周末刷到这条消息的时候我正坐在电脑前改一个跑了几十轮还是崩掉的算法。看到AI破解数学难题和56年这两个词连在一起第一反应是又来营销号标题党了再往下看确认是真实的学术进展而且文章末尾还提到了成果交由同行评审——这反而成了整件事里我最在意的部分。作为一个长期写AI应用、也经常被各种颠覆性突破标题轰炸的博主我早就习惯了对这类消息保持警惕。但这次不太一样。不是因为AI解出了难题本身而是背后的技术路线和对待学术规范的态度值得单独拆开聊聊。这篇内容就是说说我自己的观察56年的题为什么难、AI到底是怎么找到答案的、交给同行评审这件事为什么讲究以及这套思路对做开发、做研究的人有什么可迁移的启发。1. 56年无人破解这题到底卡在哪儿1.1 数学难题的典型卡点不是算不出来是不知道怎么想先说个反直觉的事实大部分长期未解的数学问题卡住人类的不是计算量而是构造思路。你让计算机去穷举一个有限范围内的所有可能也许能算出来但当问题空间是指数级甚至更大时算力再强也等于零。这类难题的核心矛盾在于——你根本不知道答案长什么样甚至不知道该往哪个方向找。这类问题里有一些是证明某个命题不成立有一些是构造出满足若干复杂约束条件的特定数学对象。后者就是我们今天要聊的场景。我拿一个生活类比帮大家理解56年没解出来的困难程度大致相当于让你在不知道地图的情况下从一座山脉里找到一条隐藏通道。你只知道这条通道存在也知道通道两端分别有什么特征但中间那几千条岔路里绝大多数走几步就是死胡同。你需要的不是走得快而是判断哪条路值得走。过去几十年数学家们不是没努力。有人试着手工构造有人提出理论框架试图缩小搜索范围但都在某个环节卡住了要么构造出来后发现违反了某个隐含约束要么局部没问题但整体不自洽。这种反复失败会让人形成固定思维——直接导致后续尝试越来越像之前失败的变体。人类有个毛病一旦发现某类方法不行就会忍不住在它的附近打转。1.2 56年这个时间跨度意味着什么从20世纪60年代这个猜想被正式提出到近几年AI系统参与并给出候选答案中间隔了超过半个世纪。这段时间里数学工具进步了很多代数、几何、组合学都有了新理论但关于这个具体问题的主流结论几乎没有新的突破性进展。这也是这类数学难题的共同特点文献少、公开尝试少、核心思路高度依赖灵感。它不像一个热门赛道今天arXiv上有人说解了一步明天有人沿着方向往前进。它更像一个被冷落的岔路口大多数人看一眼题目后觉得这不就那啥吗上手一试又默默放下。AI在这个时间点介入恰恰用的是和人类截然不同的路径。我不觉得这是AI比人类聪明更准确的描述是AI没有人类那种觉得某条路没希望的畏难心理它愿意在看似荒谬的方向上多走几步。1.3 这一次AI提供的不是答案而是候选猜想这里要澄清一个普遍误读AI不是像数学计算器那样直接吐出一个最终证明然后人类在旁边鼓掌。实际过程更接近——AI系统生成了大量看起来合理但不敢保证正确的候选构造随后由自动验证工具和数学家对候选进行层层过滤最终确认其中一个满足所有约束条件。所以严格来说这次成果的完整链条是AI负责海量生成候选符号计算负责排除错误的数学家负责最终判断和撰写严格证明。这和AI直接碾压人类完全是两码事但后者显然更有传播噱头。这也就解释了为什么消息末尾那句成果交由同行评审如此重要——AI产出的数学发现到底成不成立必须回到人类学术共同体里接受审查而不是靠一段六十秒的宣传视频拍板。2. AI不是把答案背出来的系统内部的三块积木2.1 第一块积木用语言模型生成程序化假设很多人以为AI解数学题是直接把题目喂给大语言模型然后它像考试一样输出答案。