1. 一场访谈引发的思考AI 做数学到底靠不靠谱前阵子数学圈有个访谈在技术社区传得挺开主角是一位拿过数学界最高荣誉的学者聊的是他最近怎么用 AI 工具辅助数学研究。我第一时间把访谈内容翻来覆去看了几遍又拉着几个做算法和做基础学科研究的朋友聊了很久。说实话看完之后我的第一反应不是AI 要取代数学家了而是这套方法论搬到我们自己的行业里好像也能跑通。这篇东西不是访谈翻译也不是新闻复述。我想干的事情是把这场访谈里关于AI 数学研究方法论的核心逻辑拆开讲清楚它为什么成立、具体怎么落地、有哪些坑然后再把这套方法论抽象出来看看它对其他行业——尤其是那些看起来没法用 AI的领域——到底有什么可复用的启示。如果你是从业者不管你是做算法的、做研究的、做产品的还是单纯对 AI 能力边界感兴趣这篇都值得你花时间读完。先说结论这场访谈最有价值的不是某个具体工具或某个具体结论而是一套**人机分工 验证闭环 问题拆解**的工作范式。数学只是这套范式的试验场因为它对正确性的要求最苛刻——错一步就全盘皆输。一个在数学上能跑通的 AI 协作流程搬到容错率更高的行业里理论上只会更宽松。但反过来数学领域暴露出来的那些问题比如幻觉、验证成本、问题定义模糊在其他行业同样存在甚至更隐蔽。我下面会分几块来讲先拆这套方法论的整体设计思路再讲核心细节和实操要点然后是完整的实操流程和关键环节接着是常见问题和排查技巧最后聊聊它对其他行业的迁移价值。每一块我都会尽量给出可以直接抄作业的东西而不是空谈概念。2. 方法论整体拆解为什么是人机协作而不是AI 自动证明2.1 核心思路把 AI 当高产的实习生而不是权威访谈里有一个比喻我印象特别深大意是说AI 在数学研究里的角色更像一个知识面极广、手速极快、但判断力不稳定的实习生。它能瞬间调出你没想到的相关定理能帮你把冗长的推导补全能同时尝试十几条不同的证明路径但它也会一本正经地编造一个不存在的定理会在关键步骤上偷偷跳步会把看起来对当成确实对。这个定位非常关键。很多人对 AI 做数学的误解在于要么觉得它无所不能要么觉得它一无是处。实际上它的能力分布是极不均匀的在广度搜索和模式补全上极强在严格验证和长期一致性上极弱。所以整套方法论的设计核心就是让 AI 干它擅长的那部分把验证和判断牢牢握在人手里。我把它总结成一句话AI 负责把搜索空间撑大人负责把搜索空间收窄到正确的那一个点。数学证明的本质是在一个巨大的可能性空间里找一条合法路径AI 的价值就是帮你快速排除掉大量明显走不通的方向同时提示一些你压根没想到的方向。但最终哪条路真的走得通必须由人来验证。2.2 方案选型为什么不用端到端自动证明这里要解释一个很多人会问的问题既然有专门的定理证明工具为什么不直接让 AI 端到端把证明做出来非要人机来回折腾原因有三层。第一层是可靠性。自动证明工具在特定形式化体系内确实可靠但它的前提是问题已经被形式化成机器能理解的符号系统而这个形式化过程本身极其耗时且需要深厚的专业功底。对于前沿的、还没被形式化的数学问题这条路根本走不通。第二层是创造性。数学研究里最有价值的部分往往不是证明一个已知命题而是发现一个值得证明的命题或者找到一个全新的证明视角。这类工作依赖直觉、类比和审美目前 AI 在这方面的表现是偶尔惊艳经常跑偏没法作为主导。第三层是成本。端到端自动证明听起来很美但一旦出错排查成本极高——你面对的是一个黑箱给出的错误结论根本不知道它错在哪一步。而人机协作模式下每一步都有人的参与和记录出错时能快速定位。提示选型时不要被全自动这个词迷惑。在正确性要求极高的场景里可解释、可追溯、可干预的流程永远比黑箱全自动更实用。2.3 优势与代价这套方法到底省了什么、费了什么任何方法论都有取舍。这套人机协作范式的优势很明显搜索效率大幅提升、跨领域联想能力增强、重复性推导自动化。访谈里提到以前要花几天翻文献找相关结果现在 AI 能在几分钟内给出一个候选清单虽然需要人工筛选但起点高了很多。代价同样明显。首先是验证成本。AI 给出的每一个结论你都得自己验一遍这个验证过程有时候比自己做还慢。其次是注意力消耗。AI 会给出大量看起来合理的中间步骤人需要持续保持警惕这种精神消耗比单纯自己做题还累。