AI破解数学难题，能启发造出新电脑吗？

想象一下：课间十分钟，一个高中生用AI敲定了一道数论难题；几千公里外的数据中心，因为一条新算法省下成千上万度电。数学灵感像电火花，借助AI的放大器，能否一路点亮电路、架构，最终催生一代“新电脑”？这不是科幻设问，而是正在发生的技术路线图。电脑的本质，是“数学+工程”的固化。算法决定你要算什么、怎样算；架构决定这些数学步骤如何在硅片上奔跑。AI加速数学发现，让这两端同时发生变化：一端是新算法不断“减法”运算量，另一端是硬件为它们重排数据流与指令表。谷歌团队用进化式智能体寻找更优矩阵乘法方案，把4×4复数矩阵的标量乘法次数从49压到48，随后又让自动评估器把这些点子塞进实际内核，训练速度提升，连TPU电路中的“多余比特”也被识别并剔除。更“硬核”的结果是，生产系统级调度Borg凭此释放了约0.7%的全球算力，训练大模型的矩阵乘核也提速了二成以上。这些不是论文里的优雅式子，而是会改变服务器电费账单、让下一代芯片微架构重新取舍的硬事实。当算法的“地形图”改变，硬件的“道路网”也要跟着改。今天你已经在PC里看到NPU、在数据中心里看到大规模张量阵列、FPGA做快速迭代。若AI在数学中找到更强的结构化算子，比如更低秩的张量分解、更稀疏而可并行的变换、乃至新型“蝶形”数据流，那就会催生新的指令集、特化的算子单元、不同的片上网络拓扑，甚至重新定义“有效TOPS”的衡量方式。历史上，快速傅里叶变换重塑了信号处理器与互连；今天，针对生成式AI的稀疏、低精度、块浮点、结构化剪枝，也在逼迫芯片以算法为轴线重构。这条“算法—编译器—内核—微架构”的闭环，正因AI的搜索与验证能力而被显著加速。更深远的变化，是“从定理到硅片”的可信化流水线。17岁少年的证明能被Lean形式化工具完全核验，这说明我们正把数学从自然语言搬运到机器可检的逻辑语言。类似的形式化，会让硬件设计迈向“可证明正确”的范式：加密单元、纠错码、缓存一致性协议、甚至调度器不再仅靠仿真覆盖，而是由AI辅助生成证明、EDA自动消解反例，最后把证据连同电路一并交付。字节团队等打造的智能体系统，已能在自然语言与形式化语言之间往返并产出高质量证明，这类桥梁让“想法→证明→电路”的链路有机会缩短一个数量级，降低芯片bug的代价与周期风险。别忘了能量账本。生成式AI的电力消耗让每1%的效率改进都值得庆祝。AI在数学里找到的哪怕是“小常数因子”优化，规模化之后就是巨额节流。这也是为什么产业同时押注“新算法”和“新硬件”：前者让算得更少，后者让算得更准、更并行。两者叠加，才是下一代“AI PC”“数据中心大脑”“边缘端智能”的真正护城河。要清醒地说，并非每一道数论难题的解，都能直接长出一块新芯片。埃尔德什第347号问题更多是在方法学上点亮了灯：AI能帮你找到灵感、查缺补漏、形式化校验，乃至把证明转译为工程可用的模块。真正改变电脑命运的，是当这种工作流反复跑通于矩阵运算、数值分析、编码理论、密码学等“算力中枢”领域时，算法-硬件共设计的速度与尺度将前所未有。也许我们正在等待“AI时代的FFT”——一种被AI共同发现与打磨的基础变换，简单到可铺进教材，强大到重写芯片蓝图。一旦出现，它不会只让计算更快，还会改写我们对“电脑”的定义：从通用到专用、从离线到无处不在、从可用到可证。数学是人类压缩世界的方式，电脑是把这种压缩铸成现实的机器。当AI成为压缩与铸造的共同催化剂，想法与器物之间的距离，将由年缩至月、由月缩至周。下一个划时代的电脑，也许已经长在某个证明的边注里，等着被你用AI读出来。

