AI时代数学发展范式的根本转折：从猜想驱动回归现实本源

孙博华 （2026-10-12）

***************************************

沁园春・数苑问秋

数园秋深，风卷旧文，前路茫茫。

忆希公提笔，列出廿三；百年求索，共寻远方。

智能入微，解开猜想，往日疑云渐明朗。

沉舟在，看千帆破浪，大水汤汤。

休叹老树残冈，根脉里、慢慢万木昌。

从世间实事，提炼新理；现实难题，再拓新荒。

书桌重开，思考不息，不靠空想启学堂。

抬眼望，有寒枝迎冷，一朵初黄。

******************************************

1 希尔伯特范式的确立与历史价值：猜想驱动的黄金百年

现代数学的百年发展，始终遵循一套固定的学术范式：由学者提出未解命题，学界集中攻坚证明，以猜想的破解作为学科突破、智力进阶、学术评级的核心标准。这一范式的正式确立，始于1900年巴黎国际数学家大会。大卫·希尔伯特提出著名的二十三个数学问题，为二十世纪数学划定了研究主线，从此开启了以猜想为核心驱动力的百年数学发展模式。

这套范式的诞生有其深刻历史必然性。19世纪末，数学已发展为一个庞大而分散的体系，亟需统一的问题框架来凝聚研究力量。希尔伯特敏锐地把握了这一需求，其23个问题涵盖了数学基础、数论、代数、几何、分析等多个领域，成为“继往开来”的文献——既总结了19世纪几乎所有未解决的重要问题，又为20世纪数学进步指明了方向。这些问题迅速成为学术评价的黄金标准，解决其中任何一个都足以奠定数学家的国际声誉。

猜想驱动范式的核心特征在于其强大的“目标聚焦”能力。它将数学家的注意力集中于高度抽象、逻辑自洽的封闭体系内，以命题证明为终极目标。这种模式确实带来了数学的空前繁荣：哥德巴赫猜想、黎曼猜想、孪生素数猜想、纳维–斯托克斯方程问题等无数经典命题，成为检验人类智力极限、推动学科细分迭代、塑造数学分支格局的核心载体。每一次重大突破，几乎都围绕经典猜想的破解展开，并伴随新方法、新工具、新理论的诞生，成为人类理性思维进阶的重要标志。

然而，这种范式的内在局限也随之显现。它鼓励数学家在公理体系内“自我指涉”，追求“内部自洽”与“结构审美”，却逐渐脱离了数学发展的源头活水——现实世界。数学家们不再像牛顿、欧拉那样从自然现象和工程实践中提炼问题，而是在既有框架内制造命题、证明命题、循环迭代，导致学科高度细分，学者深耕狭窄领域，陷入“内卷化”的困境。

2 AI终结纯猜想竞赛：机器证明与范式危机

进入人工智能时代，这套延续百年的数学发展范式，正快速走向边界与尽头。当下超级人工智能的推理、演算、逻辑拆解与形式化证明能力，已实现跨越式突破，正在批量、高效地解决人类遗留的各类未解猜想。

2.1 AI在数学证明中的突破性进展

2026年成为AI数学研究的标志性年份。Google DeepMind发布的AlphaProof Nexus系统在353道已形式化的Erdős问题中一举攻克9道，其中最古老的悬置了整整56年。该系统采用四层架构（从基础版Agent到完整版Agent D），融合了Gemini 3.1 Pro的证明草稿生成、AlphaProof的强化学习树搜索、进化算法的种群优化以及Lean编译器的形式化验证，形成了“AI提出证明草稿 → Lean编译器验证 → 失败则反馈错误信息 → AI修正 → 再验证”的高效工作流。其解决Erdős #125的证明核心是一个归纳稀疏化论证，巧妙利用了3^m和4^k的丢番图逼近性质，展现了人类难以企及的结构洞察。

