When Math Meets Auto Research with Bartosz Naskręcki
三句話摘要
數學家如何用AI代理進行自動研究,以及AI正在重塑現代數學的發展方式。 AI正在加速數學的可計算部分,但人類數學家的價值從解題者轉向問題設計者與知識守護者——未來的挑戰是訓練新世代接受並駕馭這場典範轉移。 一、自動研究的適用範圍與侷限 Bartosz強調自動研究特別適合具有複雜組合空間、已知演算法工具、但需要大量耐心和嘗試的問題。ecdsa.fail競賽之所以成功,是因為該演算法模組化,可分解為多個獨立優化的部分,允許多人並行工作。然而這種方法對於完全開放式的新數學定義創造力不足。
重點整理
一、自動研究的適用範圍與侷限 Bartosz強調自動研究特別適合具有複雜組合空間、已知演算法工具、但需要大量耐心和嘗試的問題。ecdsa.fail競賽之所以成功,是因為該演算法模組化,可分解為多個獨立優化的部分,允許多人並行工作。然而這種方法對於完全開放式的新數學定義創造力不足。
二、AI解決問題的隱藏機制 AI模型本質上是翻譯機器,能將問題重新表述為多種形式。許多看似困難的數學問題,實際上只是定義和表述的問題,AI通過自動重新語境化(context translation)而輕鬆解決。這解釋了為何某些困擾人類數十年的問題,對AI而言相對簡單。
三、人類直覺與形式化驗證的互補性 人類數學家依靠「直覺」(多年經驗累積的啟發式判斷)從頂部向下工作,而AI從公理出發向上進行形式化驗證。傳統數學證明通常不完全形式化,但AI能填補所有邏輯間隙,產生可在Lean等系統中編譯驗證的完整證明。
四、數學教育與職業認同的危機 下一代數學家面臨身份困境,因為傳統的問題解決訓練可能變得陳舊。但Bartosz認為方向性選擇、研究動機、問題的文化意義等,仍需人類決策。未來數學家將更像研究指揮者而非單純執行者。
實用技巧與重點
- ecdsa.fail競賽:Google量子演算法改進的開源競賽(Yukon平台),2026年5月啟動
- 自動研究工具:提示導向代理、Codex模型、Claude等LLM
- 主要優化對象:Shor演算法、橢圓曲線數位簽名演算法(ECDSA)、量子電路最佳化
- 形式化驗證工具:Lean 4、Harmonic模型、Mizar、Agda等證明助手
- 已解決問題:Frontier Math基準48道難題已100%被最新模型(如Astra)解決;週期性推測、有限單純群分類(10,000頁密集證明)等傳統難題
- 千禧年獎問題:Bartosz預測7月有問題被解決,實際9月發生(預測誤差2個月)
- 與會人物:Justin Drake、Bidwonka、Jackie Lee、Jay Long、Vasili、Álvaro Lozano-Robledo等
- 倫敦宣言:「Leiden Declaration on AI and Mathematics」(要求AI使用完全透露)
- 關鍵組織:Epoch AI、Adam Mitskiewicz大學、Center for Credible AI
結論
AI正在加速數學的可計算部分,但人類數學家的價值從解題者轉向問題設計者與知識守護者——未來的挑戰是訓練新世代接受並駕馭這場典範轉移。
完整解析
Bartosz Neskrenski是位罕見的跨域數學家,博士研究算術幾何與橢圓曲線,後來在波茲南教授密碼學課程。有趣的是,波茲南正是1932年數學家Marian Rejewski破解Enigma機器的地點,這激勵他深入密碼學研究。他的背景跨越純粹代數、橢圓曲線論、晶體化學,最近還涉入語言模型研究。
他參與ecdsa.fail的經歷頗具傳奇色彩。2026年5月底,一位大學同窗隨意提及這個新競賽,Bartosz當時正好教授ECDSA演算法。他甚至向學生推薦此賽,卻未自己參加。直到一個空閒下午,他想到若只推薦學生卻自己不試不太合理,便設立了代理式系統並任其運行。令他震驚的是,在參與研討會的一小時內,他的代理就已登上排行榜首位。整個競賽期間,代理在他睡眠時繼續提交改進。這次經驗讓他認識到AI代理在數學探索中的潛力,隨後加入競賽社群並持續參與。
Bartosz對「自動研究」的理解是:探索一個結構未知的迷宮,類似A*搜尋演算法的空間探索。他強調這種方法特別適合具有複雜組合空間的問題——不只是數值最佳化,也可能是證明空間、圖論結構或格論中的最短向量搜尋。關鍵在於問題空間具有已知的約束條件,但人類在探索該空間時效率低下,需要耐心和大量嘗試。AI代理的優勢不在於創意,而在於無限耐心和不知疲倦的系統探索。
更令人震驚的是數學領域近期的進展。作為Frontier Math基準設計者之一,Bartosz目睹了所有48道秘密難題被最新AI模型完全解決。這些問題是以未發表的研究論文形式設計,每題需要AI產生編碼整個推理過程的特定數字答案。他甚至預言今年將有千禧年獎級問題被破解,預測曾因數週偏差而幾乎成真。
對於AI「錯誤」的看法,Bartosz採用物理實驗的框架:科學家從加速器獲得大量雜亂數據,必須分離真訊號與測量偽像。同樣地,AI產生的「數學垃圾」(math slop)包含無數冗餘、誤導甚至虛偽的步驟,但也可能包含人類未見的技巧。他認為關鍵是保持批判性審視,通過程式驗證(magma、rust)、形式化(Lean)等多層檢驗確認結果。他特別提到,曾用Harmonic模型形式化同事的論文時,模型實際修正了原論文一個引理的錯誤——形式化系統的嚴格性超越人類校對。
對於數學家職業的未來,Bartosz樂觀但清醒。他指出人類數學活動從12世紀至今不斷演進,每代學生學習的都是前人無法想像的抽象層次,卻出自相同的生物大腦。未來也將如此:新一代數學家不會重複老一代的路徑,而是在AI輔助下進行更大規模的協作研究。關鍵是人類仍掌握問題的方向性選擇——AI無法決定該研究什麼、為什麼重要,或如何提出有文化意義的問題。數學的未來將是工業化而非手工藝式:多數技術執行由機器完成,人類數學家轉變為「研究指揮家」,決定探索方向並確保社會理解其文明的基礎科學。
