突破背后的自主流程

这一成就得益于一个令人惊叹的多智能体工作流，连Anthropic的研究人员也感到惊讶：

• 一位没有深厚数学背景的Anthropic员工要求模型“认真尝试证明”这一猜想。
• 在大约 1.5天 的时间里，模型通过 60个协调的子智能体 测试了大约 650个候选方案。
• 整个过程消耗了 3100万输出tokens，分两次运行，执行了 2400个Shell命令，并审阅了 54篇arXiv论文。
• 60个子智能体中有两个负责提出了关键的数学突破。
• 获胜的方法 综合了Enrico Bombieri 2000年的一篇论文与更近期的研究成果——这一组合此前从未被任何人类研究者想到过。

双重验证：人类专家+形式化证明

两位内部数学家— Levent Alpöge 和 Ralph Furmaniak — 审核并确认了这一证明。随后，该论证在交互式定理证明器 Lean 中完成了形式化，生成了一个机器可检查的正确性证书。这种双重验证（专家人工审阅+形式化验证）被广泛认为是AI生成数学结果的最佳实践证据。

转折点：2026 —— AI进入开放问题研究之年

Claude对黎曼下界的提升并非孤立事件。2026年见证了一系列由AI主导的加速突破：

• 2026年5月 — OpenAI宣布，其一个未发布的一般推理模型自主否证了已有80年历史的 Erdős单位距离猜想。
• 2026年5月 — Google DeepMind的 AlphaProof Nexus 解决了 九个开放的Erdős问题（有些已56年未解），并证明了来自整数序列在线百科（OEIS）的44个猜想，全部在Lean中形式化。
• 2026年7月 — Anthropic数学家Levent Alpöge使用未发布的“Fable 5”模型找到了 雅可比猜想（1939年提出）的一个反例。
• 2026年8月 — OpenAI的 Astra 模型据报告以约2000美元的计算成本解决了十个数十年前的数学问题，并在GitHub上发布了Lean格式的机器可验证证明。

多位评论者指出，该领域在2026年年中跨过了一个门槛：AI系统已从解决竞赛级数学转变为产生可发表、开放问题级别的研究。

争议：作者归属、标准与《莱顿宣言》

AI生成数学的飞速发展引发了激烈辩论：

• 2026年6月，一个由16位数学家组成的小组发表了 《莱顿人工智能与数学宣言》 ，建议对证明结构、作者归属和AI生成结果的人工监管制定新标准。该宣言已被国际数学联盟讨论。
• 核心争议包括：当AI生成证明时，谁应获得作者荣誉？如果证明过于庞大或新颖，人类在无形式化工具的情况下无法完全审查，该领域能否维持 认识论上的信任？期刊应如何 同行评审 那些没有任何人类能独立产生的结果？
• 一些数学家认为，AI辅助证明有侵蚀 理解和解释性洞见 的风险——一个证明可能正确却晦涩难懂。其他人则认为Lean中的形式化验证提供了比传统同行评审更严格的标准。

这对AI发现新科学的能力意味着什么

Anthropic的黎曼结果在几个具体方面推进了讨论：

1. 自主探索的规模至关重要。

在60个子智能体中测试650个想法表明，多智能体架构能够进行系统性的搜索，其规模是任何人类研究团队在同一时间内无法比拟的。问题从“AI能做数学吗？”转变为“我们应如何将AI规模的探索整合到科学发现流程中？”

2. 偶然的综合成为可能。

一个未经数学训练的模型将Bombieri（2000年）论文与更新成果结合起来——一种人类从未见过的组合——这表明AI能够跨越不同文献做出非显而易见的概念联系。这一能力直接回应了关于大语言模型仅能“插值”还是能够“真正发现”的核心争论。

3. 形式化验证解决了信任问题。

Lean形式化意味着该结果并非“黑箱”断言。它是一个可证明正确的定理，任何数学家都可以机械地检查。这为如何使AI生成的科学结果变得可验证提供了模板，解决了反对AI主导发现的最有力论点之一。

4. 作者身份和标准的争论是建设性的，而非瘫痪性的。

惊人结果（DeepMind、OpenAI、Anthropic）与社区主导的制度回应（《莱顿宣言》）的同时出现表明，数学界正在适应而非退缩。当前的讨论集中在规范和荣誉上，而不是全盘否定AI的输出。

5. 发现的成本和速度正在坍塌。

OpenAI Astra结果约2000美元的计算成本，以及Claude对黎曼下界36小时的周转时间表明，一项可发表的数学发现的边际成本正趋近于零。这对于研究者选择追求什么问题以及谁能参与数学研究具有深远影响。

结论

Anthropic对黎曼下界的提升是一个里程碑式的示范，表明AI系统如今能够自主发现可发表、可形式化验证的数学结果，从而推进了一个150年历史的开放问题。结合2026年一系列类似的突破，它推动着讨论从“AI能否为科学发现做出贡献”转向“科学界应如何为一个新类别——AI共同发现者——构建激励、归属和验证机制”。

