AI驱动的数学发现

AI驱动的数学发现是指利用AI模型（如大语言模型）进行数学问题探索、证明辅助、论文生成等活动的科研范式。

核心案例：高德纳的哈密顿分解难题

2026年3月，Claude Opus 4.6和GPT-5.4 Pro联手攻克了困扰算法泰斗高德纳数十年的哈密顿分解难题。Claude负责探索性搜索，GPT-5.4负责严谨验证和论文生成，形成了"探索+验证"的完美分工。

特点

• 迭代探索：AI通过多次迭代尝试不同方法，而非一次性给出答案。
• 透明可复现：AI的探索过程可被人类追踪和理解。
• 分工协作：不同AI模型可承担不同角色（探索者、验证者）。
• 论文生成：AI可将发现整理成符合学术规范的论文。

意义

AI驱动的数学发现预示着科研范式的根本性变化：人类从"计算者"转变为"问题定义者"，AI负责执行和验证。数学家可以专注于提出"最难的骨头"，而将枯燥的试错留给机器。