當(dāng) AI 與數(shù)學(xué)在上海相遇：2025 WAIC背后的智慧革命

一水 2025-07-27 12:11:51 來源：量子位

2025 年 7 月 26 日，上海世博展覽館迎來一場聚焦 “人工智能的數(shù)學(xué)邊界與基礎(chǔ)重構(gòu)” 的高端論壇。作為世界人工智能大會（WAIC）的重要組成部分，這場由上海市普陀區(qū)人民政府與菲數(shù)中國主辦、上海市人工智能行業(yè)協(xié)會和上海東浩蘭生威客引力信息科技有限公司聯(lián)合承辦的盛會，正成為全球關(guān)注的焦點。當(dāng) AI 技術(shù)與數(shù)學(xué)研究進入深度交織的新階段，2025 WAIC的召開恰如一場及時雨，為二者的協(xié)同發(fā)展搭建了關(guān)鍵對話平臺。

一、AI與數(shù)學(xué)為何成為全球智識焦點？

近年來，人工智能與數(shù)學(xué)的雙向需求日益迫切，推動著這場論壇的誕生。一方面，當(dāng)大模型參數(shù)突破萬億，傳統(tǒng)基于經(jīng)驗的調(diào)參方法陷入瓶頸，模型的泛化能力、安全性、能耗控制等核心問題，亟待數(shù)學(xué)理論的系統(tǒng)性支撐 —— 大模型優(yōu)化依賴凸優(yōu)化與非凸優(yōu)化理論，Transformer 架構(gòu)的注意力機制根植于概率統(tǒng)計與信息論，機器學(xué)習(xí)安全涉及博弈論與密碼學(xué)，多模態(tài)融合則需要拓?fù)鋵W(xué)與流形學(xué)習(xí)的支撐。另一方面，AI 對數(shù)學(xué)的反哺效應(yīng)愈發(fā)顯著，DeepMind 的 AlphaGeometry 在證明歐幾里得平面幾何定理方面超越 IMO 參賽者平均水平，其核心正是將幾何問題轉(zhuǎn)化為 AI 擅長的符號推理任務(wù)，這種 “AI for Math” 的模式正在改寫數(shù)學(xué)研究范式。

在此背景下，2025 WAIC 的 “人工智能的數(shù)學(xué)邊界與基礎(chǔ)重構(gòu)論壇” 亮點紛呈，全方位展現(xiàn)了 AI 與數(shù)學(xué)交叉領(lǐng)域的前沿動態(tài)與深度碰撞：

（一）來自菲爾茲獎得主的關(guān)注

兩位菲爾茲獎得主的深度參與成為論壇最大亮點。普林斯頓大學(xué)的 Charles Fefferman 通過視頻致辭，帶領(lǐng)觀眾回溯數(shù)學(xué)與計算的發(fā)展歷程，從早期機械驗證到如今 AI 賦能的協(xié)同演進，為全球研究者指明攻堅方向。而著名數(shù)學(xué)家、菲爾茲獎首位華人得主丘成桐教授為論壇特別選題命題，題目由其團隊聯(lián)合歐洲、日本數(shù)學(xué)家精心遴選，聚焦幾何與代數(shù)的交叉難題，直接考驗 AI 的深層推理能力，由機器模型現(xiàn)場作答，屏幕實時展示 AI 推理過程。這種 “人類出題 — 機器作答” 的模式，既是對 AI 能力的檢驗，也是人機協(xié)同的一次生動演示，旨在通過頂尖數(shù)學(xué)家的 “問題嗅覺”，引導(dǎo) AI 聚焦真正具有突破性的核心難點，避免技術(shù)算力的無效消耗。

