网易首页 > 网易号 > 正文 申请入驻

姚期智和杨植麟给AI出了一张考卷:定理证明70%,但30道人类没解出来的猜想,AI一道都没独立做出来

0
分享至

GPT-6 Astra在一场“科研考试”里证明定理的成功率是70%,20道研究级命题做对了14道。第二名Kimi K3.1 Pro只有38.3%,剩下六个模型最高不超过11.7%。

同一张卷子的另一个部分,是30道人类至今没有解决的开放猜想。8个大模型代理合计只交出了2份被系统接纳的解答,而且这两份还是联网检索到OpenAI已经公开的反例之后改编出来的,不是独立发现的。其余28道,没有任何完整解决方案。

这不是“AI不会做数学”。这是一个更精确的信号:验证一个已有的证明,AI已经很擅长;发现一个人类还没找到的证明,AI还没找到那条路。



这张卷子为什么比以前的“数学跑分”可信:判分的是Lean内核,不是人

TCSExam由姚期智和杨植麟联合署名,11月5日挂在arXiv上,100道题全部经过领域专家审核研究价值。它和以前那些数学基准最大的区别不在题目难度,在怎么判分。

以前很多基准靠“大模型当裁判”,或者靠答案匹配。TCSExam把判分全部交给了机器内核:定理证明由Lean 4内核逐行校验,求解器在隐藏测试实例上跑可执行检查器,构造题要交出带验证证书的显式数学对象。“看起来合理”在这个基准里没有分数。

四条赛道对应的是理论计算机科学研究里四种不同的交付物:20道定理证明(从近年论文里摘出的研究级命题,只给命题本身,不给中间引理)、30道求解器工程(写可复用程序,在隐藏实例上跑)、20道构造(比如造一个满足特定条件的图或纠错码)、30道开放猜想(证明或推翻人类未解决的猜想)。以前的基准只覆盖其中一块,没有人把四块拼在一起,考一个完整的科研周期。



70%的定理证明是真的,但“做对14道”不等于“会做研究”

GPT-6 Astra的70%是在bare模式下拿到的:只给命题本身,不给任何中间引理或证明思路。20道研究级定理,它完整证明了14道。这是一个真实的工程能力:它能组织出一条没有逻辑漏洞的、Lean内核认可的完整推导链。

Kimi K3在构造赛道做了一件更具体的事:124个顶点、不允许三角形和四边形,它构造出了630条边的图,把人类参考纪录从629推到了630,并通过程序验证。多一条边听起来很小,但在极值图论里,每多一条边都意味着124个点之间的结构要重新满足全部约束。

Astra在开放猜想里也做了一次部分推进:它把Alon–Jaeger–Tarsi猜想在五元有限域上的已知证明范围从8维推到了9维,证明被整理成71个Lean模块并独立编译核验。但readaitime写得很清楚:“完整的Alon–Jaeger–Tarsi猜想仍未解决”。

“把已知边界往前推一格”和“独立走完从0到1的那段路”,是两种能力。前者AI已经能干活了,后者还差得很远。



一个被忽略的细节:给AI“递小抄”后,成功率跳了

TCSExam在定理证明赛道设了三档上下文:bare(只给命题)、ladder(给中间引理)、guided(再加证明思路)。

结果很说明问题。Kimi K3在bare、ladder、guided三档下分别至少完成3、4、7道不同定理;DeepSeek V4.1 Flash分别是0、2、6道。从bare到guided,完成数量翻了一倍多。

这说明AI卡住的地方,不在“写证明”这一步。给它一个关键引理,它能把证明补完;不给它,它自己找不到那个引理。科研里最难的那一步——决定往哪个方向走、找到那个让整条证明链成立的中间命题——恰好是AI目前最弱的一环。把这一步替它做了,它就能干活;不做,它就停在0。



我花了一个下午装Lean 4,跑通了人生第一个形式化证明

为了理解“Lean内核判分”到底意味着什么,我决定自己装一次环境。

按Lean官方推荐路径,装VS Code + Lean 4插件,插件会自动拉elan(版本管理器)。Linux上也可以一行 curl 装elan,然后把 ~/.elan/env 写进shell配置。整个过程大约15分钟,磁盘占用15GB左右,大头是mathlib依赖。

第一个证明简单到有点好笑:theorem one_add_one : 1 + 1 = 2 := by rfl 。rfl 的意思是“两边算出来一样,所以成立”。Lean的InfoView窗口会实时反馈:目标状态、当前假设、证明是否关闭。写对了,绿色的勾;写错了,红色的报错,告诉你在哪一步、哪个假设没被满足

