“數學界AlphaGo時刻”！
祖克柏押中超級智能？Meta AI攻入數學無人區，突破6大世界難題！
AI開始真正挑戰數學家的“無人區”。
Meta超級智能實驗室研究人員畢樹超近日公佈了一組引發數學界和AI圈關注的成果：
過去約6個月，多位數學家借助Meta AI模型Muse Spark 1.1和1.2，對一批此前尚未解決的開放性研究問題展開探索，相關工作橫跨群論、微分方程、機率論、算術物理、最佳化理論和非結合代數等領域。
最值得關注的並不是AI會做奧數題，也不是AI能解一道已知答案的數學題，而是它開始參與真正的前沿數學研究：
尋找反例、生成程式碼、推導公式、嘗試證明，甚至直接參與論文技術章節的起草。
畢樹超將這種變化稱為：
“數學界的AlphaGo時刻。”
1、Meta AI連破6題
什麼是開放性數學問題？
簡單來說，就是人類自己也不知道答案的問題。
過去我們熟悉的大模型數學測試，大多仍然屬於“已知答案、未知過程”：題目雖然很難，但答案原則上已經存在。
開放性研究完全不同。
這裡沒有標準答案，沒有現成解題路線，甚至沒人知道一個猜想究竟是對還是錯。數學家可能花幾年甚至幾十年尋找證明，最後卻發現原來的方向根本走不通。
而這一次，Muse Spark參與的正是這種研究。
根據Meta披露的資訊，多位數學研究人員通過Muse Spark 1.1和1.2開展合作研究，成果涉及六個不同數學方向。
更重要的是，AI的角色已經不只是“查資料”。
它開始真正參與研究過程。
寫程式碼、找反例、驗證不等式、提出證明思路、轉換不同數學語言，甚至生成論文中的部分技術內容。
這也是為什麼畢樹超認為，2026年可能成為AI數學研究的重要轉折點。
2、群論：找到反例
第一場“硬仗”來自群論。
2024年，數學家M. Kida提出一個猜想：具有“半阿貝爾”性質的有限群，是否一定具有“單項式”性質？
要證明一個猜想錯誤，最直接的方法就是找到反例。
問題是，數學世界裡的反例往往隱藏在巨大的搜尋空間中。
Muse Spark參與後，直接生成搜尋程式碼，並借助數學軟體系統尋找特殊結構，最終發現一個包含384個元素的有限群。
它滿足半阿貝爾條件，卻不滿足對應的單項式性質。
也就是說，一個具體的“黑天鵝”出現了。
這項工作的重要意義不僅是找到答案，更在於展示了AI的一種新能力：面對龐大的數學結構空間，它可以自己構造搜尋方法、編寫程式碼，再從海量候選對象中尋找能夠推翻猜想的特殊案例。
這已經非常接近數學研究中的“實驗”。
3、微分方程：證明坍縮
第二個突破來自偏微分方程。
研究對像是質量臨界雙調和非線性薛定諤方程。
名字非常複雜，但核心問題可以簡單理解為：
在某些條件下，一個不斷聚集的波究竟會不會在有限時間內發生“爆炸式坍縮”？
圍繞這一問題，數學界長期存在理論挑戰。
Muse Spark輔助研究人員Leonard Dinh進行了大量放縮計算，並探索不同維裡恆等式的變體，最終幫助建立嚴格證明。
相關結果表明，在二維及更高維度、滿足徑向對稱和負能量等條件時，對應解會在有限時間內發生爆破。
AI在這裡承擔的工作尤其值得關注。
因為偏微分方程研究往往包含大量複雜公式變換，一個中間步驟出錯，後面的證明可能全部失效。
過去這些工作高度依賴數學家的經驗和耐心，而現在，大模型開始成為數學家的“推導搭檔”。
4、機率論：找到臨界點
第三項成果來自高維機率論。
問題可以形象地理解為：
在一個極高維空間裡，隨機撒下一批高斯點，能不能找到一個橢球面，讓這些點恰好全部落在上面？
當隨機點比較少時，答案可能是可以。
但隨著點越來越多，總會出現一個臨界點。
一旦越過它，擬合突然變得幾乎不可能。
真正困難的問題，就是找到這條精確的“生死線”。
在數學家Aykut Arslan等研究人員的工作中，Muse Spark幫助處理複雜的機率不等式和理論推導，研究進一步確定了高斯橢球擬合問題中的嚴格閾值。
這類問題在高維機率、統計學和機器學習理論中都有重要意義。
值得注意的是，當時還有其他獨立研究團隊同時研究相關問題。這也意味著，AI已經開始進入人類數學家競爭最激烈的前沿研究區域，而不僅僅是在解決已經被寫進教科書的問題。
5、算術物理：跨界推理
第四項工作更加“燒腦”。
它試圖連接兩個看起來距離非常遙遠的領域：
數論與弦理論。
早在上世紀80年代，數學家Yuri Manin等人就曾探索數論結構與物理理論之間可能存在的深層聯絡。
這一次，Muse Spark協助研究人員探索p進制弦理論與數論之間的聯絡。
研究從Tate曲線進一步推廣到更加複雜的虧格二Mumford曲線，並討論不同數學表述下相關物理量之間的對應關係。