大模型現(xiàn)場解答數(shù)學(xué)題

丘成桐教授的命題引發(fā) “人機對抗” 看點。上海人工智能實驗室、商湯科技、階躍星辰、MiniMax 四家機構(gòu)的基礎(chǔ)大模型現(xiàn)場解題，左側(cè)屏幕實時展示 AI 推理過程。其中，上海人工智能實驗室的 Intern-IMO 系統(tǒng)成功破解 2025 年國際數(shù)學(xué)奧林匹克競賽首題，通過自然語言推理完成幾何構(gòu)型分析與歸納證明，獲 IMO 官方打分員認(rèn)可，該模型數(shù)學(xué)直覺比較出色。在思考過程中沒有做冗余的探索，快速找到了正確思路把題做對了；商湯 “日日新” 大模型更通過圖文混合輸入，分別以坐標(biāo)計算與輔助線構(gòu)造兩種方法求解平面幾何題，展現(xiàn)多路徑推理能力，對于第一問，它巧妙地運用三項遞推關(guān)系，通過數(shù)學(xué)歸納法清晰地證明了多項式的階數(shù)；第二問的證明，通過引入精妙的變量代換，將看似復(fù)雜的恒等式兩端化歸為統(tǒng)一的三角形式；而在第三問證明時，將多項式的內(nèi)積問題轉(zhuǎn)換回三角函數(shù)的求和。整個解答邏輯清晰，層層遞進，不僅解決了問題，更揭示了問題背后的數(shù)學(xué)結(jié)構(gòu)之美；階躍星辰模型則在不等式證明中展現(xiàn) “工具調(diào)用” 能力，當(dāng)自身代數(shù)計算出錯時，主動借助外部工具驗證并修正思路，最終完成形式化驗證，其中，流程中的step3能正確理解數(shù)學(xué)中“芽”的概念，并且成功構(gòu)造出題目所要求的素理想，并且嚴(yán)格驗證其滿足素性。此外，Step3能通過構(gòu)造非平凡的函數(shù)例子來證明，構(gòu)造出的素理想非平凡素理想。這也體現(xiàn)了，step3已經(jīng)具備了理解和運用專業(yè)數(shù)學(xué)知識，并進行成熟的數(shù)學(xué)邏輯推理的潛力；MiniMax的M1正確地解答本來的問題之后，還正確地回答了“條件減弱后，結(jié)論是否成立”的問題， 而4o在經(jīng)過幾輪提示后才針對這個問題給出正確的答案但是沒有M1的思路清晰和嚴(yán)謹(jǐn)。

（三）數(shù)學(xué)家與大模型的思維激蕩

圓桌論壇上，數(shù)學(xué)家與大模型團隊展開深度交鋒。西班牙國家研究委員會研究員鄭凡與上海人工智能實驗室專家合作，展示 AI 對復(fù)雜幾何題的分步拆解，模型通過分類討論排除不可能情況，最終鎖定陽光線數(shù)量規(guī)律；復(fù)旦大學(xué)印佳教授與商湯團隊則呈現(xiàn) AI 對學(xué)生錯誤解答的批改過程，模型不僅指出角度計算失誤，還追溯邏輯漏洞源頭。上?？萍即髮W(xué)蔡明亮教授點評稱，大模型在概率遞推問題中展現(xiàn)的邏輯鏈完整性令人驚訝，但在需要 “反直覺” 構(gòu)造的場景仍顯不足，而這正是人類數(shù)學(xué)家的核心價值所在。

（四）數(shù)學(xué)與 AI 的握手：國際高校結(jié)對

論壇現(xiàn)場舉行中外學(xué)生 “結(jié)對” 儀式，10 位來自牛津大學(xué)、劍橋大學(xué)、多倫多大學(xué)、慕尼黑工業(yè)大學(xué)等國際高校，與上海交大、復(fù)旦大學(xué)、同濟大學(xué)等沿滬寧高校的數(shù)學(xué)與 AI 專業(yè)學(xué)生攜手，象征數(shù)學(xué)與 AI 的跨域融合。中國科學(xué)院院士徐宗本、普陀區(qū)委副書記周艷等見證這一時刻。結(jié)對后，學(xué)生將圍繞 “AI 輔助形式化證明”” 數(shù)論問題的機器學(xué)習(xí)探索 “等課題開展聯(lián)合研究，形成” 本土培育 + 國際交流 ” 的人才培養(yǎng)閉環(huán)，為全球數(shù)學(xué)智能領(lǐng)域儲備青年力量。

