AI找出数学反例推翻论文，作者确认，453篇手稿，AI开始自己出题了

AI数学正跨越一条微妙的分界线。

过去人们关注的是：大模型能否解出难题？能否写出严谨证明？能否找到人类几十年未发现的反例？

如今，一个更贴近“科研本质”的问题浮现：当一条证明路径失败后，AI是否知道下一步该做什么？是继续计算、更换路径、缩小命题，还是干脆提出一个全新的、可证伪的数学猜想？

思特雅大学的研究人员曾仔健搭建的AI Has Taste，正试图将这个问题转化为一套可持续运行的研究系统。

项目公开仓库目前收录了453份数学研究手稿，共计2312页，其中6篇被明确标注为“AI-Proposed Conjectures”。

仓库首页的定位更为直接：From Answer Generation to Research-Agenda Generation——从生成答案，迈向生成研究议程。

AI推翻论文中的猜想，原作者回信确认

AI Has Taste并非基于“AI必然擅长数学”的假设。曾仔健回忆，项目初期，他对大模型能否真正推动数学研究持怀疑态度。一次偶然的测试成为转折点：他将一篇论文中的猜想直接交给AI，起初只想看看模型能走多远。结果AI没有继续“证明”，而是构造出一个反例，直接否定了这个猜想。

他的第一反应并非兴奋，而是质疑。于是，他将反例和推导整理后写信给原论文作者核实。随后收到的回复确认：这个反例成立。该研究后来也被收录进目前450余份数学手稿中。

“最初我不相信AI在数学上的能力。直到输入一篇论文的猜想，AI直接给出反例推翻；我立刻写信问原作者，对方回复确认是对的。那之后，我才真正放手去做。”——曾仔健

这封邮件改变的不仅是一个猜想，而是项目的规模。如果AI不仅能复述已知知识、生成看似证明的文本，还能主动攻击论文中的新猜想，并找到经原作者确认的反例，那么它就有机会真正进入“研究循环”。此后，曾仔健才开始将选题、证明、反例搜索、失败管理、独立审查和写作逐步Agent化，并让不同机器长期并行推进。

真正的变化，不在于“写了多少篇”

单看数量，453份手稿已足够引人注目。但如果只将该项目理解为“AI批量撰写数学论文”，反而会忽略最值得关注的部分。

项目自身反复强调：453是“research manuscripts”的数量，不等于453个原始开放问题全部被解决。产物包括完整证明、反例、局部结果、有限计算证书、结构化约化，以及提出新猜想的论文。AI内部审查也不等同于外部同行评审。

真正的变化发生在研究链条上。传统AI benchmark通常从“题目已给定”开始：人类负责选题，AI负责求解，最终得到成功或失败。AI Has Taste则将流程向前和向后拉长——AI可以筛选候选问题、比较路线、主动寻找反例；一条路线失败后，还能分析失败结构、修改命题，并将新的数学对象交给另一个独立Agent继续攻击。

AI Has Taste的关键并非“更多Prompt”，而是将失败也转化为下一轮研究输入。

选题、证明、挑错、写作Agent

这套系统并非“一个模型在一个对话框里自问自答”。公开README将Agent角色拆分为四层：

Supervisor / Screener负责选择候选、比较相近结果并寻找最便宜的决定性实验；

Researcher负责证明、反例和精确计算；

Fresh-context Reviewer在新的上下文里专门攻击冻结后的命题、关键引理和证书；

Writer / Release Checker负责将最终接受的范围写清楚，并检查引用、构建和发布材料。

曾仔健进一步将工作流部署为多机协作：不同机器可分别推进证明、搜索反例、运行精确计算、进行独立审稿。共享的是冻结命题、实验记录、失败原因、代码和证据，而非让一个Agent一边生成结果、一边给自己盖章。

多Agent的核心设计：角色分离 + 共享证据 + fresh-context审查。

仓库中有一句话能概括这种设计：Criticism is part of the engine, not an afterword。批评不是论文写完后才补的一道手续，而是研究发动机的一部分。

数学家、机器人学者和自动化学者进入验证链

当研究手稿从几十份增长到数百份，另一个问题变得尖锐：谁来判定这些Agent产物不是系统性幻觉？

AI Has Taste内部使用fresh-context Reviewer将“研究”和“挑错”分离，但项目并未将AI自审视为终点。

随着工作推进，曾仔健也开始邀请不同领域的真实学者参与部分结果的验证、复核和学术讨论。

据项目方介绍，参与部分工作的合作者与审核者包括：马来西亚科学院院士、马来亚大学数学科学研究所荣誉教授Ong Seng Huat；马来西亚科学院院士、马来亚大学数学科学研究所荣誉教授Kurunathan Ratnavelu；以及中国地质大学（武汉）人工智能与自动化学院熊永华教授。

这里需要区分“参与验证”与“为全部结果背书”：上述学者并非对453份手稿逐篇签字认证，而是对其中部分问题、证明、计算结果或研究方向进行过验证、审核或讨论。

对一个高度自动化的科研系统而言，这种“机器内部红队 + 人类专家抽检/复核”的组合，反而比将所有审查都交给同一套Agent更为关键。

AI负责将研究速度推到极限；人类专家负责在关键节点将“看起来成立”重新拉回到“值得相信”。

失败以后，换了一个更好的问题

项目最能体现“研究品味”的案例，恰恰不是一次漂亮的成功，而是一次失败。

在fractional Gaussian trace问题上，系统最初尝试单调性和单侧配对路线，但精确反例不断出现。普通benchmark到这里通常只会留下一个标签：FAILED。

