AI 在数学中的应用：向大数学与形式化验证的转变

AI 正在从计算工具向自主推理智能体转变

人工智能已经从基础计算演变为高级数学推理，能够产生博士级别的研究成果并推翻已建立的猜想。虽然计算机在数学领域已协助研究者数十年——例如在四色定理的证明中——但现代 AI 系统现在可以处理以前被认为只有人类才能完成的任务，包括自主生成原创性的数学思维。

AI 在数学能力方面的关键里程碑包括：

• International Mathematical Olympiad (IMO): Google DeepMind 和 OpenAI 的系统已达到金牌水平，解决了极其困难的问题。
• Ph.D.-Level Research: Google DeepMind 的 Aletheia 系统自主产生了算术几何领域的可发表研究结果，特别是计算结构常数。
• Conjecture Disproof: OpenAI 的通用 AI 系统成功推翻了一个组合几何中的重要猜想。
• Automated Formalization: 像 Math, Inc. 的 "Gauss" 这样的推理智能体已经实现了将非形式化证明翻译为形式化代码的自动化。 Gauss 在几天内完成了 Maryna Viazovska 获得菲尔兹奖的 8 维球体填充问题的形式化，并在两周内完成了 24 维的情况。

"大数学"的出现与协作式验证

Terence Tao 提出了向 "大数学" (Big Mathematics) 转变的建议，这是一个由人类与机器之间大规模、去中心化的协作所定义的未来。在这种模式下，人类专注于创意方向和高层级策略，而 AI 处理证明和计算的技术性 "苦力活"。

这一愿景的核心是使用证明助手——如 Isabelle, Lean, 和 Rocq 等专门的编程语言——来逐步验证数学证明。这种形式化验证层通过以下方式改变了数学协作的本质：

• 消除人为错误: 形式化消除了证明中出现错误或不诚实的可能性。
• 贡献的民主化: 信任是通过机器验证而非研究者的声誉建立的，这使得业余爱好者或无名研究者的想法如果拥有形式化证明，就可以被立即验证。

存在主义辩论：人类理解 vs. 算法答案

AI 的兴起在数学界内部就学科的目的产生了分歧。一派倾向于结果（答案），而另一派则倾向于过程（理解）。

务实派观点

一些数学家对 AI 接管发现过程感到很自在，如果这能解决世界上最重大的问题，例如剩余的六个千禧年大奖难题。对于这些研究者来说，首要目标是发现数学真理，无论是由人类还是机器发现的。

以人为本的观点

其他研究者，包括菲尔兹奖得主 Akshay Venkatesh 和 Maia Fraser，认为数学是一项根本上属于人类的活动。他们主张：

• 共识与沟通: 数学是人类对数值现象达成共同协议的一种方式。
• 奋斗的价值: 理解复杂问题的智力奋斗过程是该学科的主要奖励。只有当 AI 生成的证明可以被翻译成人类可理解且优雅的形式时，它才被认为是有效的。

AI 集成到数学研究中的风险

尽管具有加速潜力，但将 AI 集成到数学中会引入显著的系统性风险：

• 智力萎缩: 有人担心未来的数学家会跳过解决问题的 "奋斗" 过程，从而导致失去独立于 AI 工具进行思考所需的直觉和逻辑基础。
• 准入门槛与精英主义: 如果数学的审议过程被专有的 AI 模型取代，该领域可能会变成一种精英主义活动，只有拥有运行这些模型所需海量计算资源的组织才能参与。
• 动力丧失: 随着计算机处理更大块的推理过程，人类投入多年时间深入研究单个问题的动力可能会减弱，这可能改变数学训练为通用问题解决能力提供的认知益处。