想象一下，数学的世界就像一座巨大且无尽的图书馆。长期以来，这座图书馆里最聪明的 AI “学生”就像是卓越的解题者（Solvers）。它们非常擅长处理一份编写得非常完美的特定作业：阅读指令并找到答案。如果你给它们一个高中竞赛级别的数学题，它们往往能比人类天才更快地解出答案。它们就像是在完美铺设的赛道上行驶的赛车：快速、精准且可靠。

但本文的作者认为，我们正在撞上一堵墙。这些“解题者”擅长跑完比赛，但它们无法发明比赛。它们无法看向图书馆，发现一个在那里静静躺了几十年的尘封已久的未解之谜，并想出一种全新的方法来破解它。

本文指出，现在是时候停止制造更好的赛车，转而开始构建**研究智能体（Research Agents）**了。这些不仅仅是遵循指令的学生，更是探索者——它们可以走进未知领域，迷失方向，尝试古怪的想法，并且可能——仅仅是可能——发现一些全新的事物。

现状：“解题者”时代

目前，AI 在已知挑战方面表现极其出色。

• MiniF2F 基准测试： 这就像是一场超级难的高中数学考试。在 2021 年，AI 的正确率约为 30%。到 2025 年 7 月，一个名为 Seed-Prover 的系统达到了 99.6%（244 道题中答对了 243 道）。这几乎是满分。
• IMO（国际数学奥林匹克）： 这些是针对世界顶尖高中生的最难题目。在 2024 年，一个名为 AlphaProof 的 AI 获得了“银牌”水平的分数。到 2025 年 7 月，Seed-Prover 解决了 2025 年竞赛中的 5 道出 6 道。

这非常了不起！这证明了 AI 可以进行严密的、由机器验证的数学运算。但问题在于：这些都是答案在数学宇宙中已经存在的题目。AI 只是在寻找通往已知宝藏的路径。

问题：“研究差距”

本文指出，真正的数学研究是混乱的。它不是一道选择题。它就像是在草堆里找一根针，但你甚至还不知道这根针长什么样。

作者认为，目前的 AI 系统在面对“前沿研究”时存在根本性的局限。

• “重新发现”陷阱： 当 AI 声称解决了某个著名开放问题（例如来自 Erdős Problems 列表的问题，这是一个包含超过 1,100 个难题的集合）时，它往往只是找到了人类已经在书中写下的解法，只是 AI 并不知道。
• “幻觉”风险： 如果你要求 AI 解决一个它不知道答案的问题，它可能会编造一个看起来正确但实际上毫无意义的证明。与人类会说“我卡住了，我需要一个新想法”不同，AI 往往会自信满满地走向悬崖。

本文明确排除了当前 AI 已经准备好成为独立发现下一个重大定理的数学家的观点。他们表示，像 DeepSeek-Prover 或 AlphaProof 这样的系统仍然只是“解题者”，而非“研究者”。它们还无法在没有人类帮助的情况下，去应对像黎曼猜想或纳维-斯托克斯方程这样真正的未解巨兽。

路线图：从解题者到研究者

那么，我们如何将一辆赛车变成一名探险家？作者提出了五个需要跨越的重大障碍：

1. 数据荒漠
想象一下，你只能通过阅读 10 页文本来学习如何写小说。这就是形式化数学面临的问题。虽然互联网上有数十亿词汇的普通文本，但形式化数学的代码（在名为 Lean 的系统中）只有大约 130 万行。

• 对策： 我们需要教会 AI 将“人类数学”（模糊且依赖上下文）翻译成“计算机数学”（极其精确）。这被称为自动形式化（Autoformalization）。论文指出，这一技术正在进步，但仍然很困难。翻译过程中的微小错误可能会让一个难题看起来很简单，或者让一个简单的题目看起来极其困难。

2. 缺失的地图
目前的 AI 将每个数学问题视为独立的孤岛。但在现实的数学中，一切都是相互关联的。几何学中的一个证明可能依赖于代数中的一个引理。

• 对策： 我们需要构建一个巨大的知识图谱（Knowledge Graph）。想象一个网络，其中每个定理都是一个节点，而连接它们的线条展示了它们之间的关系。如果 AI 能看到这些联系，它就可以利用旧的思想来解决新问题，而不是每次都从零开始。

3. 从验证到发现
目前，AI 擅长检查一个证明是否正确（验证），但不擅长提出证明本身（发现）。

• 对策： 我们需要能够**猜想（conjecture）*新定理并尝试证明它们的系统。一些实验，如 AlphaEvolve，正试图通过让 AI “进化”出新想法来进行尝试，类似于自然界中物种的进化。但论文指出，这仍处于早期阶段；AI 目前还无法像人类天才那样发明一种新的*数学概念（例如一种新的数类型）。

4. 工具箱
人类数学家不仅仅依靠大脑；他们使用计算器、计算机和软件来进行繁重的计算工作。

• 对策： AI 也需要学会使用这些工具。但有一个难点：如果 AI 要求计算器进行求和，它如何知道计算器没有出错？论文建议，我们需要更好的方法让 AI 检查这些外部工具的工作，以免被误导。

5. 人机共舞
论文认为，未来的主题不是“AI 对抗人类”，而是 “AI + 人类”。

• 对策： 把 AI 想象成一名超高速的研究助手。它可以一秒钟阅读数千篇论文，检查 1,000 种可能的证明，并整理数据。而人类则是船长，提供直觉、“直觉感”以及对一个想法究竟是天才构思还是仅仅是幻觉的最终判断。
• 现实案例： 在 2025 年晚些时候，一个名为 Aristotle 的 AI 智能体帮助解决了一个来自 Erdős 列表的问题。它生成了一个证明，但事实证明，它所解决的问题是原问题的“弱化版”。人类数学家必须介入，意识到原问题仍然是一个开放问题。这表明，尽管 AI 功能强大，但它仍然需要人类来保持其诚实。

核心结论

本文是一份行动倡议。它说：“我们已经制造出了了不起的解题者。它们可以赢得任何数学竞赛。但为了推动人类知识的边界，我们需要构建研究智能体。”

这些智能体不会仅仅遵循规则；它们将帮助我们编写新的规则。但论文也明确指出：我们还没有到达那里。目前的 AI 是一名才华横溢的学徒，而非大师。它需要更好的数据、更好的地图、更好的工具，最重要的是，需要一位人类伙伴来引导它穿越数学那黑暗且未知的领域。

从“求解”到“发现”的旅程是下一个巨大的飞跃，而要实现这一目标，需要团队的共同努力。