最后是依赖风险。用久了容易产生AI 说的应该没错的惰性而数学里这种惰性是致命的。所以这套方法论的适用边界是问题足够难、搜索空间足够大、但验证路径相对清晰。如果一个问题你自己几分钟就能做完用 AI 反而是负担如果一个问题连验证都没法验证那 AI 给的东西你也没法用。3. 核心细节解析AI 数学研究的四个关键环节3.1 问题拆解把大问题切成 AI 能吃的小问题访谈里反复强调的一点是AI 不擅长处理模糊的大问题但很擅长处理定义清晰的小问题。你直接问帮我证明这个猜想它大概率给你一堆废话但如果你把猜想拆成若干个引理逐个问这个引理有没有已知的证明思路它的表现会好很多。这个拆解过程本身就是数学研究的核心能力之一。我的经验是拆解时要遵循几个原则每个子问题要有明确的输入和输出要有可判断的真假要尽量独立减少子问题之间的耦合。比如一个大定理的证明可以拆成构造辅助对象证明辅助对象的性质用辅助对象推出主结论三步每一步再往下拆。这里有个实操技巧让 AI 参与拆解但不要让它主导拆解。你可以先自己列一个粗略的拆解框架然后问 AI这个拆解有没有遗漏的环节有没有更细的拆分方式。AI 经常能提示一些你忽略的边界情况但如果你完全让它拆它容易拆得又碎又偏。3.2 提示设计怎么问才能让 AI 给出有用的数学内容提示词工程在数学场景里有特殊性。普通场景下你追求让 AI 理解你的意图数学场景下你还要额外追求让 AI 暴露它的推理过程和让 AI 标注它的不确定性。我实测下来比较有效的几个提示模式要求分步推理明确说请一步一步推导每一步说明依据。这能大幅降低跳步和幻觉。要求标注置信度让它对每个关键步骤标注确定/较确定/不确定。不确定的地方就是你要重点验证的地方。要求给出反例尝试问它这个结论有没有明显的反例。一个经得起反例检验的结论可信度会高很多。要求引用来源虽然 AI 引用的来源经常是编的但要求它引用这个动作本身会迫使它更谨慎。注意不要一次性问一个超长的问题。数学推理对上下文长度很敏感问题越长AI 越容易在中途忘记前面的条件。把长问题拆成多轮对话每轮聚焦一个子问题效果明显更好。3.3 验证闭环为什么AI 说对了不等于真的对了这是整套方法论里最容易被忽视、也最要命的一环。AI 在数学上的错误有两种一种是明显的错误比如计算错误、逻辑跳跃这种相对好发现另一种是隐蔽的错误比如用了一个条件不满足的定理、在某个边界情况下不成立、符号定义前后不一致这种极难发现而且往往藏在看起来很流畅的推导里。访谈里提到一个做法我觉得很实用交叉验证。同一个结论用不同的方法问 AI 两到三次看它给出的推理路径是否一致。如果三次给出的路径完全不同但结论相同那结论可信度较高如果三次结论都不一样那说明这个问题它根本没搞明白。另一个做法是降维验证。把一般性的结论退化到特殊情形手动验算。比如一个关于任意 n 的结论你先验 n1、n2、n3 的情况。如果特殊情形都不对那一般情形肯定有问题。这个方法虽然笨但极其有效而且能帮你快速定位错误发生在哪一层。3.4 工具组合AI 对话、符号计算、形式化验证怎么配合单靠一个 AI 对话工具做数学是不够的。访谈里透露的工作流其实是多工具组合AI 对话负责探索和联想符号计算工具负责精确计算形式化验证工具负责最终把关。具体分工是这样的遇到一个新问题先用 AI 对话做头脑风暴列出可能的思路和相关定理然后用符号计算工具把其中的计算部分精确算出来避免 AI 在算术上出错对于关键的、要写进论文的结论如果有条件用形式化工具做一遍机器验证。这三层是递进的越往后越严格成本也越高。对于大多数从业者来说形式化验证这一层可能用不上但符号计算这一层强烈建议加上。AI 在符号运算上出错率不低尤其是涉及多变量、多步骤的推导用专门的符号计算工具复核一遍能省掉大量排查时间。4. 实操流程一次完整的 AI 辅助数学研究是怎么跑的4.1 准备阶段明确问题边界和验证标准任何一次 AI 辅助研究开始之前你都得先回答三个问题我要解决的具体问题是什么我怎么判断它被解决了如果 AI 给的东西不对我怎么发现第一个问题要求你把问题写下来写到你自己看着都觉得清晰得不能再清晰为止。