頂尖學(xué)者的主旨演講

中國科學(xué)院院士徐宗本在《AI：無限維問題 vs 有限維技術(shù)》演講中，直指 AI 架構(gòu)設(shè)計的核心矛盾 —— 智能問題本質(zhì)是無限維的，而技術(shù)實現(xiàn)卻受限于有限參數(shù)，提出通過算子簇公共不動點理論設(shè)計深度架構(gòu)，并以實驗證明大模型存在 “冗余閾值”，為模型優(yōu)化提供數(shù)學(xué)依據(jù)。徐院士提到，智能就是指有限的知識走向無限的知識所呈現(xiàn)的性質(zhì)。無限維問題是本質(zhì)，有限維技術(shù)是現(xiàn)實，設(shè)計它的架構(gòu)一定要從無窮維出發(fā)，通過修正算子的性質(zhì)才能構(gòu)成一個可用的架構(gòu)。歐洲科學(xué)院院士 Torsten Hoefler 則聚焦算力與推理進化，分析大語言模型從 “下一詞預(yù)測” 到 “思維樹推理” 的躍遷，提出通過量化壓縮與稀疏激活提升效率，其團隊研發(fā)的網(wǎng)絡(luò)拓?fù)洳呗允?AI 算力利用率提升 10-15 倍。

（六）兩大國際數(shù)學(xué)實驗室首發(fā)

Hitchin–Ngo 實驗室（聚焦代數(shù)幾何與數(shù)學(xué)物理）與 Fefferman 實驗室（深耕流體力學(xué)與納維 – 斯托克斯方程）在滬揭牌，標(biāo)志著國際頂尖數(shù)學(xué)研究力量落地上海。Hitchin–Ngo 實驗室將攻關(guān)鏡像對稱等前沿問題，探索幾何與物理的深層聯(lián)系；Fefferman 實驗室則致力于用 AI 破解流體力學(xué)奇異性難題，助力天氣預(yù)報與湍流模擬。西班牙數(shù)學(xué)科學(xué)委員會代表與普陀區(qū)區(qū)長共同為實驗室啟動，未來將采用 “雙基地” 模式，聯(lián)動歐洲與上海的算力和數(shù)據(jù)資源。

（七）全球數(shù)學(xué)家的思辨對話

“數(shù)學(xué)突破是否通向 AGI 的鑰匙” 雙邊對話中，菲爾茲數(shù)學(xué)科學(xué)研究院前院長 Kumar Murty 指出，AI 的 “幻覺” 或許是想象力的種子，而人類數(shù)學(xué)家的價值在于從反直覺中提煉真理；上海交大許志欽教授則結(jié)合深度學(xué)習(xí)理論收縮現(xiàn)象，強調(diào)需建立類似 “牛頓定理” 的 AI 基礎(chǔ)理論；法國學(xué)者 Mathieu Laurière 提出，多代理 AI 系統(tǒng)的社交智能進化，將是 AGI 突破的關(guān)鍵方向，而拓?fù)鋵W(xué)等數(shù)學(xué)工具將在其中發(fā)揮核心作用。

整場論壇中，上海市委常委、副市長陳杰在致辭中明確提出：“要以數(shù)學(xué)的基礎(chǔ)創(chuàng)新驅(qū)動 AI 技術(shù)迭代，賦能產(chǎn)業(yè)升級，面向全球征集‘AI + 數(shù)學(xué)’綜合性解決方案，加快構(gòu)建一流創(chuàng)新生態(tài)?！?普陀區(qū)委書記胡廣杰也表示將 “主動服務(wù)沿滬寧產(chǎn)業(yè)創(chuàng)新帶建設(shè)，推動‘AI + 數(shù)學(xué)’協(xié)同攻關(guān)，把普陀打造成為沿滬寧產(chǎn)業(yè)創(chuàng)新帶的‘引力場、智匯源、孵化器和服務(wù)中心’”。這些表態(tài)勾勒出城市戰(zhàn)略藍(lán)圖 —— 上海正通過建設(shè)數(shù)學(xué)與交叉學(xué)科研究院、算法創(chuàng)新研究院，推動 “AI + 數(shù)學(xué)” 從基礎(chǔ)研究到產(chǎn)業(yè)應(yīng)用的全鏈條突破。從菲爾茲獎得主的命題挑戰(zhàn)到中外學(xué)子的攜手同行，從實驗室揭牌的長效布局到思維激蕩的即時碰撞，這場盛會不僅展現(xiàn)了 AI 與數(shù)學(xué)融合的當(dāng)下成果，更錨定了未來 “人機共演” 的智能圖景。展望未來，隨著雙引擎在上海落地生根，這里有望成為全球數(shù)學(xué)智能理論的突破地、技術(shù)的策源地與產(chǎn)業(yè)的新高地，為智能時代貢獻(xiàn)獨特的 “上海方案”。