给你一个数学AI，你想证明什么？

想象你身边多了一位永不疲倦的数学合作者：它既像人类那样有直觉，又像计算机那样严谨；你说一句“帮我把这个想法跑通”，它就把草图翻译成可机验的证明。在现实中，这一幕已开始发生：一位17岁的高中生把陶哲轩的构想做成了完整证明，并用 Lean 形式化“跑通”，从而攻克埃尔德什第347号问题；验证系统确认无误，顶尖科学家公开点赞。这不是传奇，这是新日常。拿到这样一台“数学AI”，我最想挑战的，是把#347的火花推成一整片星空。具体说，我想刻画“进位式构造”的临界边界：相邻项比值极限为 c 的整数序列，究竟在什么增长速率下，才能保证任意余有限子序列的有限子集和在自然数中密度为1？c=2 的可行性刚被点亮，我想把结果推广为“c∈(1,2]皆可”的充分条件，甚至找出一个近乎最优的区块生长律（譬如对数的对数级别是否已足够且必要）。这背后是对“几何级数分块+进位调整”的系统化理解：用熵计数看覆盖率，用傅里叶分析控制误差，用AI去搜索更锋利的区块长度和调整项。像 Aristotle 那样把非正式直觉和形式化反馈交替推进；像 BFS-Prover 那样以专家迭代过滤“简单例”，专攻“硬骨头”；最后在 Lean 中给出一体化的、可复用的“完整序列定理库”。如果能把“2”这个魔术常数背后的结构说清楚，新的完全序列理论或许就有了基准坐标。我还想“证明一种能力”：把研究级数学大块地变成可机验的公共基石。Aristotle 曾在检查一本实分析教材时找出若干练习的错误，BFS-Prover 在 MiniF2F 上把自动证明的准确率推至七成以上，Seed-Prover 把“自然语言—草图—形式化”的三段式协作跑得极稳。借助这些范式，我想完成一部“从测度到泛函”的进阶教材全盘形式化，并给出一个可量化的健壮性定理：在限定的策略库与反馈频率下，草图到 Lean 证明的收敛概率下界是多少？这并不是写工具文档，而是为“可验证数学”的工程化确立一条可证明的性能曲线，让未来的数学论文既有思想的高度，也有机器可核查的硬度。第三个愿望，更像一支探照灯：在解析数论的显式常数上前进一步。并不妄谈“秒杀”黎曼猜想，而是用AI做擅长的事——参数寻优、符号操控与大规模验证——去改进零点自由区的显式常数，或在短区间素数定理的有效范围上压一把误差项。这是非常“可检验”的目标：把辅助函数、平滑权、莫利化器的选型和参数，交给模型做全局搜索；把每一步不等式估计交给 Lean 做细粒度核验；把候选方案用并行算力扫清边界案例。若能把一个关键常数从 1.000… 再推进几个有效位，小小的“常数工程学”也可能撬动后续的结构性突破。为什么相信这些方向值得用AI去证明？因为我们已经看到了早期的可靠信号：一位高中生把“比值趋近于2”的构造落到了可机验的地面；一个系统能在IMO级别题目上交出金牌水平的表现，并附上正式证明；另一个系统把形式化准确率推上新高，用“专家迭代+搜索策略”补上长链推理的短板。更重要的是，形式化语言像一条护栏，避免了人类在冗长簿记中的失足，也让启发式搜索有了明确的“对/错”反馈。与此同时，数学家也在提醒我们保持审美与价值的定力：自动化会改变题目的样貌和评价体系，人类的智力自由与创造趣味需要被珍视与守护。技术可以更强，但问题有意义才更美。如果真的有这样一位AI同伴，我愿意把它放在“最难、但最可验证”的地方：把一个新结构说清楚，把一门学科立起来，把一个常数挪动一小步。证明从来不只是“得出结论”，更是在铸造可复用的概念工具。当人类的直觉与机器的严谨握手，数学不一定更容易，却一定更可传承。或许下一次，我们想证明的，不只是某条命题，而是证明本身也可以被精心设计、被反复验证、被共同分享——这大概就是把未知变为可知的最温柔的方式。

