最近 AI 圈最热闹的事，可能不是某个新模型又刷榜，而是 Science 上这篇文章揭示的一桩学术争议：一个被广泛宣传的"AI 数学突破"，从诞生到被质疑、被撤回，前后不过短短几周。

事情的起因听起来相当诱人。一个研究团队声称，用大型语言模型找到了一种全新的矩阵乘法算法——这可是计算机科学里最基础的运算之一，从图像处理到神经网络训练都离不开它。研究者们宣称 AI 在经典问题上超越了人类几十年的积累，找到了更优解。消息一出，几乎所有科技媒体都第一时间跟进，欢呼 AI 即将"改变基础数学"。

然后争议来了。

首先是另一个独立团队的复核。他们按照论文里给出的方法仔细复现，结果发现所谓的"新算法"实际上并不比已有的方法更快，AI 生成的证明里存在关键性的逻辑跳跃，甚至有些步骤根本无法验证。这意味着所谓的突破，可能更多是研究者在解读 AI 输出时的一厢情愿。

更深层的问题在于：AI 在数学领域究竟扮演什么角色？是"发现者"，还是"灵感提示器"？当一个模型的输出既无法完全验证、又很难归因到具体的推理链条上时，把它当作数学定理的合法来源，本身就是一种方法论上的冒险。论文中的核心步骤依赖 AI 的黑箱推理，而数学恰恰是最讲究"可被验证"的学科。

这件事有意思的地方在于，它并不是一个简单的"造假"故事，而是一个关于AI 在科学发现中的边界的真实案例。研究者未必有意误导，但当结果足够诱人时，所有人——包括研究者自己——都更容易相信它是真的。这恰恰是大模型时代最容易踩进的坑：当一个答案看起来很"像"正确答案时，我们倾向于停止质疑。

我的判断是：AI 辅助数学发现这条路不会因为这次争议而停下，反而会越来越热闹。但任何声称"AI 独立做出科学突破"的说法，未来都需要更多来自传统数学社区的独立验证，否则这类翻车只会反复上演。技术可以激进，方法论必须保守——这或许是从这次争议里能得到的、最实用的一条经验。

来源：Hacker News