二、AI 如何重塑數(shù)學(xué)研究？從輔助工具到共創(chuàng)伙伴的演進

AI 對數(shù)學(xué)研究的影響并非一蹴而就，而是歷經(jīng)數(shù)十年演進，從早期的計算輔助逐步發(fā)展為具備協(xié)同能力的研究伙伴，每一步突破都與具體技術(shù)工具和學(xué)術(shù)實踐緊密相關(guān)，深刻改變著數(shù)學(xué)研究的范式與邊界。

（一）機械驗證與形式化萌芽（1970s-2000s）

這一階段的核心是將數(shù)學(xué)證明從 “紙面推理” 轉(zhuǎn)化為 “機器可驗證代碼”，計算機開始承擔(dān)起 “超級校對員” 的角色，其核心價值在于通過嚴(yán)格的形式化邏輯消除人類證明中可能存在的模糊性與疏漏。

1976 年，Appel 與 Haken 對四色定理的證明堪稱里程碑 —— 這個困擾數(shù)學(xué)界百年的難題，要求證明 “任何平面地圖只需四種顏色即可區(qū)分相鄰區(qū)域”，其關(guān)鍵在于驗證 1834 個 “可約構(gòu)形” 的邏輯自洽性。由于人工計算難以完成如此龐大的工作量（僅單個構(gòu)形的驗證就需數(shù)頁推導(dǎo)），研究者首次引入計算機進行批量驗證：他們將每個構(gòu)形轉(zhuǎn)化為可計算的邏輯命題，機器則逐一檢驗其 “可約性” 與 “不可避免性”。但此時的機器僅能執(zhí)行預(yù)設(shè)的計算步驟，核心的構(gòu)形選擇仍完全依賴人類直覺，Haken 的女兒 Dorothea Blostein 甚至需要手工核對數(shù)百頁微縮膠片的計算結(jié)果，期間還發(fā)現(xiàn)了多處可修復(fù)的錯誤。這一突破引發(fā)學(xué)界激烈爭議：哈佛大學(xué)數(shù)學(xué)家 Mackenzie 批評 “這更像工程驗收而非數(shù)學(xué)證明”，而支持者則認(rèn)為它開辟了新路徑。

2005 年，Gonthier 使用 Coq 證明助手完成四色定理的形式化驗證，標(biāo)志著形式化方法的成熟。形式化的核心是將每一個數(shù)學(xué)概念（如 “自然數(shù)”” 平方 “”等式”）都轉(zhuǎn)化為嚴(yán)格的邏輯定義，每一步推理都必須符合預(yù)設(shè)的規(guī)則。這種近乎苛刻的嚴(yán)謹(jǐn)性，讓數(shù)學(xué)證明首次擺脫了 “人類直覺可能出錯” 的隱患。正如研究指出的，形式化證明 “為爭議性成果提供了極高的正確性保障，尤其適合那些因過于冗長而難以找到評審的復(fù)雜證明”。

這一時期的另一標(biāo)志性項目是 “Flyspeck 計劃”。1998 年，Hales 通過復(fù)雜計算證明了開普勒猜想（三維空間中最密的球體堆積方式為面心立方堆積，堆積密度約為 74%），但由于證明過程涉及數(shù)百萬個幾何構(gòu)型的分析與優(yōu)化，傳統(tǒng)人工評審難以完全驗證其正確性 —— 評審團在經(jīng)過數(shù)年審查后僅能表示 “99% 確定證明正確”。為此，Hales 于 2003 年啟動形式化驗證項目，原計劃需 20 年，最終在 21 位研究者協(xié)作下用 11 年完成。過程中，計算機不僅確認(rèn)了原證明的正確性，還糾正了幾處微小疏漏（如一個幾何不等式的邊界條件設(shè)定偏差）。Hales 感慨：”這就像用顯微鏡檢查藝術(shù)品，雖繁瑣卻能發(fā)現(xiàn)肉眼遺漏的細(xì)節(jié)。” 這種 “人類提出框架 + 機器驗證細(xì)節(jié)” 的模式，為后續(xù)更復(fù)雜的定理證明提供了可復(fù)用的范本。

