【作者简介】:程明,物理学博士。曾在《自然》和《物理评论通讯》(PRL)等世界顶尖学术杂志上发表过十余篇论文。程明博士曾在美国硅谷多家高科技公司工作。曾海归在武汉大学和南京大学任教,并担任研究生指导老师。
为什么说解题过程比答案重要? ——兼谈费马大定理、庞加莱猜想与 AI 声称的 NS 方程解
程明,物理学博士
大问题几乎从来不是一步解决的。结论往往一句话就能说完,真正留下来的是一整串为它造出来的引理。可这串引理能不能拿去解决别的问题,得另外证明。
从一句闲谈说起
2026 年 9 月 8 日,OpenAI 宣布,一个未发布的内部模型构造出了三维 Navier–Stokes 方程带外力的有限时间爆破解,并附上了 Lean 形式化证明。到本文写作时,这一结果仍在审查中,Clay 研究所也还没有认定它。有人评论说:AI 也不是一步解出 NS 方程,中间创造了很多引理,实际上就是很多新的小数学。
这句话引出三个问题:大问题是怎样被解决的?为它造出来的“小数学”价值在哪里?AI 在这个过程中到底做了什么?最后再回到一个常见的期待:黎曼猜想一旦解出来,是否会顺带解决一批数学物理问题。
大问题靠引理链解决
所谓“解出来”,是一条新引理链的终点。终点本身往往不是最有价值的部分。
费马大定理。有三百多年没有实质进展,直到它被改写成另一个问题。1980 年代,Frey 指出:一个费马方程的解会给出一条“不该存在”的椭圆曲线。Serre 把这个想法归结为一个猜想,Ribet 在 1986 年证明了它:只要谷山–志村猜想对半稳定椭圆曲线成立,费马大定理就成立。Wiles 的工作(后由他与 Taylor 补全)没有直接碰费马方程,而是证明了半稳定情形的模性。用到的有 Galois 表示的形变理论、Hecke 代数,以及一个专门造出来的新技术:Taylor–Wiles 方法。
庞加莱猜想。也是这样。Hamilton 从 1982 年起建立 Ricci 流的理论。Perelman 在 2002–2003 年补上了缺失的部件:熵泛函的单调性、非塌缩定理、奇点邻域的分类和带手术的 Ricci 流。猜想本身只是这套工具的一个推论,同一套工具还证明了更一般的 Thurston 几何化猜想。
哥德巴赫猜想也在等这样一条链。筛法有一个“奇偶性障碍”:它本身分不清素因子个数是奇数还是偶数的数,所以只用筛法,最多做到陈景润的“1+2”。要跨过去,就得造新的引理。
两种“小数学”
为大问题造出来的引理有两种,价值很不一样。
第一种是被逼出来的引理。它们为某一步量身定做:某个估计、某个特殊情形的分类、某个参数的精确取值。它们不自成体系,离开这个大问题,也很少有人会去证。大多数证明里,绝大部分引理属于这一类。
第二种是意外长出来的工具。为问题 A 造的方法,后来在问题 B 里独立开花。Taylor–Wiles 方法发展成一般的模性提升定理,成了 Langlands 纲领的核心工具之一;椭圆曲线的完整模性定理和 Sato–Tate 猜想都是在它的基础上证明的。Ricci 流后来又被用来证明微分球面定理(Brendle–Schoen),这是和庞加莱猜想不同的问题。
第二种才是“小数学”真正的价值所在。所以评价一个证明,不能只看结论,还要看它留下了什么可以复用的结构。而这一点往往要等十年以上才看得清。
AI 在其中做了什么
Navier–Stokes 这个案例说明,AI 已经能在人搭好的路线上,大规模地造出并检查引理。但路线从哪里来、证明的到底是不是原问题,仍然要靠人。这里的“仍然要靠人”是对现状的描述,不是对能力上限的断言——后面会展开。
路线是人搭的。这次的构造建立在 Córdoba 与 Martínez-Zoroa 的“外力”方法上:先选一个光滑的速度场,再把外力取成恰好让它满足方程的那一个。Fefferman 称他们为“这个故事里的英雄”。更早还有 Tao 在 2016 年对平均化 Navier–Stokes 模型证明的爆破。同一时期,NYU 的 Buckmaster 与 Anthropic 的 Alpöge 也沿这一方向,对多孔介质方程、二维 Boussinesq 和三维 Euler 方程给出了带外力的爆破结果;两方在优先权上有争议。
引理是分层造出来的。报道的过程是:先用约 100 个智能体、约 50 小时做无外力 Euler 方程这一热身问题;再用约 10,000 个智能体、共 88 小时做 Navier–Stokes,约 270 万条消息;之后又花 17 小时转写成 Lean。这正是“很多新的小数学”,只是造得更快。
“证明了什么”要人来判定。Lean 只检查每一步是否从假设推出,不检查形式化的命题是不是 Clay 的原题。更关键的是外力问题:Clay 的题目条文允许光滑外力,但多数数学家认为无外力情形才是核心,而那一情形仍然是开放的。Clay 主席 Bridson 说评估会“刻意不急”,并且“绝对严格”。OpenAI 表示不会申请 100 万美元奖金。
