AI攻克数学后，正瞄准整个科学界

编者按：AI 在数学领域的突破，可能只是更大变革的序章。WIRED 报道称，MIT 研究人员认为，人工智能很快会成为解决经济学、高能物理等领域理论问题的默认方式。这意味科研不再只是人类提出假设、计算机辅助计算，而可能演变为 AI 生成猜想、人类判断价值、实验验证结论的新流程。

从数学开始的“入侵”

过去几年，AI 在数学中的存在感急速上升。从 AlphaGeometry、AlphaProof 在奥数赛场上的表现，到 Lean 等形式化证明工具与大型语言模型结合，机器已经能够参与定理证明、猜想生成和反例搜索。数学之所以成为突破口，是因为它拥有清晰规则、可自动验证的符号系统，以及海量可形式化知识。对 AI 而言，这是一个反馈信号明确、试错成本相对低的理想试验场。

但数学不是终点。WIRED 援引 MIT 研究人员的判断称，AI 可能很快成为解决经济学、高能物理等领域理论问题的默认方式。换句话说，继数学之后，AI 正把目光投向整个科学。这里的关键不是“AI 会不会计算”，而是“AI 能不能提出好问题、构造新理论、发现人类忽略的联系”。

为什么是经济学和高能物理？

经济学与高能物理看似遥远，却共享一个特征：理论问题往往可以被表述为在巨大假设空间中搜索最优解释。经济学中的一般均衡、机制设计、动态模型和因果识别，需要处理高维、非线性、充满策略互动的系统；高能物理中的散射振幅、量子场论、弦论和宇宙学模型，则涉及极端尺度下的数学结构与海量参数组合。传统方法依赖专家直觉与逐步推导，而 AI 擅长在复杂模式中寻找近似规律、生成候选结构并快速筛选。

例如，符号回归可以帮助物理学家从数据中发现守恒量或经验公式；生成式模型可以提出新的数学猜想；强化学习可以在形式化环境中搜索证明路径；图神经网络和 Transformer 可以学习粒子碰撞、材料相变或经济时间序列中的隐藏结构。当这些能力被整合进科研工作流，AI 就不只是“计算器”，而更像一位不知疲倦、跨领域阅读的合作者。

“AI 可能很快成为解决经济学、高能物理等领域理论问题的默认方式。”——MIT 研究人员对 WIRED 表示

科学发现流程将被改写

如果这一判断成立，科研流程会发生结构性变化。过去，理论发现通常遵循“人类提出假设—数学推导—同行评审—实验验证”的线性路径。未来，AI 可以先在海量文献与形式化知识中生成成千上万个候选假设，用自动定理证明或数值模拟进行初筛，再把最有希望的方向交给人类。科学家的核心任务，可能从亲手推导转向定义问题、设计评估标准、解释结果和判断理论价值。

这并不意味着人类退出。科学不仅是逻辑推演，还涉及审美、价值判断、实验约束和社会责任。AI 可以加速“可形式化”的部分，却难以独立判断一个理论是否值得追求、一项应用是否合乎伦理。更现实的图景是“人机协作的新科学”：AI 负责广度、速度与模式发现，人类负责方向、意义与最终验证。

远非万能：三大障碍

首先，幻觉与不可验证性仍是硬伤。大模型可以生成看似优雅但错误的推导，而在经济学或高能物理中，错误结论可能隐藏极深。其次，数据稀缺且昂贵。高能物理实验数据受限于对撞机，经济系统难以做受控实验，很多领域不存在互联网规模的标注数据。第三，可解释性与因果推断不足。科学理论需要说明“为什么”，而不仅是预测“是什么”。如果 AI 只能给出黑箱答案，它很难取代理论物理或经济学的解释传统。

此外，评估基准、算力公平、知识产权和学术诚信也需同步解决。若少数机构掌握最强模型与最大算力，科学发现可能进一步集中；若 AI 生成的错误论文泛滥，同行评审将承受更大压力。

结语：从工具到合作者

AI 征服数学，并不意味着它能自动征服所有科学。但它正在改变科学问题的提出方式和求解方式。MIT 研究人员的判断之所以值得重视，是因为它指向一个临界点：当 AI 在足够多领域成为“默认求解器”，科研的默认组织方式也将改变。未来几年，关键不在于 AI 能否拿下一个又一个定理，而在于人类能否为它建立可验证、可解释、可协作的科学闭环。

从数学到整个科学，AI 的下一站不是简单的工具升级，而可能是科研范式的迁移。

本文编译自WIRED