（二）算法驅(qū)動的邏輯推理（2010-2020）

隨著算法理論與算力的提升，機器開始處理超大規(guī)模邏輯推理，SAT（布爾可滿足性問題）與 SMT（可滿足性模理論）求解器成為核心工具，其能力遠(yuǎn)超人類手動計算極限，開始觸及一些傳統(tǒng)方法難以解決的數(shù)學(xué)問題。

2016 年，Marijn Heule 團隊用 SAT 求解器解決 “布爾畢達(dá)哥拉斯三元組問題” 的成果登上《自然》雜志，引發(fā)學(xué)界廣泛關(guān)注。團隊通過計算機證明得出結(jié)論：N=7824 是滿足條件的最大數(shù)，而 {1,…,7825} 則無法實現(xiàn)這樣的劃分。

這個證明堪稱 “暴力推理” 的典范：計算機耗費 4 CPU 年（單臺電腦約 1460 天）運算，生成 200TB 原始數(shù)據(jù)，壓縮后仍達(dá) 68GB。其創(chuàng)新之處在于采用 “分而治之” 的啟發(fā)式策略 —— 將問題拆解為數(shù)千個子命題，用剪枝算法優(yōu)先處理最可能成立的路徑，最終找到滿足條件的劃分方式。普林斯頓大學(xué)教授 Conway 曾質(zhì)疑：”人類永遠(yuǎn)讀不完這樣的證明，它還能算數(shù)學(xué)嗎？” 但學(xué)界最終承認(rèn)，這種方法拓展了數(shù)學(xué)證明的邊界 —— 有些真理，或許只能通過機器才能觸及。

同期，形式化證明工具的應(yīng)用范圍持續(xù)擴大，開始深入更抽象的數(shù)學(xué)領(lǐng)域。2019 年，數(shù)學(xué)家 Scholze 啟動 “液體張量實驗”，旨在形式化驗證他與 Clausen 關(guān)于 “液體向量空間” 的重要定理。這個僅 10 頁的人類證明，因涉及大量凝聚態(tài)數(shù)學(xué)的前置知識（如完美疇、固體向量空間等抽象概念），形式化過程異常復(fù)雜：研究者需要先將這些概念轉(zhuǎn)化為 Lean 證明助手可理解的定義，再逐步驗證定理的每一步推導(dǎo)。整個過程耗時 18 個月，集結(jié)了全球數(shù)學(xué)家協(xié)作完成，最終 Lean 確認(rèn)了定理的正確性，同時也讓這個抽象領(lǐng)域的邏輯框架更加清晰。參與項目的學(xué)者發(fā)現(xiàn)，形式化過程迫使他們重新定義每一個模糊的概念（如 “液體性” 的嚴(yán)格數(shù)學(xué)描述），這種 “慢思考” 反而讓理論體系更堅固。

這一階段的機器輔助證明已展現(xiàn)出明顯的 “協(xié)作性” 特征：人類負(fù)責(zé)提出核心猜想與證明框架，機器則處理規(guī)?；倪壿嬺炞C，二者形成互補。例如在開普勒猜想的形式化中，研究者發(fā)現(xiàn)原證明中一個被認(rèn)為 “顯然成立” 的引理（關(guān)于某類多面體體積的不等式）其實需要更嚴(yán)格的推導(dǎo)，而機器的嚴(yán)格性恰好彌補了人類直覺的疏漏。