难题被秒解，几代数学家的努力白费了？

当一个17岁的高中生在课间“秒解”埃尔德什难题的消息刷屏时，你也许会惊呼：几代数学家的努力是不是白费了？但科学的故事常常是这样——舞台中央的“最后一笔”看似轻巧，背后却是无数人长年累月搭起的脚手架、打磨的工具、和一次次曲折的尝试。所谓“秒解”，更像在火箭点火那刻的耀眼，真正耗时的是此前漫长而精密的造船。这道被解决的是埃尔德什第347号问题，目标是构造一个整数序列：相邻项的比值趋近于2，而且对该序列的任何“余有限子序列”，它们的有限子集和在自然数中具有密度1。直白点说，在受控的增长速度下，还要保证“几乎所有足够大的整数”都能被序列里一些元素相加凑出来。这触及完全序列理论的要害：增长约束与覆盖能力如何同时成立？去年，陶哲轩提出了一个关键思路：把序列切成缓慢增长的区块，区块内部用几何级数组织，再用“进位制”式的调整项在区块之间衔接，既逼近相邻比值2，又让“凑数”足够灵活。这个构想在讨论区挂了三个月，直到高中生 Enrique Barschkis 给出完整实现：第 n 个区块的长度按对数的对数级别增长，区块间通过精细的调整维持整体比值逼近2，同时以“进位调整”机制确保子集和覆盖几乎所有自然数。更难能可贵的是，他把证明在 Lean 中形式化，借助 Aristotle 完成了机器可核验的版本；陶哲轩称赞其处理随 n 缓慢增长参数的技巧，并高兴地看到 Lean 把各种簿记与边界情况“跑通”。随后，Erdős Problems 网站把#347标记为“肯定解决”。这真是“秒解”吗？并不是。它站在数十年文献、既有技术与社区基础设施之上——从完全序列理论的积累，到“区块-进位”这类构造范式的成熟，再到 Lean/mathlib 等形式化生态的厚积。甚至连信息检索的路径也在演变：陶哲轩曾用对话模型搜索线索、对比旧文献的条件差异；Enrique 用 GPT 系列工具润色 LaTeX，与数学家交流打磨细节；最终再由 Aristotle 与 Lean 进行可重复的、机器级别的验证。数学是可验证的形式科学，能被形式化系统“像跑代码一样”验证通过，本身就是前人推进数字化与标准化工作的红利。更广阔的图景里，AI 正在成为“数学推理的加速器”。DeepMind 用 FunSearch、AlphaGeometry 探索程序搜索与几何推理；腾讯把问题拆成“推理者”和“证明者”，在多道 IMO 题上见效；清华团队与 AI 协作完成均匀化理论的长证明；Harmonic 的 Aristotle 独立拿下 Erdős #124 的简化版。陶哲轩有过精辟的判断：当下的 AI 像一位超级图书管理员，善于在被忽略的“长尾黑洞”里捡回低垂果实，先点亮“暗森林”的一角，让人类把精力放在真正硬核的深水区。把“容易、被遗忘、但仍未规范化”的问题系统清理，本身就是对学科秩序的净化和推进。那么，几代人的努力白费了吗？恰恰相反。正因为有几代人的方法论、概念库、定理网络、形式化工具、乃至共享精神，才让今天的“快”成为可能。许多看似偶然的“灵光乍现”，其实是范式成熟后的必然：当语言被标准化、证明被形式化、检索被语义化、验证被自动化，最后一步就会显得异常迅速。这不是否定过去，而是过去的放大器。也许我们更该重写“解决难题”的叙事：从孤峰突起，变成协作生态；从手工锻造，变成人机合奏。未来的前沿将更像一个开放实验室——数学家提出真正重要的问题、发明新概念，AI 扫描长尾与变体、提供候选路径，形式化系统给出即时可复现的裁决。问题的高度仍由人类的品味、直觉与价值判断来定义，而登顶的效率，则由工具与基础设施来提升。当“秒解”的传说再次出现时，不妨想一想：这根本不是时间的戏法，而是知识结构与工具链的升级。当我们把人类的创造力与机器的计算力焊接在一起，数学的边界会像清晨的雾一样不断退去。真正值得追问的，已不再是“是否白费”，而是——在更快的时代，我们愿意把速度用在什么样的问题上。