同样在2026年，OpenAI系统在匈牙利数学家保罗·埃尔德什提出的“平面单位距离问题”中，设计出一种新的点集构造方法，在相同规模约束下得到更多单位距离对，突破了长期以来基于规则几何结构的经验性直觉。更引人注目的是，一位年仅23岁、没有接受过正规数学训练的英国业余数学爱好者利亚姆·普莱斯，在大语言模型ChatGPT的帮助下，破解了一个困扰世界顶尖数学家60年的难题——埃尔德什第1196号问题。

2.2 AI证明的验证与局限

值得注意的是，AI生成的数学证明面临着验证难题。目前的大语言模型并不是像人类一样真正“理解”数学，而是通过学习大量数学文本，逐渐掌握数学推理中的表述与结构模式。人类数学家通常会优先选择“看起来合理”的结构，例如规则、对称、简洁的方案，但AI没有这种“审美习惯”，它可以不断尝试大量复杂甚至“不好看”的排列方式，因此有时反而能发现人类长期忽略的结构。

为了应对这一挑战，形式化验证系统成为关键。Lean作为一种开源的形式化编程语言，提供了一条更可靠的验证路径——当数学证明被翻译成Lean后，研究人员可用计算机自动验证其逻辑的正确性。谷歌旗下“深度思维”公司开发的AlphaProof系统则更进一步，它不再需要“先写自然语言证明、再翻译成形式化语言”，而是尝试直接生成形式化验证的证明。这种“可验证性”为AI在数学研究中的可靠性提供了保障，但也揭示了当前形式的局限——目前能被形式化的数学范围仍然十分有限，绝大多数数学问题还是要用自然语言。

2.3 范式危机：人类角色的重新定位

AI的这些成就正在引发数学社区的深刻反思。当AI能够自己发现问题、建立联系甚至提出原创证明时，数学家的位置在哪里？OpenAI对新公布的结果作出了一个精辟的概括：这一成果之所以重要，并不因为它仅仅“解决了一个具体猜想”，而在于它揭示了代数数论与离散几何之间意想不到的联系，可能为数学家提供一个此前不存在的“桥梁”，让他们得以去探索更多相关问题。

这标志着AI正在从“助手”向“协作者”转变。菲尔兹奖得主陶哲轩指出，AI加速的是证明的生产，而证明的核验、讲解与消化仍是人类瓶颈。一个没有任何人类能恰当解释的证明，即使通过了形式化验证，也应视为未完成。知识的规范化——判断哪个证明值得进入教科书、如何把它安放进已有理论——被陶哲轩称为“最不适合用AI优化、也最有价值”的环节，这一段今天仍完全属于人类。

因此，AI并非简单地替代人类，而是重新定义了数学研究的价值分配。机器擅长的，正是现有体系内的逻辑推演、命题证明、复杂验算、细节补全；而人类独有的、AI暂时无法替代的核心能力，是洞察现实、发现问题、提炼命题、构建框架、跨界融通的原创性思维。

3 回归现实源头：数学发展的古典动力与历史启示

当所有存量猜想被AI穷尽之后，数学的核心驱动力是什么？当机器可以替代人类完成所有逻辑证明，人类数学研究的价值与方向何在？答案，藏在十九世纪及更早的数学传统之中。

3.1 历史上的数学物理学传统

在希尔伯特范式主导的二十世纪之前，人类并无专门的“纯猜想攻坚”模式。彼时的顶尖学者，并非脱离现实的纯粹数学家，而是数学、物理、工程融通的百科全书式全才、数学物理学家。牛顿、欧拉、拉格朗日、高斯、黎曼、麦克斯韦等划时代学者，其所有数学创造，从来不是为了完成抽象命题的逻辑游戏，而是从自然现象、物理规律、工程实践、现实问题中提炼数学问题，再通过构建全新数学理论、发明全新数学工具，解决真实世界的核心难题。