（三）深度學(xué)習(xí)與大模型時代（2020 至今）

2020 年以來，深度學(xué)習(xí)與大語言模型的發(fā)展使 AI 從 “驗證工具” 升級為 “發(fā)現(xiàn)助手”，開始主動參與數(shù)學(xué)規(guī)律的挖掘與猜想的生成，這一轉(zhuǎn)變徹底重塑了數(shù)學(xué)研究的范式，讓機器從 “證明的執(zhí)行者” 變?yōu)?“規(guī)律的探索者”。

在形式化證明領(lǐng)域，Lean 等工具與 AI 的融合催生了新工作模式，人機協(xié)同的深度進一步提升。陶哲軒團隊 2023 年的實踐頗具代表性：他們利用 Lean 對加法組合學(xué)中的一個定理進行形式化證明，33 頁的人類證明經(jīng) 20 位研究者三周協(xié)作完成轉(zhuǎn)化。過程中，機器不僅發(fā)現(xiàn)原證明中一處引理的冗余性（該引理看似必要，實則可由其他條件推導(dǎo)得出），還通過對證明結(jié)構(gòu)的分析，提煉出更通用的證明框架，可適用于更廣泛的組合問題。陶哲軒在分享中提到，使用 Lean 初期讓他的工作效率暫時下降了 25 倍（這一比例被稱為 “de Bruijn 因子”），但這種 “被迫放慢的思考” 反而帶來新洞察 —— 形式化迫使研究者拆解每一個模糊的步驟，重新審視證明的邏輯鏈條。他還觀察到，隨著 AI 輔助工具的完善（如自動引理推薦、證明路徑預(yù)測），de Bruijn 因子正快速下降，未來有望降至 1 以下，這將徹底改變數(shù)學(xué)研究的效率。

AI 在規(guī)律發(fā)現(xiàn)與猜想生成上的能力也日益凸顯，開始在數(shù)據(jù)中挖掘人類難以察覺的數(shù)學(xué)關(guān)聯(lián)。Davies 團隊在紐結(jié)理論中的研究堪稱典范：紐結(jié)的 “signature 值”（一個刻畫拓?fù)湫再|(zhì)的整數(shù)）與雙曲不變量（描述紐結(jié)補空間幾何特征的參數(shù)，如雙曲體積、陳省身不變量等）看似毫無關(guān)聯(lián)，而他們用神經(jīng)網(wǎng)絡(luò)分析近 200 萬個紐結(jié)數(shù)據(jù)后發(fā)現(xiàn)，僅三個參數(shù)（縱向平移、meridional 平移的實部與虛部）就決定了 signature 值的變化。通過顯著性分析（一種衡量輸入特征對輸出影響的方法），研究者排除了其他 21 個無關(guān)參數(shù)，最終引導(dǎo)數(shù)學(xué)家證明：signature 值與這三個參數(shù)存在明確的解析關(guān)系（可表示為某個二次型）。這種 “機器發(fā)現(xiàn)規(guī)律 — 人類證明規(guī)律” 的模式，已在微分幾何、表示論等領(lǐng)域廣泛應(yīng)用，其核心價值在于突破人類直覺的局限 —— 機器能從海量數(shù)據(jù)中識別出被噪聲掩蓋的深層關(guān)聯(lián)。

大語言模型的加入進一步拓展了 AI 在數(shù)學(xué)研究中的應(yīng)用場景，開始模擬人類的逐步推理過程。GPT-4 等模型在美國數(shù)學(xué)邀請賽（AIME）中的表現(xiàn)接近優(yōu)秀高中生水平，能獨立解決部分國際數(shù)學(xué)奧林匹克（IMO）試題。但同時，這些模型也暴露出 “幻覺” 缺陷 —— 例如在計算 “7×4+8×8” 時，曾先給出錯誤答案 120，隨后又用正確步驟推導(dǎo)出 92，這種矛盾源于其 “模式匹配” 而非 “邏輯演繹” 的工作機制：模型更擅長模仿人類推理的表面形式，卻難以掌握數(shù)學(xué)的深層邏輯。