这个体验和“让大模型写一段自然语言证明”完全不同。自然语言证明里,“显然”“易得”可以蒙混过关;Lean里,“显然”必须被展开成每一步都严格的推导。这也解释了为什么TCSExam敢把判分完全交给它:它不认“差不多”,只认“闭合”。

但装完之后我也理解了另一件事:Lean能验证一个证明是对的,它不能告诉你去哪里找一个证明。Astra的70%是“给它一个命题,它把证明链组织出来”;0/30是“给它一个没人解过的猜想,它自己决定往哪走”。Lean是裁判,不是向导。



0/30到底该怎么读:不是“AI无能”,是“发现还没被工程化”

第一种解释:有些猜想,AI没找到路。它在定理证明上能组织14条完整推导链,但在开放猜想上,连第一步该往哪个方向试,都没有稳定的策略。28道彻底空白,说明“探索”这件事还没有被变成可训练的搜索过程。

第二种解释:有些猜想,人类也不知道路在哪。开放猜想之所以开放,是因为领域里最聪明的人尝试了几年、几十年,也没找到证明或反例。用“AI也没做出来”去否定AI,和用“人类也没做出来”去否定人类,是同一种逻辑错误。

第三种解释:有些猜想,AI做了部分推进,但Lean不认“部分”。Astra把Alon–Jaeger–Tarsi从8维推到9维,这是一个可验证的、有价值的结果。但TCSExam对开放猜想的判分是二元的:完全证明或完全推翻得100,否则0。“推进了一步”在科研里算贡献,在这个基准的分数上不算解决。

三种解释放在一起,0/30的真正含义是:AI已经能“验证”和“执行”,但“发现”还没有被工程化。给它一个明确的命题,它能组织证明;给它一个中间引理,它能补完链条;给它一个需要自己定义“往哪走”的开放问题,它就停住了。



所以,AI做数学研究现在到底能用到什么程度

能用的地方,已经比大多数人以为的多。它能证明研究级定理(70%的bare成功率)、能写可复用的求解器、能构造出超过人类参考纪录的图论对象、能把一个已知猜想的证明边界往前推一格。这些不是“demo”,是Lean内核和程序检查器确认过的结果。

不能用的地方,也比营销话术里说的清楚。它不能独立解决一个开放猜想,不能在没有任何提示的情况下自己找到关键引理,不能在“往哪个方向走”这件事上替代研究者。0/30不是“AI永远做不到”,是“这件事还没有被解决”。

对普通人来说,最实际的判断是:如果你有一个已经有明确命题和验收标准的任务,AI可以帮你跑通推导和验证;如果你手里是一个连“该证明什么”都还没想清楚的开放问题,AI目前只能当“部分推进的辅助工具”,不能当“独立研究者”。

姚期智和杨植麟这张卷子最诚实的地方,不是它证明了AI有多强,也不是它证明了AI有多弱。它把“AI做科研”从模糊的叙事,拆成了四条可以分别打分的赛道,然后告诉你:在“验证”这条赛道上,AI已经跑起来了;在“发现”这条赛道上,它还在起点。

声明:内容由AI生成

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
她是最干净女演员,被军官苦追5年才嫁,如今和女儿被宠如宝

她是最干净女演员,被军官苦追5年才嫁,如今和女儿被宠如宝

娱深有瓜
2026-11-22 14:05:10
从110万跌到30万,海景房真的凉了!业主哭诉:当年抢着买,现在倒贴也没人要!

从110万跌到30万,海景房真的凉了!业主哭诉:当年抢着买,现在倒贴也没人要!

巢客HOME
2026-11-22 13:55:04
河南小县城传来巨响!一个农民攻克世界难题,打破欧美技术封锁

河南小县城传来巨响!一个农民攻克世界难题,打破欧美技术封锁

基斯默默
2026-11-22 09:38:25
新深圳人退休了,社保不足20年,个人账户只有5.5万,50岁退休照样近2000养老金,知足了

新深圳人退休了,社保不足20年,个人账户只有5.5万,50岁退休照样近2000养老金,知足了

平静话社保
2026-11-22 09:56:38
德媒:德国太天真了,我们最大的幻想,就是信了中国是个现代强国

德媒:德国太天真了,我们最大的幻想,就是信了中国是个现代强国

你是我心中最美星空
2026-11-22 05:46:42
环球体育:博卡2-0米内罗竞技,三夺南美杯

环球体育:博卡2-0米内罗竞技,三夺南美杯

懂球帝
2026-11-22 09:08:03
NPC“房玄龄”王泽回应离开大唐不夜城:面对大量游客,觉得离角色越来越远

NPC“房玄龄”王泽回应离开大唐不夜城:面对大量游客,觉得离角色越来越远

娱乐嗑学家.
2026-11-08 11:37:18
董路怒骂马德兴:口贩子王八蛋!给浮嶋敏洗地,当初你怎么骂李铁的?

