拿金牌和做研究，是两件完全不同的事。Meta的AI模型在数学、物理、化学五个竞赛里拿到过金牌级表现之后，团队问了一个更难的问题：当一个问题真正开放、根本没有现成解法路径的时候，AI还能不能做出贡献？

过去几个月，他们把这个问题交给了Muse Spark，结果是在六个方向上拿出了可以写成论文的结果。其中五个是开放问题，一个是找到反例推翻既有猜想。

打开网易新闻 查看精彩图片

从"有答案"到"没答案"

竞赛题的特点是答案存在，只是难找。开放问题的特点是连答案长什么样都不知道，甚至不确定有没有答案。Meta在博客里把这次尝试的起点说得很清楚：在五个竞赛拿到金牌级表现之后，他们想知道AI能不能在真正开放的问题上出力。

这不是把竞赛能力直接平移过来。竞赛考的是在已知框架内搜索，开放研究考的是判断哪条路值得走、哪个方向可能有结构。Muse Spark在这批工作里扮演的角色也不完全一样，有的是参与证明，有的是生成搜索代码，有的是帮团队找到反例。

六个方向，六种介入方式

Meta列出了六个具体案例，每一个的AI参与深度都不同：

  1. 概率：数学家与Muse Spark合作，回答了一个关于把随机点拟合到拉伸球面上的问题。在他们研究的设定下，证明了精确拟合何时可能、何时不可能之间存在一条清晰的临界线。
  2. 微分方程：想象一个效应把波向内挤压，另一个效应把波向外扩散，两者拔河。波能不能一直聚集下去？在Muse Spark帮助下，研究者证明在受激光启发的模型里，所研究的条件下波的行为有确定结论。
  3. 群论：研究者通过找到一个反例，推翻了关于描述对称性的数学结构的一条 proposed 规则。Muse Spark生成了找到这个反例的搜索代码，团队验证了结果并完成了证明。
  4. 优化：什么时候可以把一个难的数学问题换成一个更简单的问题而不损失任何东西？研究者与Muse Spark合作，证明了一条清晰的规则：某种简化在什么情况下能精确捕捉原问题，什么情况下会留下缺口。
  5. 算术物理：研究者与Muse Spark合作，把数论中的一个想法和弦论中的一个计算联系了起来。他们证明这个联系在比此前已知更多的情况下成立，建立在上世纪80年代的想法之上。
  6. 非结合代数：团队与Muse Spark合作，找到了一个受生物学启发的数学结构 proposed 规则的反例。他们更进一步，发展出了一种替代性的刻画方式，研究者对其进行了检查和改进。

反例和证明，是两种不同的贡献

六个案例里，群论和非结合代数这两个方向的结果形式是反例——找到一个具体例子，证明某条被提出的规则不成立。这类工作在数学上价值明确，因为一个反例就能终结一条猜想路线。

另外几个方向是证明类的：概率方向证明了临界线的存在，微分方程方向证明了波在特定条件下的行为，优化方向给出了简化何时精确的判据，算术物理方向把已知联系推广到了更多情况。

值得注意的是AI介入的方式。群论那条里，Muse Spark做的是生成搜索代码，找到反例的是代码，验证和完成证明的是人。这个分工说明在当前这批工作里，AI更像是搜索工具和计算助手，判断和确认仍然由研究者完成。

真正的问题在后面

Meta在博客里给出的信息是：这些结果已经写成论文，可以在研究博客上读到。但博客本身没有说这些论文是否已经经过同行评审，也没有说投稿状态。

竞赛成绩可以当场验证，开放问题的证明需要数学界花时间检查。Muse Spark参与得到的这些结论，最终能不能站住，取决于后续的同行评审。Meta把问题从"AI能不能拿金牌"推进到了"AI能不能参与真正的研究"，但后一个问题的答案，不由发布博客的一方单独给出。