AI不只会解题,开始出题了:453份手稿、2312页,它推翻了一篇论文里的猜想

📋 摘要

AI做数学，你可能已经见过不少：解竞赛题、补证明的漏洞、把一个定理拆成几步推导。这类工作有共同点，题目已经在那儿了，AI只是把它做完。而AI Has Taste盯的正是前面那一段——题目本身还没有。

白话解释一下『猜想』：它是一个看起来成立、但还没被证明的数学命题。举个例子，『所有大于2的偶数都能写成两个质数之和』这种话就是猜想，读起来顺，但至今没人证明过。提出一个猜想和证明一个猜想，是两种完全不同的本事。

说白了，出题比答题更考验判断力。答题有标准答案兜底，出题要面对的是『这个方向值不值得花三个月』这种没人能拍胸脯的问题。

想象一家编辑部开选题会。主编定方向——这一期聊什么、什么算好稿子；助理负责翻资料、列十个可以做的角度、把明显跑不通的先划掉。这个项目给自己定的分工，差不多就是这样。

按项目公开的定位，人负责目标、价值判断与最终责任；AI承担大规模搜索、验证、失败管理和候选研究方向生成；形式化工具与公开证据负责让结果可以被复核，而不是仅凭一个分数就宣称有所发现。

你可能会想：这跟我做产品和运营有什么关系？关系在分工逻辑上。你把『谁定目标、谁扫候选、谁留证据』写清楚，很多AI项目的问题就解决了一半。反过来，让模型既出方案又给自己打分，等于没有复核。

按项目自己的说法，这条链路可以拆成四段：先由人定目标与价值标准，再由AI做大规模搜索与候选方向生成，接着用形式化工具把候选写成能被机器检查的命题，并且把结论、推导和失败记录一起放进公开仓库。前一段不给后一段兜底，任何一段塌了，后面都白跑。

这里要解释一个词：形式化工具，就是把数学命题和证明写成计算机能逐行检查的代码。它的好处是检查结果不依赖人情和印象——机器说这一步不成立，就是不成立，你没法用『我觉得差不多』糊过去。

但问题来了：能被机器检查的，往往只是命题的一部分。数学里大量判断依赖『这个方向有意思』『这个类比也许能推广』，这类东西写不进检查器。所以这套链路能保证的是可复核，不是正确，更不是重要。

项目公开仓库目前记录453份数学研究手稿、2312页内容，其中6篇被明确归类为AI提出的猜想。在一次测试中，AI把一篇论文里的猜想推翻了，原作者回信确认。这是目前最硬的一手信号。

口径要讲清楚：以上数字来自项目公开仓库与媒体报道，不是同行评审论文中的实验数据。453份手稿记录的是产出体量，不等于453项发现；6篇的分类来自项目自己的标注规则，换一套标准去数，结果可能不一样。

你可能会问：原作者回信确认，不就等于数学界认可了吗？不等于。一封回信说明这位作者认为推翻成立，但一个案例无法告诉我们这套方法在多少比例的问题上会失手。项目也没有公开错误率和全量复现数据，所以现在的判断只能停在『值得观察』。

下面是可迁移的模板，不是项目原文，你可以按自己的场景改：输入是一个明确的研究问题，加一批可检索的已有文献或数据；中间产物是十到二十个候选方向，每个都附一句『什么情况下它会被推翻』；过滤环节把写不成可检查形式的候选先剔掉；输出是一份带失败记录的候选清单，每条都能追到具体推导或数据。

期望结果长这样：清单里过半候选带着明确的证伪条件，并且换一个同事按你的记录重跑，能得到接近的候选集合。如果重跑结果对不上，问题通常不在模型，在你记录信息的方式。

验证分两层。第一层是自检：同一批输入隔一天重跑，候选集合稳不稳定。第二层是对外：把清单拿给领域内的人看，问一句『这里面哪几条你一眼就知道不行』——能迅速指出不行的，恰好是你最需要的反馈。

验收标准可以压成三条：这条命题能不能被证伪；这个过程换个人重跑能不能复现；有没有第三方或原作者做过独立确认。三条里缺一条，就先别把它当成果往外讲。

失败边界更值得盯着。把生成量当成绩，是最常见的翻车方式——453份手稿听着多，但能被独立验证的部分才是硬通货。把这套项目自述直接当成同行评审结论，是第二种。第三种是拿单点确认去推概率。项目目前也没有公开错误率与全量复现数据，所以有一个判断只能算推断：它在生成候选这件事上看起来跑通了，筛选出真正重要的问题这一关，证据还不够。

对做产品和管理的人来说，这件事的可迁移价值不在数学。它会先出现在那些候选很多、验证很贵的地方：分子筛选、材料配方、策略测试。谁能把生成和复核拆成两条彼此独立的流水线，谁就能少交学费。

🔬 RESEARCH · 结论与边界

如果今天只做一件事：挑一个你最近让AI产出的方案，写下一句『什么情况下它会被推翻』。写不出来的，先别急着上会。这类流程真正难的地方不在模型选型，而在你有没有一套愿意长期维护的复核记录——自己摸一遍能省下一次试错的钱，但把失败记录、复算规则和对外确认这三件事同时做扎实，通常需要有人在旁边提醒你哪些坑已经踩过。