很多所谓的AI 做不出来其实是问题本身就没定义清楚。第二个问题要求你事先想好验证方式是手动验算、是找反例、还是用工具复核。第三个问题要求你对可能的错误类型有预判。我一般会建一个简单的记录表把问题、预期验证方式、已知的相关结果列出来。这个表在后续和 AI 交互时会反复用到尤其是当 AI 给出一个新结果时你可以快速对照已知结果判断它是不是在胡说。4.2 探索阶段用 AI 快速铺开可能性空间准备做完进入探索阶段。这个阶段的目标不是得到正确答案而是尽可能多地收集候选思路。我会把问题拆成几个子问题每个子问题单独和 AI 对话要求它给出至少三种不同的思路。这个阶段的关键心态是广撒网不深究。AI 给出的思路里可能十有八九是错的或者走不通的但只要有那么一两条能启发你这个阶段就值了。我自己的经验是AI 在跨领域类比上特别有价值——它经常能把一个看似无关的领域的技巧搬过来这种联想是人容易忽略的。探索阶段还要注意记录。AI 给的每一条思路哪怕当时觉得没用也简单记一笔。因为很多思路在后续深入时会突然变得有用如果不记回头就找不到了。4.3 收敛阶段人工筛选 深度验证探索铺开之后进入收敛阶段。这个阶段是人的主场。你要从探索阶段收集的一堆思路里挑出最有希望的那几条然后逐条深入。深入的方式是对每条思路让 AI 把完整的推导写出来然后你逐步检查。检查的重点是每一步的依据是否成立、用到的定理条件是否满足、边界情况是否覆盖。这一步极其耗时但没法省。我踩过的一个坑是有一次 AI 给了一个看起来非常漂亮的证明我粗略看了一遍觉得没问题就直接用了。结果后来在一个特殊情形下发现它用了一个仅对紧致集成立的定理而我的问题里那个集合不是紧致的。整个证明作废。从那以后我养成了一个习惯AI 给的每个证明我都要专门检查它用到的每个定理的前提条件。4.4 复核阶段多工具交叉验证与反例搜索收敛阶段得到一个候选结论后进入复核阶段。这个阶段要做三件事用符号计算工具复核计算部分、用不同方法重新推导一遍、主动搜索反例。反例搜索这一步很多人会跳过但它其实是最有价值的。你可以直接问 AI这个结论有没有反例也可以自己构造一些极端情况去测试。一个结论如果连 AI 都找不到反例而且你自己也构造不出反例那它的可信度就上了一个台阶。复核阶段还有一个技巧把结论讲给别人听。如果你能把一个证明清晰地讲给一个不懂这个领域的人听并且对方能跟上逻辑那说明你对这个证明的理解是扎实的。如果讲的过程中你自己卡壳了那卡壳的地方就是你没真正搞懂的地方。4.5 沉淀阶段把过程变成可复用的资产一次研究做完别急着结束。把整个过程沉淀下来哪些提示模式有效、哪些工具组合好用、哪些类型的错误反复出现。这些经验比单次结论更有价值。我自己的做法是维护一个提示库和错误库。提示库里存那些实测有效的提示模板错误库里存 AI 犯过的典型错误。下次遇到类似问题直接调出来用效率高很多。这个习惯坚持半年你会发现自己的 AI 协作效率有明显提升。5. 常见问题与排查技巧实录5.1 AI 编造定理和引理怎么办这是最高频的问题。AI 会非常自信地引用一个不存在的定理甚至给你编一个像模像样的名字和出处。排查方法很简单任何你没听说过的定理都要去权威来源核实。不要因为 AI 说得笃定就相信。如果核实不了比如你手头没有相关文献那就把这条思路暂时搁置或者要求 AI 用不依赖这个定理的方式重新推导。一个真正成立的结论通常有多条推导路径如果它只能靠那个可疑定理推出来那大概率有问题。5.2 推导过程跳步严重怎么处理AI 为了显得简洁经常在关键步骤上跳步。应对方法是明确要求它不要跳步并且在它跳步的地方追问这一步是怎么来的。追问的时候要具体比如从第二行到第三行你用了什么恒等式而不是笼统地说详细点。如果追问几次它还是说不清楚那这一步很可能就是它蒙的。这时候要么换思路要么自己把这一步补上。5.3 结论前后矛盾怎么定位长对话里 AI 经常自相矛盾前面说 A后面说非 A。定位方法是把对话按时间线梳理一遍找出矛盾出现的那个点。通常矛盾源于某个中间步骤的假设被悄悄改变了比如一开始假设变量是实数后面当成了整数用。处理这类问题的技巧是每轮对话开始时重新声明一次关键假设。