新智元報道

【新智元導讀】自今年2月以來，AxiomProver已讓8篇覆蓋最硬核領(lǐng)域的AI論文現(xiàn)身arXiv，6篇正在籌備。上午出題下午交卷的節(jié)奏，讓博士生禿頭、教授評職稱的日子一去不復返。接下來AI能做到什么？

數(shù)學家睡不著覺了！

想象你是一名審稿人。

有一天，一篇論文落到你手里。它聲稱證明了某個困擾同行幾十年的難題。

你深吸一口氣，泡上咖啡，開始逐行驗算——可能要幾個月，甚至好幾年。

這并非夸張。

在數(shù)學界，硬核論文從投稿到見刊，等上兩三年是家常便飯。

整個現(xiàn)代數(shù)學，建立在一套極其昂貴、極其緩慢、還偶爾出岔子的「人肉信用系統(tǒng)」上。

每一個「正確」背后，都是某個累得眼冒金星的人類專家在替它背書。

現(xiàn)在，數(shù)學家ken Ono說：這套系統(tǒng)，該升級了。

Ken Ono的這句話，含金量十足，他被美國數(shù)學學會前主席Ken Ribet稱為「數(shù)學界的傳奇人物」。

Ken Ono以對印度數(shù)學奇才拉馬努金（Srinivasa Ramanujan）理論的深入研究而聞名，還帶領(lǐng)了美國頂尖的本科研究項目，培養(yǎng)過10位Morgan Prize得主，Axiom創(chuàng)始人廣州00后洪樂潼就是其中的一位。

一個上午就能解開難題的AI

這個AI工具叫AxiomProver。

它有多猛？

據(jù)報道，自今年2月以來，已有8篇論文悄悄出現(xiàn)在arXiv（全球數(shù)學家扔預印本的地方）上，覆蓋代數(shù)幾何、表示論、數(shù)論、組合數(shù)學這幾個最硬的領(lǐng)域。

其中5篇已被權(quán)威數(shù)學期刊接收，另有多篇正在期刊審查中，還有6篇在籌備。

據(jù)他們所知，以這種方式把「論文+形式化證明證書」引入期刊文獻，這在歷史上還是頭一回。

但真正讓人頭皮發(fā)麻的，是速度。

有時候，數(shù)學家上午10點丟給系統(tǒng)一個尚未解決的開放研究問題。當天下午4點，AI就能給出一份完整的、經(jīng)過機器驗證的證明。

上午出題，下午交卷。中間隔著一頓午飯的工夫。

這要擱過去，是一篇能讓博士生熬禿頭、讓教授評上職稱的成果。

它憑什么「不會算錯」？

聊到這你可能會皺眉：AI不是經(jīng)常一本正經(jīng)地胡說八道嗎？這玩意兒，憑什么信它？

問得好。這恰恰是整件事最關(guān)鍵的地方。

普通的大語言模型（就是你天天用的那種聊天AI），本質(zhì)上是在「猜」下一個最可能的詞。

猜得多了自然會出錯——它們剛出道那會兒，連小學算術(shù)都能算砸，被人嘲笑了好一陣。

但AxiomProver走的是另一條路。它生成的證明，全部用一種叫Lean的形式化語言寫成。

Lean是什么？

你可以把它理解成一個鐵面無私、毫無情商的機器裁判。

它不在乎你的證明讀起來多優(yōu)雅、思路多巧妙，只認一件事：每一步推理在邏輯上是不是嚴絲合縫。差一個符號，對不起，不通過。

所以，AxiomProver證明的「正確性」，不再依賴某個人類專家熬夜幫你檢查，而是由機器當場蓋章背書。

它沒法蒙混過關(guān)，因為一旦寫錯，機器自己當場就知道。

人類審稿人會累、會困、會看走眼。機器裁判不會。

數(shù)學的「信用危機」和「速度瓶頸」在崩塌

講到這，我們可以把這事的真正分量攤開說了。

科學發(fā)現(xiàn)長期卡在兩個老大難問題上。

第一個是信用危機。

數(shù)學證明到底對不對，最終要靠人來拍板。但人會犯錯、有立場、精力有限，這套「靠人背書」的系統(tǒng)本質(zhì)上是脆弱的。

第二個是速度瓶頸。

審稿動輒數(shù)年，不是因為審稿人懶，而是人腦驗算的速度就是這么慢。再聰明的腦子，一天也只有24小時。

AxiomProver這套打法，等于同時朝這兩個痛點開了一槍。

信用問題交給機器：Lean檢查器蓋的章比任何人類專家都可靠。

這就是期刊審稿能快得嚇人的原因——審稿人不必再從零驗算，只需判斷這成果重不重要、寫得好不好。

速度問題交給算力：上午出題下午交卷，這種節(jié)奏在人類時代是天方夜譚。

AI這次引起數(shù)學界地震。

去年10月，OpenAI宣稱GPT-5「解決」了10個埃爾德什難題。

數(shù)學界直呼造假。Demis Hassabis稱其「令人尷尬」。

7 個月后，OpenAI和DeepMind竟在同一周內(nèi)，雙雙發(fā)布了經(jīng)過驗證的數(shù)學突破。

而Axiom想做的，是把數(shù)學從「手工作坊」的農(nóng)業(yè)時代推進「即時驗證、機器背書」的工業(yè)化時代。

接下來AI能做到什么？

參考資料：

https://x.com/axiommathai/status/2059640252546126087?s=20https://www.axios.com/2026/05/26/axiom-ai-math-journalhttps://axiommath.ai/papers

編輯：大衛(wèi)