复盘 AI 四大「科学突破」:S6 复结构、单位距离、蛋白质设计、金星地图, 到底怎么干的

最近一个月，AI 接连在数学、生命科学、行星科学上「搞事」：终结 78 年数学悬案、推翻 80 年猜想、把蛋白质命中率拉高 5 倍、让 30 年前的老数据重获新生。

很多人只看到「AI 又破纪录了」这个结果，却没人拆开看：它到底是怎么干的？有没有一套通用打法，能被我们抄过去？

我批量复盘了这四大突破案例，按「方法 + 共性 + 避坑」三个维度拆干净，提炼出一套可以直接照搬的「AI 科学突破」底层逻辑。

img

一、先看复盘样本：这四大突破，分别发生了什么

先把四个案例摆清楚，标注各自的关键动作和数据，才有资格谈共性。

复盘维度就三个：① AI 做了什么动作；② 用了什么方法；③ 有没有验证兜底。

下面逐个拆，再合并出共性。

二、逐个复盘：四个案例，AI 到底「怎么干」

案例一：S⁶ 复结构——不是「证明」，是「构造」

78 年没人能证明六维球面 S⁶ 上到底有没有复结构。哈佛的 Alpöge 和 Claude 三天拿下，答案「有」。

关键点：它没走「逻辑证明」的老路，而是直接构造，分三步硬造出一个紧致复三维流形 X：

1. 1.

   打底座——用 (3,4,∞) 三角群折叠上半平面，折出球面，钉上 3 个特殊点；

2. 2.

   挂环面——除 3 个特殊点外，每点挂一个复 2-环面「纤维」，球面被捅出 3 个窟窿；

3. 3.

   填窟窿——三个洞各用一种经典填充法填平，对象 X 就此诞生。

一句话：AI 的价值不在「搜出答案」，而在「造出原来不存在的对象」。

案例二：单位距离猜想——跨领域「降维打击」

平面上 n 个点最多多少对距离恰好为 1？这道 1946 年 Erdős 留下的初等几何题，80 年没解。

OpenAI 内部模型推翻了流传 80 年的猜想（$n^{1+o(1)}$ 上限），构造出 $n^{1+\delta}$ 的新下界（$\delta=0.014$）。

最反直觉的一点：它没用几何工具，而是搬来代数数论（无限阶级域塔、Golod–Shafarevich 理论）解决几何问题。用高阶数学「降维打击」初等难题，这是 AI 的招牌打法。

案例三：蛋白质设计——把「命中率」拉高 5 倍

Fable 5.1 在蛋白质设计上，亲和力提升 10 倍，12 个靶点命中率约 50%——而行业典型只有 10–15%。

三个验证靶点：EGFR（抗癌）、Nipah G（尼帕病毒）、15-PGDH。这不是纸上谈兵，是真刀真枪能落地的分子设计能力。

案例四：金星地图重绘——30 年老数据的「二次开采」

NASA 麦哲伦号（Magellan）的雷达数据躺了 30 年。Fable 5.1 把它重绘一遍，分辨率从 10–20km 提到 2–3km，精度 +25%，覆盖 1/3 金星，还 CC 协议开源。

一句话：AI 不只能搞新数据，更擅长把「已经折旧的历史数据」重新挖出价值。

三、合并共性：四大突破背后，藏着同一条公式

把四个案例叠起来看，AI 干的事高度一致。我提炼出三个共性成功因子：

1. 1.

   都是「构造」，不是「检索」——S⁶ 造对象、单位距离构造配置、蛋白质设计分子、金星重绘地图。AI 的杀手锏是「生成式创造」，不是「更快地查资料」；

2. 2.

   都敢跨领域迁移方法——用代数数论解几何、用 AI 跨界生命科学。突破往往发生在「学科交界处」；

3. 3.

   都有验证兜底——数学靠 Lean 形式化 / 外部审阅，蛋白质靠实验命中率。没有兜底的突破，都是耍流氓。

四、避坑清单：别再用「刷题思维」看 AI 科研

复盘里也暴露出大部分人的认知误区，我做了「正确做法 VS 错误示范」双向对照：

最该改掉的一个惯性：把 AI 当「搜索引擎」，而不是当「创造引擎」。

最后，收个口：一条可直接套用的公式

四大突破，本质上是同一套打法在四个领域的复刻。我把它们压成一句话：

AI 科学突破 = 老难题/老数据 ＋ 构造式方法 ＋ 跨领域迁移 ＋ 验证兜底

记住这四点，你就等于摸到了 AI 做科研的底层开关——不管是看懂别人的突破，还是自己上手做，都不会再被「AI 破纪录」这类新闻晃花眼。

需要我把这四大案例的**完整复盘方法论 SOP（含模板和核查清单）**整理出来吗？评论区回复「复盘」，一键领取。

本公众号聚焦AI for Science科学智能领域，持续追踪第五科研范式全球前沿动态。深度解读行业资讯、拆解落地案例，开展工具评测，输出可复用的工程实操指南。摒弃空洞概念，不堆砌虚浮理论，只分享一线硬核干货。欢迎关注+收藏，持续获取AI赋能科研的实践内容，做科研创新路上深耕技术的同行人。