不是的。这次的关键设计在于AI生成的不是自然语言推理链而是程序化的对象描述。怎么理解数学对象本身可以编码成图、表、矩阵、约束系统也可以编码成一段程序。只要约束条件能写成程序能判断的形式AI就能把这个搜索构造当成一个程序合成任务来做输入约束输出一个满足约束的构造程序。这样做有个好处程序是机器可执行的。你生成一段自然语言证明还得靠人去逐步逻辑审查但生成一段可执行代码或可验证的构造描述机器当场就能告诉你这个候选到底符不符合条件。这个差异在工程上极其重要——它让AI的每一次尝试都有了即时反馈信号。我见过不少人在自己项目里让AI直接写逻辑结果LLM一本正经地生产幻觉代码。这次成功的系统也没有完全摆脱幻觉问题但它通过程序化表示即时验证把幻觉的成本降到了可控范围——错了就下一位反正候选多得很。2.2 第二块积木搜索/进化算法接力光靠语言模型生成候选是不够的。语言模型擅长从训练数据中学到的模式出发生成下一个合理的东西但数学构造恰恰最缺的就是下一个合理的东西。如果候选空间足够大你让LLM一次性生成100万个候选其中绝大多数会是一模一样的套路。所以系统的第二块积木是在语言模型的外部套上一层搜索/进化算法。简单来说先生成一堆候选太多数不达标但少数接近达标的候选会被保留下来。接下来把这些候选当种子做交叉、变异生成下一轮候选不断迭代。每一轮都朝满足更多约束条件的方向走。这一步本质上复制了生物进化的试错逻辑也复制了人类研究者从一个不太错的思路出发不断修补的工作习惯。区别在于AI可以同时维护几十上百条候选思路并行演进而不是像人一样只能手里攥着两三条。2.3 第三块积木验证器和奖励信号兜底搜索算法跑得再欢也得有个裁判告诉它哪些候选算进步。这个裁判通常是一组自动验证器比如用符号计算库检查候选对象是否满足全部约束或者用形式化工具做逻辑检查。在实现时每一步迭代都会给候选打分——不是看起来对不对的感觉分而是通过了几项约束、还剩几项没过的硬指标。这就是奖励信号。AI系统在内部演化过程中始终以这个奖励信号为唯一目标不会出现我觉得这个方向挺优雅所以试试看的人类式偏向。这个设计特别值得做工程的人学习别让模型凭感觉判断输出质量要建立外部可计算的质量指标。哪怕你的指标粗糙一点也比没有强。2.4 为什么这套组合拳适合数学证明数学证明和代码有一个底层共性规则的清晰性和可验证性。程序有编译器和测试用例把关数学构造也有定义、公理、推理规则把关。只要把问题表达成可计算的形式AI就能在这个明确边界内发挥其离谱联想的特长。这让我想起早年做程序合成研究时的体会程序合成最难的不是生成代码而是确定什么算成功。数学难题恰好是个成功标准极其明确的领域——构造出的对象要么满足所有条件要么不满足。这种黑白分明的特性让AI在数学领域比在多数的开放式创意任务里更容易产生真正硬核的结果。与此同时大家也别高估AI的理解。它并没有真正理解那56年历史里积累的数学直觉它只是在一个约束明确的搜索空间里用笨办法找到了人类因为偏见而忽略的角落。这不是浪漫的故事但它是真实可复现的工程胜利。3. 交给同行评审这个动作比论文本身更有信息量3.1 学术评审是怎么保护科学结论的稍微科普一下同行评审一篇论文写好之后先提交到期刊编辑会找同领域的若干专家匿名审阅。审稿人看你的方法是否站得住脚、实验是否规范、结论是否有过度推断。如果审稿人不满意拒稿如果重大修改打回去重来只有一路过关才公开发表。这个过程在AI角度看起来简直低效要等几个月甚至更久中间还可能被挑剔的审稿人怼得体无完肤。