大模型助力，数学研究从“手工时代”进入“工业时代”

一、Claude 与 OpenAI 的核心数学突破盘点

近期两家机构的成果集中爆发，分别在纯数学猜想推进、形式化证明、组合构造、难题攻坚、标准化测试等多个维度实现了标志性突破：

1. Claude（Anthropic）：直击纯数学核心与形式化工程

• 黎曼猜想关键指标刷新：2026年8月，未公开的研究版Claude在挑战黎曼猜想的过程中，将黎曼ζ函数满足黎曼假设的零点比例下限，从保持了数十年的41.6%大幅提升至67.2%，并生成了可被形式化验证的完整证明，由领域专家验证通过。这是黎曼猜想相关问题数十年里最大的量化进展之一。
• 费马大定理全形式化验证：2026年9月，Claude仅用11天自主完成了费马大定理的首个端到端机器可验证证明，将怀尔斯129页的人类证明转化为约1300万行Lean代码，证明了2.95万个中间定理，代码规模超过Lean核心数学库Mathlib的5倍。此前学界普遍认为这项形式化工程需要数年时间完成。
• 组合数学开放问题破解：与计算机科学泰斗Donald Knuth的合作中，Claude Opus 4.6仅用1小时就解决了Knuth研究数周的3D Cayley有向图哈密顿环分解问题（奇数情形），后续由人类完成完整证明，成为人机协作解决开放问题的典型案例。

2. OpenAI：攻坚千禧年难题与突破人类直觉边界

• 纳维-斯托克斯方程千禧年难题取得实质性突破：2026年9月，GPT-6 Astra团队完整解决了克雷数学研究所千禧年难题中的C、D两类情形（A、B类仍未解决）——构造出带有光滑外力的三维纳维-斯托克斯方程的有限时间爆破反例，涵盖三维全空间与三维周期空间两种场景。
• 组合几何构造创新：在埃尔德什1946年提出的“平面单位距离问题”中，AI跳出了人类沿用数十年的正方形网格等经典结构思路，设计出全新的点集构造方法，在相同点规模下实现了更多单位距离对，被认为突破了人类的几何直觉边界。
• 辅助破解经典开放问题：帮助无正规数学训练的业余爱好者，解决了困扰学界60年的埃尔德什第1196号问题，证明了AI可以降低前沿数学的参与门槛，让非专业人士也能做出实质贡献。
• 研究级数学测试全面通关：2026年9月，GPT-6 Astra攻破FrontierMath Tier 4测试的最后一道难题。全面突破这套曾被视为“AI数学天花板”的研究级题库，仅用了14个月（正确率从5%-》97.6%）。

二、这场突破带来的核心启示

这些进展并非单纯的“AI会做数学难题”，而是深刻改变了数学研究的底层逻辑，带来了三个层面的范式启示：

1. 数学研究从“手工时代”进入“工业时代”

传统数学研究以数学家个人或小团队的手工推导为核心，复杂证明高度依赖个人天才与常年积累。而AI推动的新模式下，复杂问题被拆分为大量子任务，由多智能体并行推进，人类负责整体架构与方向把控。

• 费马大定理形式化项目是典型：人类搭建证明依赖的DAG框架，几十个Claude智能体分工完成子定理证明，将原本以“年”为单位的工作压缩到“天”量级。
• 纳维-斯托克斯反例构造更进一步：OpenAI调动约10000个AI智能体，分成构型组、分析组、校验组、策略组并行推进，系统遍历上百种流场构型，把原本需要数学家数十年探索的构造性问题，压缩到88小时完成。

2. “人类提方向，AI探路径”成为新的协作范式

AI的核心价值不是替代人类直觉，而是补全人类的直觉盲区：

• 人类擅长判断“什么问题重要”“什么方向有价值”，但容易被固有思维限制，难以跳出经典构造；
• AI不携带历史经验的偏见，可以在庞大的逻辑空间中暴力搜索，找到人类从未想到的证明路径或几何构造。

这种互补性让数学研究从“人类一步步推导”变成“人类提出猜想+AI探索验证+人类提炼思想”的双向循环。

3. 证明的“可靠性标准”正在被重新定义

随着数学证明越来越复杂（如分类定理上万页证明），人类人工核验的可靠性已经到达瓶颈。AI推动的形式化证明让数学证明首次拥有了可被机器自动、无遗漏检查的标准，解决了“谁来验证验证者”的终极问题。
费马大定理的1300万行Lean代码、纳维-斯托克斯反例的200万行形式化验证，都实现了零逻辑漏洞的严格校验。这不仅提升了证明的可信度，也让数学成果可以更安全地被其他领域复用。

三、数学家何去何从：角色的重构与升级

AI不会取代数学家，但会彻底重构数学家的核心价值。未来数学家的核心竞争力将从“证明能力”转向以下四个维度：

1. 从“证明者”回归“提问者”与“引路人”

AI最不具备的能力，是判断“什么问题值得研究”“什么方向有深刻的数学意义”。未来数学家的核心工作将越来越聚焦于：

• 提出好的数学问题，定义研究的边界与价值；
• 建立新的数学概念与框架，开辟全新的研究领域；
• 跨领域洞察，发现不同数学分支之间隐藏的联系。

正如陶哲轩所言，“问题直觉、概念创造、意义判断，这些才是数学研究最核心的素养，也会在AI时代愈发珍贵”。

2. 成为“人机协作的架构师”

顶尖数学家将越来越像项目总设计师：他们不再亲手推导每一步证明，而是负责把大问题拆解为AI可处理的子任务，设计多智能体的协作流程，制定验证标准，最终将AI生成的零散结果提炼成有思想的数学理论。

• 主导费马大定理形式化项目的数学家，核心工作是搭建协作平台、规划证明的依赖关系、把控整体方向，具体推导由AI完成；
• 在偏微分方程等构造性强的领域，数学家的角色转向定义问题约束、设定解的空间边界，由AI完成海量构型的搜索与验证。

3. 深耕“思想层”，做AI结果的“解读者”

AI生成的证明往往是“正确但无灵魂”的：它可以一步步推导出结论，但无法解释“为什么这么做”“核心思想是什么”“哪一步是关键突破”。数学家的重要工作，就是从AI冗长的逻辑链条中，提炼出核心的思想与方法，把机器的“蛮力推导”转化为人类可以理解、可以传承的数学智慧。

4. 开拓“AI+数学”的交叉新领域

一批数学家已经转向两个全新方向：

• 面向数学的AI工具研发：设计更适合数学推理的模型、证明助手、形式化系统，让AI更懂数学；
• AI驱动的新数学分支：研究AI推理的底层数学原理，用数学方法解释大模型的能力边界，甚至借助AI发现全新的数学结构与定理。

总结

这场AI数学突破的本质，是把数学家从繁琐、重复、强体力的推导与计算中解放出来，让他们回归数学最本质的创造性工作——提出问题、构建概念、洞察意义。数学家不会消失，但会完成一次深刻的职业升级：从“逻辑的执行者”变成“方向的定义者”和“意义的赋予者”。

PS：
坐等黎曼猜想被攻破的一天。