对话同济陈小杨：AI冲进数学前沿比预测早两年，真正的机会不是“追赶”，而是创新

搜狐科技《思想大爆炸——对话科学家》栏目第166期，对话同济大学数学科学学院长聘副教授陈小杨。

嘉宾简介：

陈小杨，同济大学数学科学学院长聘副教授。研究方向为AI for math.

• AI在做奥数、本科习题和解决前沿问题方面，去年差异很大，今年已经没有什么本质性差异了。数学幻觉、高质量数据短缺等问题也都基本解决了。

• 追赶是个伪命题，一直追赶，可能永远也赶不上，要跳出现有的框架，寻找新机会。

• 心力大于愿力大于能力，未来大家要以创业公司创始人身份看待变化，想做什么、能不能坚持做下去，比现有能力本身更重要，因为能力可以培养，有AI加持后能力差距不会那么大。

出品｜搜狐科技

作者｜周锦童

近一年来，AI在数学领域接连取得突破。从构造雅可比猜想反例、发现六维球面复结构，到用88小时攻克纳维-斯托克斯问题的证明。短短几个月内，可以说AI已经冲到了数学发现的最前沿。

与此同时，丘成桐先生在清华大学牵头成立数学与人工智能实验室联盟，直言当下是“最兴奋的时代，也是最危险的时代”，并强调“要在海潮上冲浪，而不是躲开”。

这一波技术爆发的真正原因是什么？AI数学幻觉问题是否解决？未来AI for Math最可能落地的几个技术突破点是什么？面对AI冲击又该如何做？带着这些问题，搜狐科技对话了同济大学数学科学学院长聘副教授陈小杨。

时间节点比预测早两年

超预期来自“数据飞轮效应”

陈小杨坦言，这一波AI数学能力的进展确实超出了大部分人的预期。

“此前行业交流中，不少人判断AI要到2028年、GPT-7或GPT-8水平才能产出前沿数学研究成果，但今年已经发生，且从去年看没有任何征兆。去年AI大致还是本科水平，顶多能应付博士生资格考试，今年看已经能处理不少前沿问题了。”陈小杨如是说。

至于真正原因，他称外部很难获得准确信息，“除了OpenAI内部人知道之外，大家得到的信息未必准确。”

从外部观察角度来看，陈小杨猜测，最重要原因之一是人机交互带来的大规模高质量数据，形成数据飞轮效应，同时也有一些新架构的应用。从公开信息看并非革命性技术创新。

换言之，这一波进展更像是高质量数据、强化学习和工程系统共同作用的结果，而非某个单点理论突破。

在能力表现上，陈小杨认为同样一套大模型，从做奥数、本科习题到解决前沿问题已经不再有断崖式下滑了。

“做奥数或本科习题，准确率几乎100%，做前沿问题，拿1000个未解决的问题，可能有5%—10%能做对，其他的也能得到部分结果。我觉得去年差异很大，今年已没有本质性差异了。”陈小杨解释道。

自然语言与形式化路线反转

形式化更像“锦上添花”

当前AI做数学主要有两个重要工具：一是利用大模型进行自然语言推理，二是结合形式化证明工具（Lean/Isabelle等）进行验证。

陈小杨解释称，自然语言推理与形式化的核心差别在于语言格式：自然语言是日常交互语言，形式化则是把数学内容写成代码。

“去年自然语言幻觉较高，形式化在数学等场景更能保证准确性。但今年自然语言幻觉已大幅降低，准确度基本与人接近，形式化反而受限于‘自然语言翻译成形式化’的准确率问题。”陈小杨如是说。

因此，在陈小杨看来，形式化路线仍然有价值，但已经不再是碾压式优势。“形式化验证中间仍有翻译gap，而且当前自然语言本身已经很强，再转形式化带来的增量效应有限，投入与产出不成正比。”

