OpenAI 开源 372 个 AI 数学证明，挑战学术验证边界

OpenAI 发布了一系列由内部 AI 模型生成的数学成果。这些证明并非发表在学术期刊上，而是托管于 GitHub，旨在通过形式化验证使审查过程更具可行性。

OpenAI 已发布了 372 项新的数学成果，这些成果由其内部前沿模型生成。每项成果都旨在解决一个开放性问题或在该问题上取得实质性进展。该集合包括对主要计算机算法的改进以及与 黎曼猜想 相关的进展。

该公司将这些成果托管在一个 GitHub 仓库 中，并附带修订日志和引用信息。据 OpenAI 称，同一模型此前已针对纳维 - 斯托克斯（Navier-Stokes）问题给出了解决方案，该方案目前正处于 正式审查 阶段，已持续数周。

OpenAI 表示，几乎每一项成果都源自对单个 AI Agent 的单次提示（prompt），尽管部分成果需要多次尝试。这与 纳维 - 斯托克斯问题的解决方案 形成鲜明对比，后者需要一个由 10,000 个 Agent 组成的集群以及数百万美元的计算资源。平均而言，每项成果消耗了约三小时的 ChatGPT Pro Thinking 算力。

形式化验证可缓解审查瓶颈

许多证明都配有在 Lean 中的形式化表述，Lean 是一种专为机器可检查的数学证明而设计的编程语言。未来计划增加更多形式化表述。其背后的原因很实际：AI 生成成果的海量规模很容易超出数学界人工审查的能力极限。

OpenAI 还公布了其方法论的细节，包括推理过程的摘要、模型尝试解决的问题数量统计以及计算成本的估算。

传统期刊无法适应这种节奏

OpenAI 选择将成果发布在 GitHub 而非同行评审期刊上。这是一种具有象征意义的举措，暗示着传统的科学研究流程对于如此海量的潜在新知识而言过于缓慢。

OpenAI 曾咨询普林斯顿高等研究院数学与人工智能顾问小组，并大致遵循了其公开建议，因为该公司未公布任何提示词（prompts），且仅分享了平均计算成本而非针对每个问题的具体数据。该顾问小组成员包括菲尔兹奖得主 Timothy Gowers 等多位著名数学家。

该公司还宣布计划资助研讨会和会议，重点在于理解 AI 生成的结果。OpenAI 承认希望改进其引用质量和呈现方式，并表示正在致力于以负责任的方式发布模型，旨在“直接赋予科学家最前沿的能力”。

不过，OpenAI 事先为顾问小组设定了一条重要界限：数学家可以就如何传达结果提供建议，但不能干预结果是否产生或产生的速度。

Lean 形式化方法可以验证逻辑正确性，但无法判断结果在数学上是否具有相关性或原创性。OpenAI 押注其成果能够拓展人类知识的边界。至于数学界是否认同这一观点，目前仍是一个悬而未决的问题。迄今为止，各方反应不一，既有兴奋也有沮丧。

在一封题为《人工智能在数学领域的严重错位》的近期公开信中，25 位菲尔兹奖得主警告称，AI 行业的目标与数学的目标之间存在深刻脱节。他们写道，解决问题仅仅是实现真正目标——即概念理解和洞察——的工具和代理指标。他们认为，大规模生产真实陈述可能会破坏肥沃的学术土壤，而非催生新思想。这种影响还将蔓延至其他领域。

Gowers 警告称，在一到二十年内，数学文献可能会急剧膨胀，而真正理解这些内容的数学界却可能不复存在。菲尔兹奖得主陶哲轩补充道，培养年轻数学家时需要强调“人”的因素，并严格限制 AI 工具的使用，以确保真正的学习和理解得以延续。