数学家的“灵感”，AI能学会吗？

如果把“灵光一现”比作夜空中的流星，问题是：机器能否学会造一片足够清澈的天空，让流星更常出现、更容易被捕捉？最近的故事给了直观样本。17 岁的 Enrique Barschkis 在课间完成了对埃尔德什第 347 号问题的完整证明：人类提出构型思路，他将其打磨为可执行的序列构造，再用 AI 工具把证明完全形式化成 Lean 代码，由“裁判”级的定理证明器逐一核验。这里的灵感不再是孤立的火花，而是一条可复现的流水线：检索启发、结构猜想、细节簿记、机器验真，层层推进，直至社区认可。 AI 正在把“灵感”拆解为三件可训练的本领：会找、会联、会证。语义检索与专用模型帮研究者更快撞上关键文献与相似结构；自动推理与模式发现系统能在高维空间里生成新颖候选（有团队与几何与表征理论专家合作，确立了全新定理）；而形式化生态将“看似对”的想法压缩成“机器可跑通”的证明。更有意思的是，新的大模型开始练“自我监督与互审稿”：一端像作者生成证明，另一端像审稿人挑错，配合自奖励训练与回顾式改写，让“灵感”在自我质检中迭代干净。像 LeanAgent、ImProver、StepProof、Herald、SubgoalXL、FormL4 这类工具，正把“会证”变成一种工程能力。当然，边界同样清晰。系统性记录显示，大模型在埃尔德什题库上的真实成功率可能只有百分之一到二；强烈的报告偏差、长期链式推理的脆弱性、以及数学美学与选题判断的缺位，都提醒我们：AI 更像“灵感放大器”，而非“灵感替身”。这也解释了为何要推进数学的数字化与数据基础设施建设，把自然语言的模糊灵感导向可验证的形式世界。那么，AI能学会“灵感”吗？答案是：它正在学会可工程化的那一部分——模式的捕捉、空间的探索、证据的缝合与严密的验真；而问题选择、价值判断与“何时收手”的品味，仍深植于人。也许最好的比喻是：灵感不是神秘的闪电，而是一场可以被训练的天气系统。让机器负责造风、铺云、降雨，我们负责决定要在哪里搭建天文台、向哪颗星许愿。