不過，針對這些缺陷的改進方法正在涌現(xiàn)。2024 年，DeepMind 提出的 FunSearch 框架讓大語言模型生成 Python 程序解決組合問題，在 Cap set 問題上超越人類構(gòu)造的最好結(jié)果。其核心是 “生成 — 驗證” 循環(huán)：LLM 提出候選程序，外部數(shù)學(xué)工具檢驗其正確性，優(yōu)質(zhì)結(jié)果反饋給模型優(yōu)化下次生成，這種閉環(huán)有效抑制了 “幻覺”。同期，AlphaGeometry 結(jié)合符號推理與神經(jīng)網(wǎng)絡(luò)，在 IMO 試題中超越人類平均水平，其對 2004 年第 4 題的證明引入虛數(shù)坐標(biāo)系，將幾何問題轉(zhuǎn)化為代數(shù)運算，這種跨界思路連資深幾何學(xué)家都感到驚訝。

此外，AI 在構(gòu)造數(shù)學(xué)對象上展現(xiàn)出獨特優(yōu)勢。Wagner 用強化學(xué)習(xí)構(gòu)造出極值圖論的復(fù)雜反例，其結(jié)構(gòu)復(fù)雜度遠(yuǎn)超人類手動構(gòu)造水平；Fawzi 團隊通過強化學(xué)習(xí)發(fā)現(xiàn)更快的矩陣乘法算法，打破了 decades-old 的紀(jì)錄；AlphaEvolve 不僅解開 300 年懸而未決的 “接吻數(shù)問題”（三維空間中最多有 12 個等徑球同時與一個中心球相切），還在 14 個數(shù)學(xué)任務(wù)上實現(xiàn)技術(shù)突破。這些案例印證了 AI 在 “構(gòu)造性問題” 上的潛力 —— 通過海量試錯與策略優(yōu)化，機器能找到人類難以想到的特殊結(jié)構(gòu)。

值得注意的是，當(dāng)前 AI 的創(chuàng)新仍有明顯局限。劍橋大學(xué)數(shù)學(xué)家 Kevin Buzzard 指出：”AI 能生成漂亮的證明步驟，卻提不出 ‘ 朗蘭茲綱領(lǐng) ‘ 這樣的宏大理論。” 機器的突破多源于對海量數(shù)據(jù)的統(tǒng)計歸納，而人類數(shù)學(xué)家能從看似無關(guān)的領(lǐng)域中提煉出統(tǒng)一框架（如朗蘭茲綱領(lǐng)將數(shù)論、代數(shù)幾何與表示論聯(lián)系起來），這種 “從 0 到 1” 的原創(chuàng)性，仍是 AI 尚未跨越的鴻溝。

三、上海：AI 與數(shù)學(xué)融合的天然沃土與實踐路徑

上海作為中國人工智能發(fā)展的高地與數(shù)學(xué)研究的重鎮(zhèn)，在推動 AI 與數(shù)學(xué)融合發(fā)展上具備獨特優(yōu)勢，正通過系統(tǒng)化布局打造全球標(biāo)桿。

（一）立足城市基因：融合發(fā)展的先天優(yōu)勢

上海的科創(chuàng)基因與學(xué)術(shù)積淀為 AI 與數(shù)學(xué)交叉研究提供了沃土。在 AI 領(lǐng)域，上海擁有全國領(lǐng)先的算力基礎(chǔ)設(shè)施 —— 華為 384 超節(jié)點真機等尖端設(shè)備性能領(lǐng)先全球，為大規(guī)模數(shù)學(xué)建模與 AI 訓(xùn)練提供強大支撐；張江人工智能島聚集了數(shù)百家中外 AI 企業(yè)，形成從算法研發(fā)到產(chǎn)業(yè)應(yīng)用的完整生態(tài)。在數(shù)學(xué)領(lǐng)域，復(fù)旦大學(xué)、上海交通大學(xué)等高校的數(shù)學(xué)學(xué)科長期位居全國前列，擁有多個國家重點實驗室，在微分幾何、組合數(shù)學(xué)等方向的研究實力雄厚，這種 “AI 產(chǎn)業(yè)集群 + 頂尖數(shù)學(xué)學(xué)科” 的雙重優(yōu)勢，使上海成為探索二者融合的理想試驗田。