“所以我觉得形式化更多是‘锦上添花’，去年和今年完全是两个逻辑，去年自然语言幻觉高，形式化显得关键；今年直接用自然语言推理反而更划算。”

对于数学幻觉问题，陈小杨认为，随着强化学习技术和人类高质量数据飞轮，在前沿GPT模型上基本上已经解决了。

“今年你只要采用AI多次交叉验证，虽然它也会出少量的错误，但概率不是很高，尤其是做那种不是前沿问题的研究，基本是99.9%的准确度。”

至于高质量数据短缺问题，OpenAI通过生态效应也已经解决了，大量高水平科学家使用其产品并持续贡献数据，这也是陈小杨认为“挺可怕”的一点。

虽然陈小杨称团队是AI重度用户，能交给AI的工作尽量交给AI，也十分鼓励学生用AI发挥价值。但对于AI在论文研究中的贡献界定，他认为从技术层面鉴别是否由AI完成的可能并不容易。

“追赶”是伪命题，要跳出框架寻找机会

对比国外，陈小杨也谈及了国内AI for Math的现状。

他表示：“目前在方向上，我认为国内跟国外除了OpenAI这几个特别厉害的公司之外都差不多，在技术人才和整个行业影响力方面，我认为中国跟国外都在同一个起跑线上，因为这毕竟是一个新兴的方向。”

“但在模型能力层面，尤其是对比OpenAI等前沿模型的能力，差距可能确实比较明显。”陈小杨补充道。

对于“还要追赶多少年”这个问题，陈小杨一直认为“追赶是个伪命题”。“AI领域往往强者恒强，如果我们一直追赶，可能永远也赶不上，所以我们需要做更大的创新，去做OpenAI还没做到的事情，跳出他们的框架寻找机会。”

谈及未来35年，AI for Math最可能落地的几个技术突破点会是什么时，陈小杨表示：“从目前来看，AI在现有数学框架的推理能力已经非常强了；不确定性最高、甚至不一定能实现的方向是AI能否创造全新的数学概念与方法，而不是在现有知识框架内做事。”

因此，陈小杨和团队就在探索这一方向。目前他们团队有七八名学生，社区有数百名国内外高校学生、研究生和博士参与合作探索。他们希望探索AI创造全新数学概念与方法的能力，这可能和之前的训练范式有所不同。

“目前国际上，包括OpenAI也没有去做，至少没有在公开层面表示做过这个事情，所以大家从现在开始摸索，有机会和他们在同一起跑线，而不是只走追赶路线。我们目前在GitHub上给出了一些简单的demo，更深入的工作也正在推进中。”陈小杨如是说。

今年6月，陈小杨团队研究的“Moonshine”发表于Github。这是一款以猜想生成为核心目标的自主数学研究智能体。它与其他数学智能体的区别在于，其设计目标是自主生成有价值的数学猜想，并通过结构化的探索对猜想进行验证或证伪。

谈及未来人才培养，陈小杨判断，AI数学能力提升会显著改变研究方式和人才培养，未来更应该关注复合型能力、跨学科合作和快速学习能力。

在他看来，未来数学专业学生的出路反而更广，因为硬科技与数学密切相关，AI又提供了强大的工具，但对人才能力要求更高。未来学什么专业可能没那么重要，重要的是提升学习能力、突破舒适区，快速应对世界变化。

最后，他用“心力大于愿力大于能力”作比，“未来大家可能都要以创业公司创始人身份看待变化，想做什么、能不能坚持做下去，比现有能力本身更重要，因为能力可以培养，有AI加持后能力差距不会那么大。”

“虽然现在AI对行业冲击很大，大家也比较迷茫，但我想说的是，事情可能并非大家想的那么糟，AI反而提供了更好的舞台。我们需要改变原来一些固有的认知，关注未来和产业相关的事情，把眼光放长远，也许就会发现一些原来不存在的机会。”陈小杨如是说。

运营编辑 | 曹倩 审核｜孟莎莎