但正是这种不配合传播效率的机制保证了科研结论的可信度。尤其牵扯到AI结论时这套机制的紧箍咒效应更明显——因为AI推理过程太容易出幻觉如果不让专家复核就发通稿翻车概率极高。这次成果选择走正规期刊渠道意味着原始构造、验证脚本、复现方法都要一并公开接受检验。光这一条就把绝大多数演示级AI成果挡在了门外。很多号称AI突破的项目说白了是PPT里的截图和剪辑过的视频根本经不起别人拿同样的输入再跑一遍。3.2 从发布会式发布到可复现提交两种范式这些年AI圈的成果发布越来越像科技公司的产品发布会找个时间节点集中发布、标题往大了写、公关联动各路媒体。不是说这种方式完全不行但它会严重扭曲公众对技术成熟度的判断。而这次这个实验室选的路子其实更接近学术传统先把成果提交给期刊评审在正式发表之前没有大范围造势。这种做法短期内吃亏——消息热度会被分散讨论也不会集中在AI好厉害这个简单情绪上而是落在这个证明是否确实完整的技术层面。但长期看这种选择给整个AI科研领域立了一个很好的参照系如果要宣称AI做出了科学发现请按科学发现的规矩来。黑箱演示只配叫demo不配叫科学成果。3.3 AI幻觉在数学领域有多危险评审就有多值钱我再强调一遍AI幻觉这个问题。拿语言模型来推理数学几乎必然会出现看似严谨实则漏洞百出的错误。有的模型甚至会生成完全虚构的引理证明步骤读起来每一步都合理但最后结论是错的。这种事情在现实里出现过不止一次了。某研究者兴奋地宣布用LLM解决了某个猜想没过多久被人发现证明过程里藏着逻辑跳跃根本站不住脚。这种翻车不是因为恶意而是因为LLM天生倾向生成概率高但未必正确的内容。所以当这次的消息里明确提到交给同行评审我的第一反应是这些人知道自己做的东西可能在哪里翻车也知道如何让翻车的代价可控。他们主动把自己放进了最容易被打脸的机制里——这反而给了外界信任他们的理由。在AI领域主动接受严格检验本身就是一种诚意信号。4. 同款思路平移到日常开发我建议你这样做4.1 把构造-搜索-验证翻译成日常研发流程看到这里你可能会想AI解数学题和我有什么关系我又不搞数学研究。关系比你以为的大得多。这次成果的核心方法论完全可以直接平移到日常软件开发和数据工作中。翻译过来就是一套极其朴素的循环让AI生成一批候选方案代码片段、配置组合、SQL语句、数据结构设计。用自动脚本验证每个候选是否满足硬性条件运行测试、检查类型、跑性能基准。把未完全达标但接近目标的候选作为下一轮迭代的种子。重复多轮直到出现完全达标的方案。说白了就是把AI当实习生用——多给几个思路但每个思路都要过测试再放进主干。这句话听起来简单真落地时大部分人做不到因为大多数人让AI写代码之后根本没有验证环节。4.2 一个可落地的实验骨架想快速试水的同学可以搭一条极简管线。不需要什么重型AI框架一个能做补全的语言模型加一套测试脚本就够了。我的建议骨架大概是这样先定义成功标准。比如你写一个正则表达式、一个SQL查询、或一个配置模板你要能用一段自动化脚本判断它是否满足全部输入输出样例。这一步是全部工作的地基成功标准不清楚后面全白搭。然后写一个循环脚本用语言模型生成N个候选解放到沙箱里执行记录每个候选是否过样例把通过率最高的那个再作为前缀或参考注入下一轮生成提示里。循环二三十轮。最后把所有幸存的候选加起来做一个差分测试看它们在更大规模的测试集上是否稳定。这一步相当于是同行评审在开发场景下的降维版——靠测试集兜底别信模型自己说这个代码没问题。4.3 最容易翻车的三个地方第一成功标准定义得太宽松。