AI秒解高考压轴题，数学课该教什么？

当手机里的AI把高考压轴题“秒了”，数学课会不会“失业”？恰恰相反，这正是把数学从“算题”解放回“思考”的黄金时刻。你看，17岁高中生 Enrique Barschkis 借助AI把埃尔德什第347号问题攻克了：人类提出方向、设计结构，AI帮助检索、形式化验证，Lean把证明“跑通”——这不是机器替人，而是人机合奏。如果AI能在几秒内算出答案，我们的课堂就该把“答案”让位于“创造答案的能力”。数学教育的重心，正在从手算技巧迁移到四件更有价的事：提出好问题的勇气与方法，建模与抽象的眼光，论证与反例的严密性，对工具与结论的批判性审查。陶哲轩在寻路、AI在搜与证、学生在构思与修正，这种链条，才是未来数学素养的范式。别被“AI无所不能”的幻象迷惑。香港中大的研究者修订了miniF2F测试集后发现，某些模型从“97%理解”变成了“66%真实表现”。这提醒我们：课堂要教的不止是如何用AI，更要教如何不被AI带偏——验证、追问、复现实验、找边界情形，成为每个解答的必备环节。就像 Enrique 的证明被完全形式化一样，学生也可以学会用简化版的形式化工具检查自己的推理，把“我觉得对”升级为“我能证对”。那数学课具体教什么？教“问题的生成”而非只练“题目的完成”。把生活与学科打通：让学生从数据中发现模式，为现实情境搭建简化模型，提出可检验的猜想，再用数理工具与计算实验去证伪。教“结构与表示”：同一问题用几何、代数、函数、程序多重表述，理解迁移的威力。教“证明的叙事”：不仅给出结论，更讲清策略选择、关键台阶与失败尝试，让推理像一篇可复用的“方法剧本”。教“计算与算法素养”：会用CAS、会写小程序模拟、会读AI输出的逻辑链。教“AI素养与伦理”：知道何时该用、怎样复核、如何标注协作边界。评价方式也得升级。把一部分测验变成“AI可用”的开卷型，考察你如何设问、如何指挥工具、如何解释答案的可信度；同时保留“无AI”的限时小测，训练基本敏感度与心算估算力。增加口头答辩、过程档案与同伴评审，给“发现反例、修正模型、比较多解”单独计分。让分数不只奖励终点，更奖励路径。课堂形态可以更大胆。不如把AI“请进来”而不是“挡在外”：用它快速生成例题族，观察参数变化；用它检索已知定理，训练语义比对；用它做形式化微项目，把经典命题写成可验证的脚本。与此同时，设立“无AI探索日”，让学生独立打磨解题直觉与算式感。两条跑道并行，形成真正的“AI+HI（人类智能）”学习闭环。教师角色因此更关键。AI批改可以分担重复劳动，但“读懂学生”依然是人的艺术：从一个错误背后的思维路径，判断误解发生在哪里；从一个奇巧想法里，看见潜在的突破口。好的数学课，是把学生带到前沿的门口，让他们感受到“尚未解决”的真实景观，而不是只在熟路上反复奔跑。至于基础是否还要练？要，但目的变了。计算与符号操控是通往结构洞察的阶梯，不是终点。我们练习，是为了在需要时看出数量级是否荒谬、极端情形是否自洽、一个式子是否暗含单调或凸性。基础服务于理解，而非绑架理解。最终，AI像望远镜，放大了人的眼界，却不会替你决定看哪片星空。数学课要让学生学会选择目标、组织证据、建立标准、承受不确定。等到“压轴题”都能被AI按下快门，我们更该去发明新的“压轴”：那些没有标准答案、需要长程推理与跨学科协作的问题。也许有一天，学生会像 Enrique 一样，在课间把一个大胆的想法变成可验证的定理。而那时，数学课真正教会他们的，是如何与未知打交道的勇气与方法。

未来菲尔兹奖会颁给AI吗？

想象一块粉笔写满的黑板，旁边是嗡嗡作响的显卡风扇。17 岁的 Enrique 在课间完成一项业界争论了数十年的埃尔德什难题，证明被 Lean 严丝合缝地核验，连顶尖大牛都连连点赞。问题自然冒出来——既然“黑板 + 硅片”的组合能攻克前沿，未来的菲尔兹奖，会不会干脆颁给 AI？按现在的制度，答案是否定的。菲尔兹奖颁给“未满 40 岁的数学家”，强调个人的洞见、创造与学术领导力，要求可担责的作者与可交流的思想。AI 模型既不是自然人，也不承担学术责任，奖项框架没有给“系统”留位置。从学术规范看，多数学术期刊也不接受把 AI 列为作者，理由同样是责任与可追问性。但这并不意味着“AI 时代的菲尔兹奖”遥不可及。更可能的图景，是获奖的人类数学家深度利用 AI。你已经看到范式雏形：有人用大模型做语义检索、梳理论文脉络；用专用代理把草稿转成 Lean，交给形式化内核做严格核验；像 Enrique 那样，把人类的结构构造与机器的簿记校对结合，最终由共同体认可。计算机辅助证明早已被历史接纳——今天的不同，是AI把“寻找思路、做猜想、改写证明、全栈形式化”串成了可复用的工作流。会不会出现“给造工具的人颁奖”？完全可能，而且已有邻近先例。面向信息科学方向的国际大奖，常常表彰算法与理论工具对学科的根本推动。若某个团队打造的自动推理系统，不只是“快”，而是揭示了全新结构、催生了新理论、让整块领域发生迁移，那么把桂冠戴在人类创造者头上，与菲尔兹对“方法论突破”的偏好并不冲突。那AI本体有无机会“摘牌”？除非规则改变，把“可担责的学术主体”扩展到非人实体，并解决署名、责任、答辩、优先权与可解释性的整个链条。短期看，这既缺共识，也缺现实动机。更务实的走向，是建立人机协作的信用规范：明确披露模型与数据、开放形式化脚本、提供可复现实验与独立核验；用严苛的形式化与社区验证，避免“数据伪影”与重复发现的幻觉。只有在可追溯、可重现、可解释的轨道上，AI 的贡献才便于积累为公共知识。 AI 会怎样改变菲尔兹奖的“选题气候”？一些迹象已经出现：自动化与形式化让超大规模簿记和边界情形不再“劝退”；语义检索与合成推理激活了跨领域连接；证明助手的门槛被语言模型降低，更多人可以直接用“数学家语言”与内核交互。有人担忧这会改写“何为重要”，也有人兴奋地把它视作“新显微镜与新望远镜”——能看到以往看不见的结构。奖项会随之调整口味，但核心仍是：新概念、新方法、新结构。可以做一个时间想象。未来十年，我们或许会看到这样的获奖故事：得奖者在人机共创的工作流中提出关键构造、把握全局难点、完成决定性的概念跳跃；证明经由 Lean 级别的全面核验，工具与代码公开，社区快速跟进与扩展。再往后，面向“数学自动化”的专项大奖、协作贡献的集体荣誉、对基础工具的长期表彰，都会更常见，但桂冠依旧落在人类的责任与洞见之上。回到那块黑板与那台显卡。真正被嘉奖的，从来不是粉笔，也不是风扇，而是指挥它们奏出新乐章的心智。AI 不会替代好奇心，也替代不了“把混沌揉成结构”的勇气。也许若干年后，我们记住的不是“AI 拿了奖”，而是：在与机器的对话中，人类把数学这门关于无限可能性的艺术，拉开了新的乐章。你若热爱这门艺术，现在正是拿起新乐器、写下自己动机的好时候。

