AI 解数学题突然变猛，关键不是模型更聪明

一年之内，几个悬了几十年的数学问题接连被 AI 啃动。很多解读归功于模型智商暴涨，一篇技术博客给出了另一本账。

一、发生了什么

Latent Space 10 月刊发的分析（本文转述其论点）把成果摆了一遍：1946 年提出的一个组合几何猜想，5 月被 OpenAI 内部模型找到了反例；6 月一个图论循环覆盖猜想被证明，7 月又连下十个开放问题；9 月那项一百六十六页的大证明，按文章统计动用了上万个并行智能体、三千亿 token、八十多个小时。作者的账本是这样的：数学之所以先突破，是因为它的答案可以机器判对错——有了自动验证器，盲目烧算力做搜索才变得理性。人脑是广度优先，先筛方向再押几个月；模型是深度优先，沿一条路径推到底，失败的尝试还会被记成「此路不通」喂给下一轮。文章借了一个复杂度公式描述问题的难度：概念跳跃越少、分支因子越小，越容易被机器拿下。

二、跟你有什么关系

如果你是数学或科研工作者，注意被优先攻下的多是「概念已想通、剩下是苦工」的问题，你的选题可以往分支多、缺乏客观判据的方向挪。如果你做工程，起草、并行求解、验收这套三件套架构可以直接搬到验证成本低的领域，比如代码和测试，把「失败即信息」的机制建进你的流水线，让每一次跑挂都变成下一次的输入。如果你只看热闹，记住这些成果都挑过题，别急着宣布数学家失业。文章还有个耐人寻味的细节：一位如今就职于 OpenAI 的数学家承认，模型找到的那个反例方向他当年也想过，只是陷了几周没见岸就撤了——机器的长处恰恰是泡在沼泽里不上岸。

三、怎么判断

1. 看验证成本：一个领域有没有便宜可靠的自动判分，决定 AI 能不能复制数学这条路。法律文书、医疗诊断都卡在没有裁判上，这比模型本身的能力更能解释进度差异。
2. 看成果类型：反例、证明、改进界各分量不同，转发新闻前先看它到底是完整证明还是部分推进。
3. 看题目怎么挑的：作者提醒实验室偏爱解空间窄的题目来展示能力，同样的方法搬到开阔问题上未必灵，看成果先问这题是谁出的、为什么是它。

四、三个别信的说法

「AI 比数学家聪明了。」 文中的案例靠的是算力堆出的穷举加验证，一位顶尖数学家还分享过他曾在同一条死路上泡了几周——模型赢的是不累，不是直觉，两者在数学里的价值从来不同。

「以后所有数学都会被机器解决。」 分支因子高、又缺乏严格剪枝手段的问题，人类直觉依然是唯一的过滤器，作者明确保留了这个阵地，也让「数学被解决」这种说法显得过早。

「失败没价值。」 恰恰相反，模型把失败路径当作负提示反复利用，而人类的失败很少公开发表——这位作者认为这是当前最可惜的信息浪费，也提醒你自己的实验记录值得留好。

五、一句话结论

机器赢下的是有裁判的赛道，没有裁判的地方，直觉还是人的筹码——分工比替代更接近现状，也更值得下注。

信息来源

• Latent Space 的分析原文，2026 年 10 月 23 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。