
AI 解出數學題後,科學界仍要完成驗證鏈
PSI 研究員據報利用 Anthropic 的 Fable 5.2 模型,處理一條提出逾 18 年、關於量子計算能力的 Aaronson-Ambainis 猜想。這項結果若成立,會排除量子電腦以某一路徑高速解決特定困難問題的可能性,但不代表量子計算所有潛在優勢都被否定。
最重要的限制是,這仍是單一媒體報道及公司相關人士的敘述,成果未見獨立同行評審的完整公開材料。即使 AI 已協助生成證明,研究能否成為可靠知識,仍取決於一條可追溯的驗證流程:形式化檢查、專家理解、公開質疑,以及在涉及自然現象時的實驗複現。
Lean 為證明提供了甚麼,未提供甚麼
提出該猜想的研究者 Scott Aaronson 表示,他未完全理解有關證明,但相信其正確,原因包括結果已被自動形式化至 Lean 這種數學程式語言,且 PSI 曾向多名頂尖研究者解釋方案。
Lean 類工具的價值,在於把證明拆成可由電腦嚴格檢查的形式步驟,減少人手推演遺漏或邏輯跳躍的風險。對 AI 產生、篇幅可能很長或結構陌生的數學論證而言,這是一層重要的技術護欄。
但形式化驗證檢查的是「已寫入系統的定義與推理能否成立」。它未必自行回答研究者有否把原問題準確轉寫、假設是否適用,或結果在學科脈絡中意味甚麼。因此,研究者仍要能以人類可讀的方式說明證明、讓同行檢視建模選擇,並讓其他人重做驗證。報道中研究員亦表示,學界會期望他能解釋有關結果。
AI 加速後,審查流程會成為瓶頸
PSI 行政總裁 Matt Pines 形容,其研究系統依賴專門模型的運用框架、工具、記憶系統及模擬基礎設施,以較廣而深的方式探索問題。這反映 AI 科研的競爭點,未必只在於模型能否給出一個答案,也在於團隊能否保留中間推理、比較替代方案,並把結果交給外部人士審視。
報道提到,PSI 因需等待模型接近發布,曾有時間把結果分享予相關研究者以加深理解;其顧問、東北大學教授 Jim Halverson 則指,新節奏下的最佳實務仍在形成,透明度及聯絡專家是可行方向。這些做法並不等同正式同行評審,卻顯示研究團隊開始面對同一問題:AI 把解題速度推高後,人類社群如何安排核查、署名、披露與發表的節奏。
從數學走向物理,要多一重現實檢驗
數學及部分電腦科學問題較容易表達為可驗證的程式或形式系統,因而較適合以形式化工具檢查。PSI 也承認,生命科學與物理等較貼近現實世界的範疇更困難;模型即使提出看似合理的結果,仍須由實驗決定其是否反映自然規律。
這對 AI 科研工作流帶來另一層要求:先以計算與模擬提出可檢驗假說,再以設計良好的實驗驗證,並由其他團隊在不同條件下複現。PSI 表示正研究如何更有效地把計算結果帶入實驗驗證;這是合理的方向,但成效仍要視乎日後公開的方法與結果。
接下來值得觀察的,是此類 AI 輔助成果會否附上足以讓外界重跑的形式化檔案、清楚的人類可讀說明,以及在實驗科學中可複現的測試證據。對研究者而言,AI 解題愈快,這些驗證環節的重要性只會更高。
延伸閱讀
AI 輔助說明: 本文由 AI 協助整理。
參考來源
- TechCrunch — PSI is trying to make a business out of AI-driven scientific discovery — original report
本文根據原文及公開資料整理;資料有出入時,以原文及官方資料為準。