新知 - 大圆镜｜17岁少年AI破解40年数学难题，新研究范式诞生？

对抗知识焦虑，从看懂这条开始

App 下载

教室里的“心灵捕手”

如果说数学研究是一座孤高的山峰，那么攀登者往往是那些皓首穷经的学者。但就在2026年1月，一幅颠覆性的画面出现了：17岁的高中生恩里克·巴尔什基斯（Enrique Barschkis），在课间休息的碎片时间里，攻克了一个困扰数学界长达46年的难题——埃尔德什第347号问题。这并非电影《心灵捕手》中的虚构情节，而是一场正在真实上演的、由人工智能驱动的科研范式革命。这一成就迅速在社交网络上引爆，连谷歌首席科学家杰夫·迪恩（Jeff Dean）和菲尔兹奖得主陶哲轩都为之赞叹，它所揭示的，远不止一位天才少年的灵光乍现。

一场跨越代际的线上接力

故事始于一个线上数学论坛。几个月前，当代最杰出的数学家之一陶哲轩，在使用ChatGPT进行文献检索时，对埃尔德什第347号问题提出了一个巧妙的构造思路。这个问题由传奇数学家保罗·埃尔德什在1980年提出，它要求构造一个特殊的整数序列，其子集的和几乎能“拼”出所有自然数，同时序列的增长速度又受到严格限制。这是一个关于数论理论核心的硬骨头。

陶哲轩的想法如同一张蓝图，描绘了通往答案的可能路径，但具体的施工细节和严谨的逻辑验证仍悬而未决。这张蓝图在论坛上静静地等待了三个月，直到巴尔什基斯出现。这位高中生在陶哲轩的思路基础上，利用AI工具辅助，成功构造出了满足所有苛刻条件的序列，并借助名为“亚里士多德”（Aristotle）的AI工具，将整个证明过程转化为计算机可以严格验证的Lean语言代码。这相当于不仅画出了完整的施工图，还用机器建造并验收了整座大厦，确保其毫厘不差。

当陶哲轩看到这份完整的证明时，他赞叹道：“干得漂亮！”并敏锐地询问少年是否在非形式化证明中也使用了AI。巴尔什基斯的坦诚回答，以及他与另一位数学家巴托斯·纳斯克雷茨基（Bartosz Naskręcki）的互动，共同描绘了一幅新时代数学研究的协作图景：人类的顶尖智慧提出方向，年轻一代在AI的辅助下快速迭代、验证和实现，跨越了地域、年龄和经验的鸿沟。