早期数学的所有重大突破，全部源于现实需求的倒逼：微积分诞生于力学运动的求解需求，微分几何源于空间结构与天体物理的探索，偏微分方程源于流体、热传导、电磁场的规律研究，拓扑学源于物质结构与空间变换的现实问题。正如冯·卡门在1943年创办《应用数学季刊》时所指出的：“许多重大的数学发现是在了解自然规律的迫切要求下应运而生的，许多数学方法是由主要对实际应用感兴趣的人创立的。”

这种发展逻辑可以概括为：现实存在难题→现有数学工具失效→提炼全新数理问题→构建原创理论体系→反哺自然科学与工程实践。数学是解释世界、改造世界的工具，是自然科学的语言，而非独立封闭、自我循环的逻辑游戏。

3.2 数学动力的双重结构与历史偏差

毛林繁提出的“数学发展动力二分法”揭示了这一问题的深层结构：数学发展的动力有两个，一是解决数学内部的矛盾与公开问题，属于数学系统的自我完善；二是为人类认知自然的需要，这是数学原创的根本动力。这一观点在数学哲学界有深厚根基，但过度侧重“内部完善”容易陷入“解题”内卷，未必能直接催生最伟大的原创。

历史上，中国数学家有深刻体现这一辩证关系的典范。谷超豪院士的学术重点曾历经几次转向：从早期跟随苏步青专攻微分几何，到留苏归国后转向偏微分方程，之后又一头扎进数学物理的前沿，与杨振宁就规范场理论的数学结构开展合作研究。他每一次调整研究方向，都是为了国家的科技发展需要。当他发现与高速飞行器设计相关的数学理论研究是尖端技术的迫切需要时，毅然决然地把研究方向转向了公认为难题的拟线性双曲型方程组和混合型偏微分方程。这种“国家需要是第一位的”的学术追求，体现了数学家从现实需求中提炼问题的自觉。

同样，冯·卡门在1943年创办《应用数学季刊》时，通过数学家与工程师的对话，阐释了数学与应用科学间的关系。他指出：“十八世纪和十九世纪的前几十年也许是数学科学突飞猛进的黄金时代，那时，纯粹数学与应用数学之间并没有明确的界限。大师们把逻辑思维和直观创造力结合起来，创立了一系列方法和定理；大功告成之后，进行抽象思维的数学家着手致力于弥补逻辑推理方面的某些不足之处，把前一时期大师们的丰硕成果加以编纂，使之系统化。”

4 未来数学的核心转向：从封闭体系到现实融合

AI时代的到来，彻底终结了内卷化的研究范式。数学发展必将迎来百年未有之范式转折：延续百年的“猜想驱动、纯理攻坚、自我迭代”模式，将退居次要位置，成为数学研究的辅助分支；而从现实世界、物理系统、工程技术、自然规律中提炼全新数学问题、构建原创数理理论的古典范式，将重新成为未来数学发展的核心主流。

4.1 AI驱动的数学研究新范式

AI不仅解决了存量问题，还正在创造新的研究范式。它通过高维模式发现、跨领域关联挖掘和可视化引导直觉，在拓扑学、数论等领域提出了一系列新猜想。例如，在拓扑学领域，AI通过分析数百万个流形实例的计算数据，识别人类难以直观感知的拓扑“特征模式”，并提出关于这些模式普遍性的猜想。在数论领域，AI从海量的L-函数数值数据中，识别出代数结构与分析性质之间的隐式对应关系，提出了关于其分布与特定自守形式傅里叶系数之间函数方程的新猜想。

这表明，未来的数学研究将呈现人机协作的新特征：数学发现的主体正在从个体数学家转变为人-AI协作网络。不同数学家的直觉与不同AI模型的特长相结合，形成“分布式数学直觉网络”；AI作为“数学翻译器”，能够将代数几何的语言自动转化为拓扑学的表述，或将解析证明的思路转化为范畴论的框架，极大地促进了交叉领域的突破。