更早的例子也是同样的分工。DeepMind 与 Brown、NYU、Stanford 的合作者在 2025 年 9 月用高精度的物理信息神经网络,给多孔介质和 Boussinesq 方程找到了新的不稳定奇点族。但当时的报告也说,这一精度只是达到了做计算机辅助严格证明所需的水平,证明本身还没有完成。
AI 能不能创造新数学
上面说的“路线靠人、判定靠人”,很容易被读成“AI 只能在人给的框里干活,不可能造出新数学”。这个推论太强了,值得单独拆开。
“创造新数学”至少要分三层。
第一层,在给定框架内造引理。这是现在 AI 最擅长的:形式化语境确定、目标确定,它大规模枚举、验证、拼接中间步骤。NS 那个案例就在这一层。这一层严格说不叫“创造新数学”,叫高效填充脚手架。
第二层,造出新工具,但工具服务于人给定的目标。这一层已经开始有 AI 的影子:发现人没注意到的中间结构、某个估计的更优形式、某个构造的变体。这些算不算新数学?算,但它是目标导向的新数学,不是自主开辟方向。Taylor–Wiles 那种“为 A 造的工具后来在 B 开花”,目前还不是 AI 自主产出的,但没有原则性理由说它永远不能。
第三层,自主提出新问题、新框架、新审美标准。这是“创造新数学”最强的意义。这一层现在 AI 基本没有,但“现在没有”和“不可能有”是两回事。
为什么不能说“AI 必然不能创造新数学”?有三个理由。
其一,数学创造的一部分是可搜索的。很多“新引理”本质是在一个巨大的组合空间里找到一条人没走过的路径。AI 在搜索上的优势是数量级的,搜索空间足够大时,“人没想到”不等于“不可搜索”。
其二,形式化让“新”变得可判定。Lean 这类系统让“这个引理是否真的新、是否真的推得出”变成可检查的事。这降低了 AI 产出“看似新实则错”的风险,也就降低了它参与创造的门槛。
其三,工具复用本身可以被 AI 发现。“这个引理能不能搬到别处”是一个结构相似性判断,AI 在模式匹配上不弱。第二层向第三层过渡,未必需要一次质变,可能是渐进累积。
但也要保留一个限定,否则就滑到另一个极端。说“AI 未必不能”,不等于“AI 已经在创造新数学”。目前公开的案例里,目标、路线、问题选择仍然由人给定,AI 的产出是目标导向的。“能不能”是开放问题,“已经做到没有”目前答案仍是“在第二层边缘,第三层没有”。这两句话可以同时成立。
所以更准确的说法是:到目前为止,公开案例里 AI 的产出仍以人给定的目标和形式化语境为前提;但这只是对现状的描述,不是对能力上限的断言。搜索空间的可枚举性、形式化对“新引理”的可判定性、以及工具复用模式的可匹配性,都意味着“AI 自主造出新数学”并非原则上的不可能。这条界线移动得很快,当下的判断可能一两年内就要改。
回到黎曼猜想:脚手架是定制的
如果黎曼猜想(RH)被证明,大概率也是靠一串新引理。但这串引理能不能平移到物理问题上,要另外证明,不能默认。
同名的“零点定理”未必共用一套逻辑。李政道与杨振宁 1952 年证明了类似 RH 的命题:铁磁 Ising 模型配分函数在复磁场中的零点都落在单位圆上。它早已得证,却没有给 RH 带来可用的工具。但这不代表两者机制无关——只是那座桥尚未建立。Deligne 1974 年证明了有限域上代数簇的黎曼假设(Weil 猜想),用的是当时最强大的通用工具之一——平展上同调。但这套脚手架至今也没能搬到经典的 ζ 函数上。最接近“统计力学视角给出 RH 信息”的例子是 de Bruijn–Newman 常数 Λ:RH 等价于 Λ ≤ 0。Rodgers 与 Tao 证明了 Λ ≥ 0,即如果 RH 成立,它也只是“刚刚成立”。这是一个结构性约束,而不是一条证明路径。
物理和 RH 之间的联系,目前多是物理给 RH 提供线索。Montgomery–Odlyzko 发现 ζ 零点间距的统计与随机矩阵(GUE)相同;Hilbert–Pólya 与 Berry–Keating 设想零点是某个量子哈密顿量的本征值。方向都是从物理到数论。
物理中解析延拓的意义也不等 RH。维数正规化、ζ 函数正规化(例如 Casimir 效应里的 1+2+3+⋯ → −1/12)为什么给出对的答案,要靠重整化来理解:延拓丢掉的是能被局域抵消项吸收的部分。这得一类一类地讲清楚,RH 证出来也不会自动代劳。
结语
“解出来是很多新的小数学的堆叠”,这个判断对数学研究方法的理解是到位的,对 AI 也同样适用。但它同时提醒我们两件事。
一个证明的价值,要看它留下的脚手架能不能在别处复用,而这往往要很多年后才知道。脚手架是否跨问题通用,是每个大问题解决后都要重新检验的事。不能因为都叫“零点约束”或“爆破”,就默认是同一套逻辑。
AI 让造引理和检查引理都快了很多。至于“造的是不是对的脚手架”“证明的是不是原来的问题”,目前仍主要靠人判断;但把这一点读成“AI 不可能创造新数学”,是把现状当成了上限。搜索的可枚举性、形式化的可判定性、工具复用的可匹配性,都指向一个开放的未来,而不是一堵封死的墙。
欢迎对科学或社区建设有兴趣者入群。 谢绝广告
热门跟贴