从“超级校对员”到“灵感合伙人”

计算机辅助数学研究并非新鲜事。早在1976年，数学家们就借助计算机的蛮力计算，完成了著名的“四色定理”证明。但那时的计算机更像一个任劳任怨的“超级校对员”，负责执行人类设计的、繁琐到无法手动完成的验证任务。其证明因无法被人类完整审阅，一度引发巨大争议。

而今天，AI的角色已经发生了质变。它不再仅仅是验证者，更演变成了研究者的“灵感合伙人”与“发现助手”。

模式发现者：DeepMind的AI在分析海量纽结理论数据时，发现了人类数学家未曾注意到的代数与几何不变量之间的深刻联系，直接催生了新的数学定理。
反例构造者：Meta的PatternBoost AI系统通过复杂的搜索，成功构造出一个反例，推翻了一个悬而未决30年的数学猜想。
最优解探索者：DeepMind的FunSearch框架，利用大语言模型生成代码来解决组合问题，在著名的“帽子集合问题”（Cap set problem）上，发现了超越人类已知最优解的新方案。

从“四色定理”到巴尔什基斯的突破，我们看到了一条清晰的技术演进路线：AI正从一个被动执行的计算工具，进化为一个能够主动探索、发现规律、甚至提供创造性见解的智能伙伴。

新范式：人类直觉与机器智能的“二重奏”

巴尔什基斯的成功，完美诠释了正在形成的数学研究新范式——人类的宏大构想与机器的精深计算相结合。在这场“二重奏”中，人类与AI各司其职，又相互增益。

人类的角色：提出深刻的洞见、定义问题的方向、把握研究的宏观策略。正如陶哲轩提出构造思路，这需要深厚的数学直觉和对问题本质的理解，这是目前AI所不具备的“数学嗅觉”。
AI的角色：
- 文献检索与知识整合：快速扫描海量文献，为研究者提供相关背景和已有成果。
- 形式化验证：将模糊的自然语言证明转化为无懈可击的机器语言，确保逻辑的绝对严谨，如Lean等工具的应用。
- 探索与启发：在巨大的可能性空间中进行搜索，发现人类思维难以触及的模式或构造，为研究提供新的思路。

陶哲轩本人也坦言，他现在正越来越多地将AI作为“副驾驶”，处理繁琐的计算和验证工作。他预测，当使用Lean等工具形式化证明的速度超过手写时，数学研究将迎来一个“相变点”。未来的数学家，或许将直接在与AI的对话中完成论文的撰写和证明。

风险与反思：我们正在“认知外包”吗？

这场深刻的变革也带来了隐忧。当AI能够处理越来越多的“烧脑”环节时，人类是否会陷入“认知外包”的陷阱，逐渐丧失批判性思维和独立解决问题的能力？

研究已经警示，过度依赖AI可能导致认知能力下降。更令人担忧的是，AI的“黑箱”特性和潜在的“幻觉”（即一本正经地编造事实），可能引入难以察觉的错误。曾有顶尖科研团队的AI智能体，因依赖有偏见的训练数据，差点闹出一场学术乌龙。这提醒我们，在拥抱AI带来的效率提升时，必须保持人类的最终判断力和审查权。

此外，AI目前仍擅长在既定框架内解决问题，但提出像“朗兰兹纲领”那样开创一个时代的宏大理论，仍是人类智慧的专属领域。数学的进步，终究依赖于创造性的想象力，而非单纯的逻辑推演。

结语：走向星辰大海的“人机半人马”

巴尔什基斯的故事，不是一个“机器战胜人类”的警示，而是一个“人机协作，共同进化”的序章。它标志着一个新时代的到来：一个17岁的少年，可以站在巨人的肩膀上，借助AI这架望远镜，望向更遥远的数学星空。

未来，最顶尖的数学家或许不再是孤身一人的思考者，而是一个善于驾驭AI的“人机半人马”。他们将人类的直觉、创造力与AI强大的计算力、记忆力完美结合，共同探索知识的无人区。这不仅将深刻改变数学，也将重塑整个科学发现的版图，加速人类文明迈向下一个智慧纪元。