你如果只验证程序能跑起来就把它当成合格候选那AI会生成一堆能跑但没有业务正确性的垃圾代码。误差棒要收紧至少要覆盖正常情况和边界情况。第二种子选择的偏差。搜索算法里最忌讳的是每一轮都只挑总分最高的候选作为下一轮的唯一种子。这样很快就会收敛到局部最优最后出来的方案可能只满足约束的子集。正确做法是保留一定随机性让多棵搜素树并行。第三把模型说当验证过。再强调一遍AI生成的任何内容在没有外部证据佐证之前都只是候选假设。你自己不写测试脚本、不设自动检查就谈不上AI辅助开发只是AI辅助编题。4.4 适合接入这套思路的常见场景哪些日常场景最适合先应用这套构造-验证循环我根据自己的实操经验列几个正则表达式生成让AI生成匹配逻辑再拿一组成正例和反例自动验证迭代修正。数据库查询优化让AI给出多个执行计划或索引方案实测耗时保留最优。配置文件的组合爆炸比如负载均衡参数、编译器优化选项组合让AI生成一批参数组合脚本跑基准选优。单元测试补充让AI生成一组测试用例先检查它们是否真能测出边界行为而不是只追求覆盖率数字。文档到代码的转换让AI根据接口描述生成实现再拿契约测试自动核对。你会发现这些场景都有一个共同特征目标和验收标准很明确。这正是AI能发挥作用的地方。反过来如果任务本身说不清楚什么算对AI再强也帮不上忙。5. 关于AI数学家这件事我的几个大实话5.1 AI更像是数学家的直觉外挂不是替代品很多人看到这类新闻就会冒出一个念头数学家是不是要失业了我的判断是恰恰相反——AI让数学家失业的概率跟计算器让会计师失业的概率差不多。计算器没有替代会计师它只是把算数这个环节变得廉价让会计师可以把精力投到更需要职业判断的地方。同样AI在数学里的角色是把逐条验证候选这种机械劳动变得廉价让数学家能腾出时间对付那些AI做不了的环节定义什么值得研究、构造理论的整体框架、把一组孤立的构造融入更大的数学图景。这次事件里AI负责的是找到那个意外角落但解释为什么这个角落重要、它和其他领域有什么联系的工作依然必须由人类数学家完成。我甚至觉得这类成果发表之后数学家的工作非但没有减少反而多了——多了很多需要人类去审视、解释、推广的AI产物。5.2 未来数学研究的工作流会变成什么样基于这次展示的技术路线我觉得未来几年数学研究的工作流很可能会往这个方向演进问题形式化→AI辅助构造→自动验证→人类升华。数学家首先要会把自己的问题翻译成计算机能理解的约束表达这一步可能是新的基本功。然后是让AI在约束空间里做大规模探索得到一批候选。接下来是自动验证工具的粗筛。最后人类哲学家式地审视这堆产物提炼其中值得写成定理的结构。这个流程一方面会降低数学研究的入门门槛——有些初等但繁琐的验证可以由AI代劳另一方面也提高了顶尖数学家的门槛——真正稀缺的不再是计算或验证能力而是提出好问题、识别好结构的能力。5.3 最后说说普通人最该补的那一课这篇内容写了这么多我不想再端鸡汤说未来属于会提问的人。我想说的是一个更实在的教训今天这件事给非专业人士的最大启发不是AI很聪明而是AI必须被验证。以后你刷到任何AI解决了XX难题的新闻先别急着转发惊叹先看一眼有没有人工复现、严格验证、同行评审这类词。如果没有它大概率是演示技术不是科研成果如果有再夸不迟。这个判断标准比学会提示词工程有用一百倍。我自己在项目里用AI写代码时也一直保留这个习惯模型给的东西永远先假设它有错然后设计最严苛的测试去试图证明它有错。如果测试没能证明模型有错那我才会考虑把它合进正式代码。这条习惯保护我好几次了这次AI解数学题的事件算是又一次提醒我继续坚持下去。