近期，人工智能（AI）在数学上的密集突破引发学界和公众广泛关注。7 月底，腾讯混元科研智能体 Hyra 依托 Hy3 大模型，仅用 24 小时便攻克了加法组合学领域一道延续 50 余年的和差集公开难题，将最优指数推进至理论极限值 2。8 月初，OpenAI 又披露其测试模型已解决或推动解决 10 道长期未解的数学问题，横跨高维几何、编码理论、群论等多个领域。

从辅助计算到独立提出构造方案，AI 在科研中的角色正在发生深刻变化。舆论场也争议声不绝：AI 做出的成果算不算真正的原创发现？科研智能体的能力边界在哪里？基础研究领域又该如何建立人与 AI 协同的新范式？记者就此采访了腾讯混元算法研究员林。

面对 "AI 解数学题究竟是真正的原创发现，还是强大检索与形式化证明能力的体现 " 这一疑问，林认为，当前新一代科研智能体已经开始接近真正意义上的原创发现。

他介绍，腾讯混元此次攻克加法组合学难题的过程，并非简单调用已有知识，也不依赖大规模文献检索或预先设定的搜索空间，而是更接近人类数学家的研究路径：提出猜想、尝试不同路径、分析失败原因、总结中间结论，再据此不断调整方向。

" 整个解题过程更像一个由多位 AI 数学家组成的虚拟实验室。" 林描述，多个智能体分别开展独立探索，定期交流各自获得的思路、反例和阶段性结果，在此基础上相互启发、修正和收敛，最终逐步形成完整的证明框架和研究结论。

这一过程主要使用自然语言完成，智能体的分析、推理和讨论记录全部可读、可检查。在林看来，这展现出的不只是验证已有答案的能力，更是生成新猜想、发现关键结构并建立论证路径的能力。

早期 AI 数学系统包括 AlphaGeometry 等，更多依赖形式化建模、专用搜索算法和大量计算，在明确的解空间中寻找答案。而随着大模型长程推理能力、智能体协作与持续工作能力的提升，AI 解决科研问题的方式正越来越接近人类研究者。

" 未来判断 AI 是否实现原创发现，关键不在于它是否使用了检索或计算，而在于它是否提出了此前未知的有效思想，是否发现了新的结构与方法，以及这些结果是否能够经受独立验证。" 林说。

AI 在数学领域的亮眼表现，也让 "AI 会不会取代科学家 " 的讨论再度升温。林认为，目前科研智能体主要生活在数字世界中，其能力发挥依赖人类为其搭建完整的研究环境，包括接入数据和文献资源、提供计算能力、配置软件工具、设计任务接口，并明确最终交付的成果。

在他看来，至少有三个环节目前仍然高度依赖人类研究者。首先是发现和定义真正有价值的研究问题。AI 可以在给定目标下高效探索，但 " 什么问题值得研究 "" 一个问题为什么重要 "" 它与更大的科学目标有什么关系 "，往往涉及对学科历史、现实需求和未来方向的综合判断，这种问题意识目前仍主要来自人类。

其次是建立研究环境并协调资源。" 如何把一个科学问题转化为 AI 可以持续执行的研究系统，是一项重要的工作。" 林说。

最后是对研究结果进行验证、解释和负责。林认为，最终决定一项结果是否能够进入科学知识体系，仍然需要人类研究共同体的审查和确认。

" 与其简单区分‘哪些 AI 能做、哪些人类能做’，不如把科研看成一个可以动态分工的系统。" 林说。

AI 科研能力的快速提升，正在倒逼科研范式的变革。林认为，人与 AI 协同科研不应只是把 AI 当作更强的搜索引擎、编程助手或论文写作工具，而应当将其视为科研参与者。

他提出，未来更有效的范式，是由人类负责提出方向、定义问题和建立评价标准，由 AI 负责大规模、长时间、多路径探索，再由人类与 AI 共同完成验证、解释和知识沉淀。

实现这一范式，首先需要从 " 单轮提问 " 转向 " 持续运行的科研系统 "。真正的科研无法通过一次问答完成，需要经历假设提出、实验设计、失败分析、方向调整和反复验证。科研智能体应当具备长期记忆、任务规划、工具调用和自我反思能力，能够围绕一个问题持续工作数天、数周甚至更长时间。

其次，需要从 " 单一模型 " 转向 " 多智能体科研组织 "。不同智能体可以承担不同角色：有的负责提出猜想，有的负责寻找反例，有的负责证明，有的专门审查逻辑漏洞。通过独立探索、交叉批评和定期汇总，可以降低单一模型陷入错误路径的风险，更接近真实的科研团队。

同时，必须建立严格的验证机制。AI 提出的结果不能仅凭语言流畅性或推理完整性来判断，数学研究需要形式化检查或专家复核，计算研究需要独立复现，实验研究需要真实实验验证。

" 未来科学家的核心能力，可能不再只是亲自完成每一步推导和实验，而是提出高价值问题、设计研究系统、组织多个智能体协作、识别关键异常，并判断一个结果是否真正重要。" 林表示，人与 AI 的关系既不是 "AI 辅助科学家 "，也不是 "AI 取代科学家 "，而是形成一种新的科研组织形态。