虽然啰嗦但能大幅减少这类矛盾。5.4 验证成本太高怎么优化验证成本高是这套方法论的固有代价但可以优化。优化的方向是把验证前置在探索阶段就要求 AI 标注每步的置信度把高置信度的步骤快速过把低置信度的步骤重点查。这样能把有限的验证精力集中在最可能出错的地方。另一个方向是建立验证清单。把常见的错误类型列成清单每次验证时逐项对照。清单化之后验证会变成机械动作速度快很多。常见问题典型表现排查思路预防技巧编造定理引用不存在的结论权威来源核实要求标注来源并核实跳步严重关键步骤缺失逐步追问依据明确要求不跳步前后矛盾结论自相冲突梳理时间线找矛盾点每轮重声明假设验证成本高排查耗时过长验证前置清单化要求标注置信度边界遗漏特殊情形不成立降维验证主动搜索反例6. 迁移到其他行业这套方法论到底能复用多少6.1 可迁移的核心验证闭环与问题拆解把数学场景的特殊性剥掉这套方法论的内核其实就两条问题拆解和验证闭环。这两条在任何需要 AI 辅助的复杂工作里都成立。问题拆解解决的是AI 处理不了模糊大问题的困境。不管你是做代码开发、做市场分析、做法律文书还是做产品设计把大任务拆成定义清晰的小任务AI 的表现都会显著提升。验证闭环解决的是AI 会犯错的问题。任何 AI 产出的内容都要有对应的验证机制验证的严格程度取决于错误的代价。我见过太多人用 AI 的方式是问一个大问题拿一个答案直接用。这种方式在低风险场景下勉强能用但在高风险场景下迟早出事。数学场景把这个风险放大了所以它的方法论也最成熟值得其他行业直接借鉴。6.2 不同行业的适配调整当然直接照搬是不行的每个行业要根据自己的特点调整。软件开发验证闭环可以部分自动化用测试用例、类型检查、静态分析来替代人工验证。问题拆解可以拆到函数级别。AI 在代码补全和 bug 定位上表现不错但在架构设计上仍然需要人主导。内容创作验证闭环主要是事实核查和逻辑一致性检查。问题拆解可以拆到段落级别。AI 在素材收集和初稿生成上有优势但观点和风格必须人来定。数据分析验证闭环是数据校验和结果复现。问题拆解可以拆到分析步骤级别。AI 在探索性分析和可视化建议上有价值但统计推断的严谨性必须人来把关。法律、医疗等高风险领域验证闭环必须极其严格几乎每一步都要人工复核。AI 更多是作为信息检索和初稿工具不能作为决策依据。6.3 一个通用的 AI 协作框架综合下来我提炼了一个通用的 AI 协作框架适用于大多数需要 AI 辅助的复杂工作定义问题把任务写成清晰、可验证的形式。拆解任务拆成 AI 能处理的独立子任务。探索铺开用 AI 快速收集候选方案。人工收敛筛选出最有希望的方案。深度验证对关键结论做严格验证。交叉复核用不同方法或工具复核。沉淀经验把有效模式和典型错误记录下来。这个框架看起来简单但真正执行到位的人不多。大多数人的问题出在第 5 步和第 6 步——验证和复核被省略了。而这两步恰恰是区分用 AI和用好 AI的关键。7. 我个人的一些实操体会聊了这么多方法论最后说点更个人化的东西。我用 AI 辅助工作有一段时间了踩过的坑不算少。最大的体会是AI 的能力上限取决于你的提问质量而 AI 的使用下限取决于你的验证习惯。提问质量决定它能帮你走多远验证习惯决定它会不会把你带沟里。另一个体会是不要追求全自动。我早期也幻想过让 AI 端到端把活干完后来发现凡是追求全自动的地方最后都要花更多时间收拾烂摊子。反而是那些老老实实人机分工、每步验证的流程长期看效率最高。数学领域把这个道理讲得最透因为它的错误代价最直观。还有一点AI 给的惊喜要警惕。当 AI 给出一个特别漂亮、特别简洁、特别出乎意料的结论时先别高兴先怀疑。数学史上很多简洁证明最后都被发现是错的。AI 特别擅长生成看起来很美的东西而美和正确之间没有必然联系。最后分享一个小技巧定期做无 AI 训练。就是隔一段时间刻意不用 AI 独立完成一些任务。这不是为了复古而是为了保持自己的判断力。如果你长期依赖 AI你对什么是对的的直觉会退化而验证 AI 恰恰依赖这个直觉。保持独立判断的能力才能持续用好 AI。这套方法论我还在持续打磨后面如果有新的体会再找机会聊。