突破背后的自主流程

这一成就得益于一个令人惊叹的多智能体工作流，连Anthropic的研究人员也感到惊讶：

• 一位没有深厚数学背景的Anthropic员工要求模型“认真尝试证明”这一猜想。
• 在大约 1.5天 的时间里，模型通过 60个协调的子智能体 测试了大约 650个候选方案。
• 整个过程消耗了 3100万输出tokens，分两次运行，执行了 2400个Shell命令，并审阅了 54篇arXiv论文。
• 60个子智能体中有两个负责提出了关键的数学突破。
• 获胜的方法 综合了Enrico Bombieri 2000年的一篇论文与更近期的研究成果——这一组合此前从未被任何人类研究者想到过。

双重验证：人类专家+形式化证明

两位内部数学家— Levent Alpöge 和 Ralph Furmaniak — 审核并确认了这一证明。随后，该论证在交互式定理证明器 Lean 中完成了形式化，生成了一个机器可检查的正确性证书。这种双重验证（专家人工审阅+形式化验证）被广泛认为是AI生成数学结果的最佳实践证据。

转折点：2026 —— AI进入开放问题研究之年

Claude对黎曼下界的提升并非孤立事件。2026年见证了一系列由AI主导的加速突破：

• 2026年5月 — OpenAI宣布，其一个未发布的一般推理模型自主否证了已有80年历史的 Erdős单位距离猜想。
• 2026年5月 — Google DeepMind的 AlphaProof Nexus 解决了 九个开放的Erdős问题（有些已56年未解），并证明了来自整数序列在线百科（OEIS）的44个猜想，全部在Lean中形式化。
• 2026年7月 — Anthropic数学家Levent Alpöge使用未发布的“Fable 5”模型找到了 雅可比猜想（1939年提出）的一个反例。
• 2026年8月 — OpenAI的 Astra 模型据报告以约2000美元的计算成本解决了十个数十年前的数学问题，并在GitHub上发布了Lean格式的机器可验证证明。

多位评论者指出，该领域在2026年年中跨过了一个门槛：AI系统已从解决竞赛级数学转变为产生可发表、开放问题级别的研究。

争议：作者归属、标准与《莱顿宣言》

AI生成数学的飞速发展引发了激烈辩论：

• 2026年6月，一个由16位数学家组成的小组发表了 《莱顿人工智能与数学宣言》 ，建议对证明结构、作者归属和AI生成结果的人工监管制定新标准。该宣言已被国际数学联盟讨论。
• 核心争议包括：当AI生成证明时，谁应获得作者荣誉？如果证明过于庞大或新颖，人类在无形式化工具的情况下无法完全审查，该领域能否维持 认识论上的信任？期刊应如何 同行评审 那些没有任何人类能独立产生的结果？
• 一些数学家认为，AI辅助证明有侵蚀 理解和解释性洞见 的风险——一个证明可能正确却晦涩难懂。其他人则认为Lean中的形式化验证提供了比传统同行评审更严格的标准。

这对AI发现新科学的能力意味着什么

Anthropic的黎曼结果在几个具体方面推进了讨论：

1. 自主探索的规模至关重要。

在60个子智能体中测试650个想法表明，多智能体架构能够进行系统性的搜索，其规模是任何人类研究团队在同一时间内无法比拟的。问题从“AI能做数学吗？”转变为“我们应如何将AI规模的探索整合到科学发现流程中？”

2. 偶然的综合成为可能。

一个未经数学训练的模型将Bombieri（2000年）论文与更新成果结合起来——一种人类从未见过的组合——这表明AI能够跨越不同文献做出非显而易见的概念联系。这一能力直接回应了关于大语言模型仅能“插值”还是能够“真正发现”的核心争论。

3. 形式化验证解决了信任问题。

Lean形式化意味着该结果并非“黑箱”断言。它是一个可证明正确的定理，任何数学家都可以机械地检查。这为如何使AI生成的科学结果变得可验证提供了模板，解决了反对AI主导发现的最有力论点之一。

4. 作者身份和标准的争论是建设性的，而非瘫痪性的。

惊人结果（DeepMind、OpenAI、Anthropic）与社区主导的制度回应（《莱顿宣言》）的同时出现表明，数学界正在适应而非退缩。当前的讨论集中在规范和荣誉上，而不是全盘否定AI的输出。

5. 发现的成本和速度正在坍塌。

OpenAI Astra结果约2000美元的计算成本，以及Claude对黎曼下界36小时的周转时间表明，一项可发表的数学发现的边际成本正趋近于零。这对于研究者选择追求什么问题以及谁能参与数学研究具有深远影响。

结论

Anthropic对黎曼下界的提升是一个里程碑式的示范，表明AI系统如今能够自主发现可发表、可形式化验证的数学结果，从而推进了一个150年历史的开放问题。结合2026年一系列类似的突破，它推动着讨论从“AI能否为科学发现做出贡献”转向“科学界应如何为一个新类别——AI共同发现者——构建激励、归属和验证机制”。