AI攻克数学难题引发原创性争议，腾讯研究员详解人机协同新范式

【科技纵览】近期，人工智能在基础科学领域的密集突破，正以前所未有的速度重塑学界认知。7月底，腾讯混元科研智能体Hyra依托Hy3大模型，仅耗时24小时便破解了加法组合学中一道悬置五十余年的和差集公开难题，将最优指数推至理论极限值2。紧接着在8月初，OpenAI亦披露其测试模型已解决或推动解决了横跨高维几何、编码理论及群论等领域的10道长期未解数学题。从单纯的辅助计算工具，到能够独立提出构造方案，AI在科研链条中的角色演变引发了广泛讨论：这些成果究竟算不算真正的原创发现？科研智能体的能力边界何在？基础研究又该如何构建人与AI协同的新范式？针对这些疑问，记者专访了腾讯混元算法研究员林𬀩。

面对“AI解题是原创发现还是强大检索能力的体现”这一核心质疑，林𬀩指出，新一代科研智能体已逼近真正意义上的原创发现。他解释道，腾讯混元此次攻克难题的过程，并非简单调用既有知识，也不依赖大规模文献检索或预设搜索空间，而是模拟人类数学家的研究路径：提出猜想、尝试不同路径、分析失败原因、总结中间结论，并据此动态调整方向。“整个解题过程更像一个由多位AI数学家组成的虚拟实验室。”林𬀩描述称，多个智能体分别开展独立探索，定期交流思路、反例及阶段性结果，通过相互启发、修正与收敛，最终形成完整的证明框架。值得注意的是，这一过程主要基于自然语言完成，所有分析、推理及讨论记录均可读、可检查。在林𬀩看来，这展现的不仅是验证已有答案的能力，更是生成新猜想、发现关键结构并建立论证路径的能力。相较于早期如AlphaGeometry等依赖形式化建模、专用搜索算法及海量计算的AI系统，随着大模型长程推理、智能体协作及持续工作能力的提升，AI解决科研问题的方式正日益接近人类研究者。“未来判断AI是否实现原创发现，关键不在于它是否使用了检索或计算，而在于它是否提出了此前未知的有效思想，是否发现了新的结构与方法，以及这些结果是否能够经受独立验证。”林𬀩强调。

AI在数学领域的亮眼表现，也让“AI是否会取代科学家”的讨论再度升温。林𬀩认为，目前科研智能体主要存在于数字世界，其能力发挥高度依赖人类搭建的研究环境，包括接入数据文献、提供算力、配置软件工具、设计任务接口及明确交付成果。在他看来，至少有三个环节仍高度依赖人类：首先是发现和定义真正有价值的研究问题。AI虽能在给定目标下高效探索，但“什么问题值得研究”“为何重要”“与更大科学目标的关系”，涉及对学科历史、现实需求及未来方向的综合判断，这种问题意识目前仍主要源自人类。其次是建立研究环境并协调资源，“如何把一个科学问题转化为AI可以持续执行的研究系统，是一项重要的工作。”最后是对研究结果进行验证、解释和负责。林𬀩指出，最终决定一项结果能否进入科学知识体系，仍需人类研究共同体的审查和确认。“与其简单区分‘哪些AI能做、哪些人类能做’，不如把科研看成一个可以动态分工的系统。”

AI科研能力的快速提升，正在倒逼科研范式的变革。林𬀩主张，人与AI协同不应仅将AI视为更强的搜索引擎、编程助手或论文写作工具，而应将其视为科研参与者。他提出，未来更有效的范式是由人类负责提出方向、定义问题和建立评价标准，由AI负责大规模、长时间、多路径探索，再由双方共同完成验证、解释和知识沉淀。实现这一范式，首先需从“单轮提问”转向“持续运行的科研系统”。真正的科研无法通过一次问答完成，需经历假设提出、实验设计、失败分析、方向调整和反复验证。科研智能体应具备长期记忆、任务规划、工具调用和自我反思能力，能围绕一个问题持续工作数天、数周甚至更久。其次，需从“单一模型”转向“多智能体科研组织”。不同智能体可承担不同角色：有的提出猜想，有的寻找反例，有的负责证明，有的专门审查逻辑漏洞。通过独立探索、交叉批评和定期汇总，可降低单一模型陷入错误路径的风险，更接近真实科研团队。同时，必须建立严格的验证机制。AI提出的结果不能仅凭语言流畅性或推理完整性来判断，数学研究需要形式化检查或专家复核，计算研究需要独立复现，实验研究需要真实实验验证。“未来科学家的核心能力，可能不再只是亲自完成每一步推导和实验，而是提出高价值问题、设计研究系统、组织多个智能体协作、识别关键异常，并判断一个结果是否真正重要。”林𬀩表示，人与AI的关系既非“AI辅助科学家”，也非“AI取代科学家”，而是形成一种新的科研组织形态。