4.2 现实需求驱动的全新问题域

未来的顶级数学创新，不再是证明前人留下的旧猜想，而是直面人类科技前沿的全新难题：可控核聚变的磁流体拓扑规律、复杂非线性系统的演化机制、高维物理空间的数理结构、极端工况下的方程体系、复杂系统的不确定性规律。这些源于真实科技需求、自然规律、工程实践的全新问题，没有现成命题，没有固有框架，无法依靠AI单纯逻辑推演完成，只能依靠人类的跨界洞察、数理融通能力，提炼全新问题、建立全新理论、发明全新数学工具。

具体而言，这些领域包括：

拓扑量子场论与拓扑量子计算：研究拓扑量子场论的数学结构及其在量子计算中的应用，如任意子的统计性质、拓扑量子纠错码的数学基础等。

深度学习与神经网络数学理论：建立深度神经网络的数学理论，包括深度神经流形分类猜想、持续性同调的一般稳定性定理等。

复杂系统与生命科学：研究生物复杂系统、生态系统、社会系统的数学模型，如生物网络动力学、生态系统稳定性、社会系统演化等。

高维数据与几何分析：研究高维数据的几何结构、统计分析、降维方法，如高维流形学习、持续同调、拓扑数据分析等。

4.3 数理融通的全才研究模式

这意味着，未来的优秀研究者，必须回归数理融通、知行合一的全才模式，不再是深耕单一细分领域的纯理论数学家，而是贯通数学、物理、工程、自然科学的复合型研究者。数学的价值，不再体现为破解抽象难题的智力游戏，而是体现为服务科技突破、解释自然规律、支撑人类文明进步的底层基础。

历史上，应用数学家往往更能适应这种模式。他们不仅掌握深厚的数学理论，还了解其他学科的深层需求，能够从现实问题中提炼数学结构。例如，清华大学杨顶辉教授指出：“数学的一个真正出路在于和其他学科的交叉，用数学去真正解决其他学科里面存在的实际问题。”他建议：“对于那些对理论数学非常有兴趣、自身又很有天赋和毅力的数学工作者，应该鼓励他们继续钻研理论数学或基础数学。而对于其他大部分数学工作者，杨教授则建议他们‘转行’去搞应用数学或者去和其他学科进行交叉。”

这种模式要求研究者具备数学建模、计算方法和计算机技术三方面的知识，能够将现实问题转化为数学模型，设计高效算法，并进行数值模拟与理论分析。这种能力结构，使得数学家能够成为连接抽象理论与现实世界的桥梁。

5 结语：范式转移的历史必然与数学的未来

百年希尔伯特范式，完成了它的历史使命，极大淬炼了人类的逻辑思维能力，完善了现有数学体系的细节框架。但在超级智能崛起的新时代，封闭、内卷、后置的猜想攻坚模式已然过时。数学的未来，不在于穷尽旧的猜想，而在于发现新的问题；不在于完善旧的逻辑，而在于构建新的体系。

从“证明已有猜想”到“创造全新问题”，从“封闭纯理迭代”到“现实源头创新”，从“细分专精内卷”到“数理融通创造”，这是AI时代数学发展不可逆转的根本范式变革。唯有回归现实本源、扎根自然规律、贯通数理工程，数学才能跳出机器替代的困境，重启颠覆性、源头性、永续性的创新动力，持续为人类科技文明的进阶提供最核心、最底层的智力支撑。

正如陶哲轩所言：“AI自主作出与最伟大数学家比肩甚至超越他们的贡献只是时间问题。他期待到2030年，AI和数学家或许能够共同获得菲尔兹奖。”但在那一天到来之前，与AI的有效协作以及对自身角色的清晰认识，或许是数学研究中愈加重要的能力。这不仅是数学的转折，更是人类理性思维的新篇章——从证明世界的完美，到发现世界的未知，再到创造未来的可能。

支持单位：