董路怒骂马德兴:口贩子王八蛋!给浮嶋敏洗地,当初你怎么骂李铁的?

念洲
2026-11-22 08:49:31
二战时美军有个气象预报员,每天不琢磨怎么让飞行员活下来,反而想着怎么一次弄死最多的人

二战时美军有个气象预报员,每天不琢磨怎么让飞行员活下来,反而想着怎么一次弄死最多的人

言过于诚
2026-11-21 21:03:49
普京和特朗普专机差距到底有多大

普京和特朗普专机差距到底有多大

观界z
2026-11-21 15:05:48
黄仁勋走后,台积电掏出账本:以后,老黄是老黄,英伟达是英伟达

黄仁勋走后,台积电掏出账本:以后,老黄是老黄,英伟达是英伟达

指忘崖
2026-11-22 08:31:37
记者:蒋光太是最成功的归化球员,即使伤病增多也未曾离开

记者:蒋光太是最成功的归化球员,即使伤病增多也未曾离开

懂球帝
2026-11-22 14:44:20
佩莱格里尼:我们本可以赢下德比,最后的丢球完全能够避免

佩莱格里尼:我们本可以赢下德比,最后的丢球完全能够避免

懂球帝
2026-11-22 05:36:11
因担心变同性恋,父亲逼儿子与后妈发生性关系

因担心变同性恋,父亲逼儿子与后妈发生性关系

侠客栈
2026-11-21 11:37:29
金饰克价年内大跌超650元

金饰克价年内大跌超650元

21世纪经济报道
2026-11-21 13:31:39
新一轮冷空气来了,四川多地降雨降雪降温

新一轮冷空气来了,四川多地降雨降雪降温

掌上金牛
2026-11-22 11:53:57
李邑飞主持宁夏省级老同志座谈会和党外人士座谈会,张雨浦、陈雍出席

李邑飞主持宁夏省级老同志座谈会和党外人士座谈会,张雨浦、陈雍出席

政知新媒体
2026-11-22 14:27:53
深度长文:黎曼猜想,统治数学界160年的无冕之王,到底有多恐怖?

深度长文:黎曼猜想,统治数学界160年的无冕之王,到底有多恐怖?

宇宙时空
2026-10-12 11:58:16
末节连续失误,山东男篮杯赛出局,姚柯宇14+3值得培养,陶汉林11+5

末节连续失误,山东男篮杯赛出局,姚柯宇14+3值得培养,陶汉林11+5

替补席看球
2026-11-22 17:14:58
不忍了!北约突然掀桌,准备直捣俄罗斯腹地

不忍了!北约突然掀桌,准备直捣俄罗斯腹地

今观天下
2026-11-07 07:49:23
2026-11-22 18:48:49
阿鑫讲ai
阿鑫讲ai
专门讲解现阶段高热度的AI
134文章数 16关注度
往期回顾 全部

科技要闻

Anthropic收涨17.1%,市值一度破2万亿美元

头条要闻

女子花2万存脐带血如今公司注销"断联":我的血还在吗

头条要闻

女子花2万存脐带血如今公司注销"断联":我的血还在吗

体育要闻

约基奇vs申京:最强的策应巨人?

娱乐要闻

官媒发文 官宣赵丽颖新身份,进步很大

财经要闻

最大回撤超37%,黄金崩盘了吗?

汽车要闻

35万级MPV的满配答案 享界V8正式上市售31.98万起

态度原创

本地
旅游
家居
亲子
军事航空

本地新闻

43年起落记忆倒计时,去厦门高崎领绝版登机牌!

旅游要闻

喀什旅游的游客因清廷中唯一的维吾尔族妃子的故事而奔赴这里参观

家居要闻

2026建博会(广州) 公装联探展交流活动

亲子要闻

宝宝必看的5个启蒙动画,豆瓣评分都是在9.0以上

军事要闻

俄乌炸桥冲突升级 相关谈判设想被放弃

无障碍浏览 进入关怀版