LLM擅长何种数学：反例发现成亮点

著名数学家蒂姆·高尔斯在其博客中撰文探讨了一个引人深思的问题：大语言模型究竟擅长哪类数学？写作背景是OpenAI宣布解决了数学和理论计算机科学中的十个重大难题，其中包括首次构造出非sofic群，以及证明多彩色拉姆齐数呈超指数增长。前者被视为群论中最重要的问题之一，后者则是拉姆齐理论中一个高尔斯原本不指望在有生之年看到解决的开放问题。

高尔斯特别强调写作时点的重要性：他是在OpenAI公布结果数天后落笔的，而大语言模型的能力预计将继续快速变化。因此，这篇文章的价值或许更多在于记录2026年8月初的阶段性面貌，而非给出永恒的结论。在他看来，这些成果固然极其亮眼，但大模型似乎尚未达到在所有数学维度上全面超越人类顶尖水平的地步。如果它们真的做到了，凭借远超人类的运算速度，数学界应当迎来更为汹涌的成果洪流。

基于这一观察，高尔斯尝试追问：大语言模型在哪些类型的问题上最拿手，又在哪些环节仍存在明显短板？他并不奢望给出一个清晰完备的分类框架，因为现有案例尚不足以支撑一个恰到好处的理论概括，但他的确希望排除一些明显站不住脚的答案，并识别出那些与当前证据并不冲突的潜在解释。

一个显眼的经验事实是：大模型解决的最著名问题几乎都以反例形式出现，而非传统意义上的构造性证明。上述两个例子如此，雅可比猜想与单位距离猜想的解决路径同样如此。这自然引出一个猜想——大语言模型是否特别擅长寻找反例？但高尔斯随即指出，要让这一理论更具说服力，需要完成两件事：第一，明确什么才算是“找到反例”；第二，给出一个可能的机制性解释，说明为何大模型恰好适合处理这类任务。

“找到反例”这个短语乍听起来毫无歧义——给出一个满足前提却违背结论的实例即可。但高尔斯认为，实际情况远比想象中微妙。“每个对象都具有某某性质”这样的全称命题，其反例可以是高度抽象的构造，也可以是一个需要冗长验证的复杂对象。在数学实践中，一个反例的难度往往取决于它是如何被发现的，以及它是否具备深刻的启发意义。许多反例不仅否定了一个猜想，还为后续理论开辟了全新方向，这类反例的价值绝不低于一个漂亮的证明。

另一个值得注意的层面是，反例构造与数学洞察力之间的关系并不像表面看起来那样简单。发现反例常常需要对问题结构有极其深刻的理解，而不是简单的试错。高尔斯暗示，大模型在海量数据和模式识别基础上的“直觉”，或许与反例构造中需要的非对称思维存在某种契合。当然，这种联系目前仍然属于推测，真正令人信服的机制分析尚待展开。

高尔斯还提醒读者，当前观察到的大模型优势可能只是阶段性现象。随着模型架构、训练方式和推理能力的持续演进，大模型在证明构造类任务上的表现也可能快速改观。到那时，如今关于“擅长反例”的归纳或许会像许多早期AI判断一样，被新的能力图景取代。但无论如何，记录这样一个数学巨匠对AI能力的审视，仍具有独特的文献价值——它既映射出技术前沿的一角，也展示了数学家如何以谨慎而开放的心态迎接变革。