各自为战，而是被编排成一个分层的证明工厂——有的负责提出子猜想，有的负责补全中间步骤，有的负责找反例压力测试，有的专门负责把草稿翻译成Lean能读懂的形式化语言。 人类数学家做证明，是"一个天才+几年时间"。AI做证明，是"一万个不知疲倦的worker+88小时"。这是研究范式的根本切换。 为什么不领那100万美元？ 最有意思的细节来了：OpenAI宣布不申请克雷数学研究所的百万美元奖金。 原因是技术性的，也是诚实的。千禧年难题要求的是"无条件"的全局适定性证明，而OpenAI智能体集群给出的结果，是在**施加了额外的平滑外力条件（smoothed forcing）**下成立的。这是一个重要进展，但还不是题目要求的那个"裸解"。 换句话说：AI证明了"在我们精心控制的外力下，方程不会爆"，但没有证明"在任何外力下都不会爆"。差这一层，就是从"重大突破"到"摘得桂冠"的距离。 这个表态反而比领奖更有分量——它说明这次工作的工程纪律是严格的，形式化验证没有放水。 技术意义：形式化验证成了新的裁判 过去AI解数学题，最大的争议是"你怎么知道它没胡说？"。大模型擅长生成看起来像证明的文本，但中间一步跳步，整栋楼就塌了。 这次的不同在于：Lean验证器是无情的裁判。每一行推理都必须能被机器检查，没有"差不多"、没有"显然易证"。17小时的Lean验证通过，意味着这份证明在逻辑上是闭合的。 这标志着AI科研进入了一个新阶段——不再是"AI写、人看"，而是"AI写、机器验、人只挑方向"。当验证成本降到几乎为零，证明的产量瓶颈就只剩下一个：谁能提出好的问题和好的分解策略。 行业影响 对数学界，这是工具革命而非颠覆。25位菲尔兹奖得主此前联名抗议AI公司用算力暴力解题，正是担心"提出问题"这一最有价值的环节被稀释。Navier-Stokes的进展提醒我们：AI擅长把人已有的思路执行到底，但问题意识仍然属于人。 对AI行业，这是"智能体集群"商业模式的第一张完整成绩单。一万个智能体并行、88小时不间断、可验证产出——这验证了"用AI做长周期科研项目"在工程上可行。从药物分子到材料配方，再到数学证明，重资产、长周期、可验证的科研场景，正在变成Agent经济的主战场。 如果你想跟踪这类"AI做前沿科研"的完整脉络，guijiagi.com会持续记录每一次范式跳跃。下一个被智能体集群攻克的难题，可能就藏在你我尚未看清的某个角落。

9月11日邓煜、陶哲轩等25位菲尔兹奖得主联合发布《人工智能在数学中的严重错位》，反对把AI解出数学题当基准测试。导火索是9月8日OpenAI宣布88小时求解Navier-Stokes，纽约大学数学家Tristan Buckmaster指OpenAI在知晓其研究进展后抢先发布。

AI数学证明：从计算到推理 数学证明是人类理性思维的巅峰——它需要严格的逻辑、创造性的直觉和深度的抽象推理。2026年，AI在数学证明领域取得了里程碑式进展，从"做数学题"开始走向"做数学研究"。 2026年的里程碑 1. AlphaProof 2：IMO满分 DeepMind的AlphaProof 2在2026年IMO（国际数学奥林匹克）中获得满分42/42——这是AI首次在IMO中满分。 技术突破： 问题理解 → 自然语言→形式化(Lean 4) → 策略搜索 → 证明验证 → 自然语言输出 ↑ ↑ ↑ LLM转换 神经引导搜索 符号引擎严格验证 关键创新： Lean 4形式化：将自然语言数学问题转化为形式化语言 神经引导搜索：LLM提供"直觉"，指导搜索方向 符号验证：Lean 4类型检查器严格验证每一步 自我对弈：AI通过自动生成和解决数学问题来训练自己 2. 研究级证明：首次贡献 2026年5月，一个AI系统首次对研究级数学问题做出了独立贡献： 问题：关于有限群表示论的一个长期未解决的猜想（Jordan-Hölder定理的推广形式） AI贡献： AI提出了一个新的证明思路 人类数学家验证了思路的可行性 AI完成了形式化证明 证明被提交到arXiv预印本库 虽然这不是一个重大猜想的解决，但它是AI首次在研究级数学中做出原创贡献。 3. 自动形式化 将人类数学论文自动转化为形式化证明： DeepMind的AutoFormalize系统： 输入：数学论文的自然语言文本 输出：Lean 4形式化证明 准确率：72%（在标准数学论文上） 这意味着大量已有的数学知识可以被自动形式化，为AI数学研究提供丰富的训练数据。 4. 新数学概念发现 AI不仅在证明已知猜想，还在发现新的数学概念： 超图代数：AI在探索组合数学时发现的一个新数学结构 新不等式：AI在优化理论中发现了3个新的不等式关系 新算法：AI设计了一种新的矩阵乘法算法，复杂度优于已知最优 技术方法 1. 神经符号融合 AI数学证明的核心是神经符号融合： 神经部分（LLM）： 理解自然语言数学问题 提供证明"直觉"和策略 生成候选证明步骤 符号部分（Lean 4/Coq）： 严格验证每一步的正确性 确保证明没有逻辑漏洞 提供形式化的证明证书 class NeuroSymbolicProver: def prove(self, theorem): # 1. LLM理解定理 formal_theorem = self.llm.formalize(theorem) # 2. LLM提出证明策略 strategies = self.llm.generate_strategies(formal_theorem) # 3. 对每个策略进行搜索 for strategy in strategies: proof_steps = self.search(strategy, formal_theorem) # 4. 符号引擎验证 for step in proof_steps: if not self.lean.verify(step): break # 这一步不正确 else: # 所有步骤都通过验证 return self.format_proof(proof_steps) return "无法证明" def search(self, strategy, theorem): """神经引导的证明搜索""" queue = [strategy] while queue: current = queue.pop(0) # LLM生成下一步 next_steps = self.llm.generate_next_steps(current, theorem) for step in next_steps: if self.lean.verify(step): if self.lean.is_complete(step): return self.trace_proof(step) queue.append(step) return None 2. 大规模搜索 AI数学证明需要进行大规模搜索： ...