更關(guān)鍵的是，上海作為國際大都市，具備吸引全球頂尖人才的獨特魅力。菲爾茲獎得主丘成桐在滬設(shè)立的研究中心已聚集一批青年數(shù)學(xué)才俊，而 WAIC 的常年舉辦更讓上海成為全球 AI 專家的 “會客廳”。這種人才集聚效應(yīng)，為突破 AI 與數(shù)學(xué)融合的前沿難題提供了智力支撐。

（二）聚焦前沿方向：錨定數(shù)學(xué)與 AI 交叉的核心領(lǐng)域

上海正圍繞數(shù)學(xué)與 AI 融合的三大前沿方向布局：

• 基礎(chǔ)理論突破：依托兩大國際數(shù)學(xué)實驗室（菲爾茲研究院與 ICMAT 聯(lián)合發(fā)起），聚焦幾何深度學(xué)習(xí)、微分方程與神經(jīng)網(wǎng)絡(luò)融合等方向，推動數(shù)學(xué)理論為 AI 提供 “公理支撐”。
• AI 輔助數(shù)學(xué)研究：支持高校與科研機構(gòu)利用超算資源，開展 “機器發(fā)現(xiàn)規(guī)律 — 人類證明定理” 的協(xié)同研究，重點探索 AI 在紐結(jié)理論、數(shù)論等領(lǐng)域的應(yīng)用。
• 產(chǎn)業(yè)場景轉(zhuǎn)化：在智能制造、智能醫(yī)療等領(lǐng)域，提煉具有共性的數(shù)學(xué)問題 —— 如將流體力學(xué)模擬轉(zhuǎn)化為納維 – 斯托克斯方程求解研究，用拓?fù)鋵W(xué)方法優(yōu)化多模態(tài)影像融合，實現(xiàn) “產(chǎn)業(yè)需求拉動理論突破”。

（三）構(gòu)建支撐體系：從人才到生態(tài)的全鏈條保障

上海正逐步通過四大舉措完善融合發(fā)展生態(tài)：

• 打造人才樞紐：推動復(fù)旦大學(xué)、上海交大等高校開設(shè) “AI + 數(shù)學(xué)” 交叉學(xué)科，整合兩校數(shù)學(xué)學(xué)院與計算機學(xué)院資源，培養(yǎng)既通代數(shù)拓?fù)溆侄疃葘W(xué)習(xí)的復(fù)合型人才；依托 WAIC 青年結(jié)對機制，每年選派學(xué)生參與國際數(shù)學(xué)實驗室項目，形成 “本土培育 + 國際交流” 的人才培養(yǎng)模式。
• 建設(shè)開放平臺：以上海數(shù)學(xué)中心為依托，建立 “數(shù)學(xué)智能創(chuàng)新平臺”，整合全球數(shù)學(xué)難題數(shù)據(jù)庫、AI 推理工具庫等資源，向國內(nèi)外研究者開放；定期舉辦 “滬上數(shù)學(xué)智能論壇”，延續(xù) WAIC 成果，形成長效交流機制。
• 完善政策支撐：設(shè)立 “數(shù)學(xué)智能創(chuàng)新基金”，支持科研人員開展前沿探索；將數(shù)學(xué)智能納入上海人工智能產(chǎn)業(yè)政策體系，給予稅收優(yōu)惠與場地支持，鼓勵企業(yè)參與基礎(chǔ)研究。
• 推動場景落地：在國家電網(wǎng)智能巡檢、無人機導(dǎo)航等本市典型場景中，推廣 “數(shù)學(xué)建模 + AI 優(yōu)化” 的解決方案，形成 “理論研究 — 技術(shù)驗證 — 產(chǎn)業(yè)應(yīng)用” 的閉環(huán)。

通過這些舉措，上海正將 WAIC 的思想碰撞轉(zhuǎn)化為持久動能，努力成為全球 AI 與數(shù)學(xué)融合研究的 “策源地” 與 “示范窗”。這座城市的實踐表明，當(dāng)頂尖數(shù)學(xué)思維遇上領(lǐng)先 AI 技術(shù)，不僅能推動基礎(chǔ)理論突破，更能為產(chǎn)業(yè)升級注入深層動力 —— 這正是上海對智能時代的獨特貢獻(xiàn)。