Muse Spark在這一過程中不僅提供思路，還參與起草了論文中的多個技術部分，包括複雜的代數幾何轉換與候選證明。
這可能是六項成果中最能體現大模型優勢的一項。
因為人類數學家通常會在某一個專業領域深耕多年，而大模型訓練資料橫跨大量數學、物理和電腦科學文獻。
當模型具備足夠強的推理能力後，這種“大跨度知識連接”可能成為一種新的科研能力。
6、最佳化理論：找到邊界
第五項成果來自最佳化理論。
複雜最佳化問題經常會使用“鬆弛”方法，把一個極難計算的問題轉換成更容易求解的問題。
但這裡始終存在一個核心問題：
簡化之後，答案還是原來的答案嗎？
如果簡化過頭，就可能產生誤差。
因此數學家希望知道，在什麼條件下，這種鬆弛是嚴格無損的。
Muse Spark在相關研究中引入機率重構等視角，協助研究人員分析特定結構下鬆弛方法的緊致性。
最終得到的結果，可以簡單理解為：
某些交集區域中的決策變數數量決定了鬆弛是否能夠保持精確。
這類成果聽起來沒有“破解百年猜想”那麼戲劇化，卻非常重要。
因為最佳化理論直接影響運籌學、晶片設計、AI訓練、工業調度和金融計算等大量現實問題。
7、非結合代數：推翻猜想
第六項成果來自演化代數。
演化代數是一類受到生物遺傳和演化過程啟發的非結合代數結構。
此前研究人員曾提出一種判別方式，希望判斷某些演化代數是否具有“可解”性質。
Muse Spark根據數學家的提示，很快構造出了一個三維反例。
這個反例能夠滿足原有測試條件，卻並不具備預期的可解性質。
更有意思的是，AI沒有停留在“找到漏洞”。
在推翻原有猜想之後，它還進一步幫助研究人員探索替代性的描述方式：與其只觀察單個元素，不如從整體子空間結構重新理解問題。
從“找反例”到“提出新表徵”，AI開始表現出更接近研究型數學工作的能力。
8、畢樹超：從數學博士到AI
這次事件背後，還有一個非常有意思的人物——畢樹超。
畢樹超擁有數學與統計學背景，本科就讀於浙江大學數學系，之後前往加州大學伯克利分校深造，獲得統計學碩士和數學博士學位。
後來，他的研究方向逐漸轉向機器學習、強化學習以及AI智能體。
2025年，畢樹超加入Meta超級智能實驗室，參與前沿AI模型研究。
他曾談到，自己學習數學時逐漸意識到，要依靠個人能力獨立攻克那些真正頂尖的開放性數學問題極其困難。
於是，他換了一條路線。
不是一定要讓自己成為下一個高斯，而是嘗試訓練一個足夠強大的AI，讓AI幫助人類解決那些過去只有“高斯級天才”才可能挑戰的問題。
這也是Muse Spark故事最有衝擊力的地方。
數學博士沒有放棄數學。
他只是換了一種方式重新回到數學。
9、網頁聊天也能做科研
還有一個細節值得關注。
參與相關研究的數學家，並不一定需要自己搭建龐大的AI計算叢集。
根據Meta披露的研究方式，研究人員可以通過Meta AI介面與Muse Spark進行互動，通過自然語言不斷提出問題、驗證思路、修改提示，再推進研究。
這意味著AI科研能力正在從少數實驗室內部工具，逐漸變成普通研究人員也能直接使用的“科研助手”。
過去，數學家的工具主要是紙、筆、黑板、Mathematica、MATLAB或者各種專業數學軟體。
現在，工具箱裡可能還要再增加一個東西：
大模型。
真正的變化也許不是“AI取代數學家”。
而是未來最強的數學研究團隊，很可能會從“數學家+數學家”，逐漸變成“數學家+AI”。
10、數學界的AlphaGo時刻？
為什麼畢樹超會把2026年的變化稱為“數學界AlphaGo時刻”？
2016年，AlphaGo擊敗李世石。
真正震撼世界的，並不僅僅是AI贏了圍棋冠軍，而是機器在一個長期被認為高度依賴人類直覺、經驗和創造力的領域，展示出了超出許多人預期的能力。
十年後，類似的一幕正在數學研究中出現。
過去，大模型做數學，大家討論的是“它能不能解題”。
現在，問題正在變成：
AI能不能發現人類還不知道答案的問題？
Muse Spark參與的這些研究給出了一個值得關注的訊號——大模型已經開始進入開放性數學研究。
當然，這並不意味著AI已經可以獨立解決所有數學難題。數學論文仍然需要嚴格證明、同行評議和長期檢驗，模型產生的推理同樣可能存在錯誤。
但變化已經出現。
從解題，到證明。
從證明，到找反例。
從找反例，到提出新的研究路線。
AI正在一步步從“數學工具”，走向“科研合作者”。
而數學可能只是開始。
如果類似的推理、搜尋和假設生成能力繼續提升，它未來還可能進一步進入理論物理、化學、材料科學、生物學等研究領域。
2026年，我們看到的也許不僅僅是Meta AI解決了幾個數學問題。
更值得關注的是，一種新的科研範式正在出現：
人類提出問題，AI探索未知，人類驗證答案。
數學家的“新搭檔”，已經坐到了黑板前。(深科技)