但这套工作流没有停止。Agent继续追问：反例到底破坏了什么？失败有没有稳定结构？最后研究将注意力转向一个固定的负向缺陷，构造出十项修正结构，并提出一个新的统一有界性猜想。更关键的是，新猜想随后又被另一轮精确计算和独立审查反过来攻击。公开归档扫描到index 1004；这个统一界至今仍未证明。

这件事的意义并非“AI又证明了一个大定理”——事实上它没有。意义在于：原问题没有解决，但失败路线被压缩成了一个更清楚、更可证伪、且一旦成立就能重新连接原问题的新命题。研究没有在失败处终止，而是在失败里长出了下一道题。

过去：人类出题，AI答题。现在：AI答题，也开始参与决定“下一道题是什么”。

6篇AI新猜想

截至当前公开快照，仓库将6篇论文单独归入“AI-Proposed Conjectures”。这些工作横跨组合、图论、数论与分析型问题，包括A182510三个子序列的无限binary-kernel矩阵非奇异性、Young图形的CDS-colorability、最大度不超过6的无三角图分解、18-colored generalized Frobenius partitions的unary-theta同余公式、reciprocal-subsum denominators在dyadic stages上的Newton系数非负性，以及前述fractional Gaussian trace固定缺陷猜想。

真正值得关注的不是AI能否“脑洞一个猜想”。随口猜一句并不难。难的是将猜想写成精确定义，说明它从哪里来、什么证据支持、什么反例能推翻、如果成立会导向什么结果，并将计算和源码一起留给后续复核。

这也是为什么项目将“提出猜想”视为比“生成答案”更高一级的研究动作：证明回答的是已有问题，猜想则会改变之后的研究资源投向。

453份手稿背后，是一种“Agent规模化科研”的雏形

AI Has Taste目前公开了453份research manuscripts，总计2312页；其中BigWIN2一套工作流就对应223份手稿，并为这223份工作提供配对的LaTeX/复现材料包。

这类规模最反直觉的地方，并非“AI打字快”。数学研究真正昂贵的是上下文切换：这一题需要图论，下一题要数论，再下一题可能要SAT、穷举、精确有理数运算或者矩阵计算。一个人类研究者不可能同时维持几百条完全不同的思路，但Agent系统可将它们拆成独立任务，将失败路线、局部定理和可复现实验都保存下来。

于是，个人研究者的角色正在发生变化：不是每一步都亲自推，而更像一个PI——设定研究边界、选择问题池、决定哪些结果值得继续投入、什么时候应该停止，以及哪些结论有资格被公开。

为什么叫“AI Has Taste”？

“AI有品味”听起来很拟人化，但项目README特意给出了边界：这里的taste不是意识或主观体验，而是“通过研究决策表现出来的数学判断”。

比如：两个问题都能做，先做哪个？一条路线已有局部进展，但边际收益越来越低，要不要停？一个反例是将命题判死刑，还是说明真正的定理应换一种表述？一个小结果够不够独立成篇？这些决定过去通常隐含在研究者经验里，很难被标准benchmark测量。

AI Has Taste试图将这些决定留下可检查的轨迹：选了哪个问题、为什么换路线、失败留下了什么结构、下一步命题从哪里来，以及新结论如何被独立上下文再次攻击。

离“自主数学家”还有多远？

这个项目最容易被夸大的地方，同样需要说清楚。453份手稿不是453篇经过正式同行评审的期刊论文；Agent内部review不等于数学共同体的独立审稿；有限计算覆盖的范围也不能自动推广到无限情形。仓库本身明确写出了这些限制。

但如果只因为这些结果尚未全部完成外部验证，就忽略它的研究组织方式，也会错过另一个变化：AI的能力边界正从“执行一个给定任务”，移动到“参与设计下一个任务”。

数学研究真正稀缺的资源，从来不只有算力和推理长度，还包括：什么问题值得花时间，什么失败值得保留，什么时候应该换题。

当AI开始进入这些环节，“AI for Math”的竞争就不再只是“谁更会证明”，而会逐渐变成：谁拥有更好的研究闭环，谁能在大量失败中提炼出更值得继续追的方向。

One More Thing

过去的AI科研叙事，很像一个超级学生：老师出题，它负责解。

而AI Has Taste想做的，更像一个研究组：人类给出边界和价值判断，Agent去找题、试题、做错、推翻自己、留下局部结果，再提出下一题。

如果这条路线继续成立，未来基础研究里最重要的人机分工，也许会从“人类负责想，AI负责算”变成更复杂的结构：人类负责目标、价值与最终责任；AI承担大规模搜索、验证、失败管理和候选研究方向生成；形式化工具与公开证据负责让结果可复核。

AI会做题之后，下一关，可能真的是：AI会不会选题。

本文来自微信公众号“新智元”，作者：新智元，36氪经授权发布。