新范式推动AI辅助数学发现

近日，一篇题为《The Problem Is the Problem: Towards Scalable Mathematical Discovery》的论文发布于arXiv预印本平台，提出了一种全新的AI辅助数学发现范式。该研究聚焦于当前AI参与数学研究中的核心瓶颈：高质量问题的选择与成果验证高度依赖稀缺的人类专家资源。

传统AI-for-math工作流通常由人类预先选定具体问题，再交由AI系统尝试求解，最终由专家审查结果。然而，在前沿数学研究中，合适问题的甄别本身极具挑战性，而专家审阅能力又极为有限，导致整个流程难以规模化。为突破这一限制，研究团队设计了“Find, Attempt, and Recommend”（FAR）级联系统，将人类输入从单一问题转变为更宽泛的研究方向。

FAR系统的工作流程分为多个阶段。首先，基于专家指定的研究方向（如组合数学），系统自动检索大规模学术文献库。在论文展示的试点实验中，系统从5,245篇组合数学论文中提取出6,453个候选猜想或开放问题。随后，通过自动化过滤机制，剔除表述不清或已被解决的问题，保留4,717个形式良好且仍属开放的猜想。

接下来，AI系统对这些候选问题进行推理尝试，并通过多轮自动分诊（triage）评估其可解性与新颖性。最终，系统从海量候选中筛选出598个具有潜在突破价值的成果，并进一步推荐77项最值得关注的内容供人类专家团队深入审查。这一过程极大减少了专家需人工筛查的问题数量，将宝贵的人力资源集中在最有希望的方向上。

值得注意的是，该方法已产出多项实质性数学发现。研究团队确认了若干重要猜想的新进展，涉及Davies–Jenssen–Perkins–Roberts、Erdős–Straus、Ikenmeyer–Pak–Panova以及Lund–Saraf–Wolf等著名数学问题。这些成果不仅验证了FAR框架的有效性，也展示了AI在驱动基础科学探索中的巨大潜力。

该研究标志着AI辅助科研从“问题求解”向“问题发现”延伸的重要一步。通过将推荐系统与深度推理相结合，FAR为构建可扩展的数学发现基础设施提供了可行路径，有望在未来推广至其他理论科学领域。