AI突破数学边界：从解题工具到科研伙伴的范式跃迁解析
数学与AI的交叉：从简单叠加走向深度协同
在科技创新的浪潮中，基础数学与人工智能的交叉融合正成为推动原始创新的核心引擎。2026年7月，在云南玉溪举办的“十六省（区、市）数学学术年会暨应用数学与人工智能学术论坛”上，这一趋势得到了充分印证。来自中科院、高校及产业界的五百余位专家学者齐聚一堂，共同探讨数学与人工智能如何通过“双向奔赴”实现赋能。
中国数学会副理事长黄飞敏研究员在开幕致辞中明确指出，基础数学是原始创新的源头根基。他鼓励数学工作者主动推进与人工智能的交叉创新，面向国家关键科技难题开展科研攻关。这一观点不仅代表了学术界的主流共识，也预示着未来科研范式将从单一学科探索转向跨学科协同。
在这一背景下，北电数智首席科学家窦德景与中科院周向宇院士的主论坛演讲及随后的深度对话，成为了全场焦点。双方围绕AI在数学领域的能力边界、数学家的角色变迁以及AI赋能数学研究的未来图景进行了多维度剖析。这不仅是一场学术思想的碰撞，更是对未来科研生产力重构的深刻洞察。
能力跃迁：从“解题机器”到“理论助手”
AI在数学领域的能力边界正在被迅速拓展。窦德景分享的一组对比数据极具震撼力：2024年，主流大模型在高考数学中的表现尚不理想，多数未达一本线；而到了2026年，这些模型已普遍具备考取重点大学的能力，数学单科最低分达到135分，最高分突破140分。更令人关注的是，当前顶尖大模型已能在无提前获知题目的情况下取得奥数满分，其智力水平已达到人类顶尖群体标准。
这种能力的跃升并非偶然，而是源于底层算力、算法架构及海量数据训练的综合结果。然而，能力的提升也引发了关于“理解”本质的深层讨论。周向宇院士指出，尽管AI在模式检索与机械推演方面展现出巨大优势，但其核心优势仍主要集中在可程序化、符号运算及离散构造等分支。AI依托海量学术文献与定理数据，能够高效完成人类因计算规模庞大、变量耦合复杂而难以推进的命题验证与实例构造工作。
但AI是否真正“理解”了数学概念与内在逻辑？这仍是学界未解之谜。人工智能在高维数据空间中的统计拟合，究竟是内化了数学逻辑，还是仅仅匹配出了有效的关联？这一核心疑问，构成了当前AI数学应用研究的关键瓶颈，也是未来突破的重点方向。
黑箱困境：雅可比猜想中的“知其然”与“知其所以然”
在关于雅可比猜想的讨论中，AI与人类数学家的分工差异被具象化。主流专家普遍认为，雅可比猜想在三维及以上维度情形存在反例，但二维情形的真伪仍是未解难题。对于数学家而言，面对繁杂变量与超大规模推演，手工演算极易疏漏且难以持续。而AI则不受人力局限，只要算力充沛，便能不间断地开展大规模启发式搜索与高强度数值运算。
然而，当AI通过暴力计算给出反例或验证猜想时，其“黑箱”特性成为了最大争议点。窦德景提问：如果AI只给出答案而无法解释推理路径，这是否算作“真正理解”？周向宇院士坦言，这正是当前AI的核心痛点。人类验算虽然无误，但无法得知答案从何而来，这种“硬生生”的计算结果缺乏可解释性。
这一“黑箱”问题不仅是数学家的困惑，也是未来研究的重要发力点。AI的大规模批量演算能力恰恰弥补了人类的短板，使其在命题验证、复杂反例搜寻工作中具备得天独厚的优势。但数学的本质不仅仅是解题，更本质的是“找规律”与“构建理论框架”。人类数学家擅长从纷繁复杂的现象中提炼简洁的数学结构，通过直觉、联想与抽象思维建立新理论，这种创造性过程远非当前AI所能企及。
角色重构：数学家如何做“机器不能做的事”
面对“AI是否会取代数学家”的担忧，周向宇院士给出了明确判断：数学家不会被取代，因为数学家的核心使命始终是创造工具，让机器辅助人类。机器能做的事，数学家不必重复去做；数学家要做的是机器不能做的事。
从这一分工逻辑出发，AI的定位应是“助手”而非“对手”。在数学研究中，AI承担大规模验证、重复性计算、文献检索等基础工作，将数学家从繁琐的体力劳动中解放出来，使其专注于真正需要创造力的核心问题。数学家真正的优势在于“知其然，更知其所以然”，追求对数学结构的深层理解与解释。真正推动数学前进的，从来不是孤立的答案，而是答案背后的思想与方法。
此外，AI辅助研究也带来了学术规范挑战。传统数学研究要求严格标明思想来源与方法出处，而AI生成的结果往往无法清晰追溯具体参考了哪些已有工作，这直接冲击了学术界的引用伦理与成果归属体系。建立有效的规范机制，明确AI生成内容的知识产权边界，已成为亟待解决的制度性课题。
产业落地：从“技术高原”到“价值闭环”
在学术界探讨理论边界的同时，产业界也在加速将AI技术转化为实际生产力。北电数智首席科学家窦德景在论坛上系统阐述了公司的产业路径与落地实践，展示了从“技术高原”走向“价值落地”的具体路径。
在算力基础设施层面，北电数智正以全国30余个城市为支点推进算力中心建设，整合万卡级算力资源，为万亿参数级大模型的训练与迭代提供底层支撑。依托这一强大的算力底座，北电数智构建了“数算模用”全栈闭环体系，涵盖数据、算力、模型、应用四个关键环节，实现技术突破与产业场景的深度咬合。
这一理念已在多个领域得到验证。在医疗领域，北电数智与中日友好医院合作开发的皮肤专病大模型，通过专病数据训练，已达到医院中级医师考核90%的准确率，并将诊疗时间缩短了20%。在先进制造业领域，星火大模型已投入实际应用，助力工艺优化与质量控制。此外，公司还积极推动国产芯片从“可用”走向“好用”，为AI赋能民生筑牢自主可控的技术底座。
乘数效应：构建AI与数学的共生生态
菲尔兹奖得主埃菲·杰曼诺夫曾比喻，AI可被视为“极具天赋的年轻数学家”，但真正理解证明、提取数学洞见的责任仍须由人类承担。这一观点深刻揭示了AI与数学的关系：不是工具与使用者的简单叠加，而是“乘”的关系。
从Anthropic的Claude Fable 5在一个周末证伪雅可比猜想，到云南玉溪论坛上专家们的深入探讨，再到北电数智在医疗、工业等领域的落地实践，一系列事件正在被写入AI与数学“双向奔赴”的历史。这种“乘法效应”意味着，只有当深度拆解与同频共振发生时，才能推动真正的范式跃迁。
未来，随着AI能力的进一步提升与数学理论的不断完善，两者的融合将更加紧密。数学家将更多地扮演“架构师”与“指导者”的角色，利用AI这一强大工具，提出新问题、构建新体系、发现新规律。而AI则将在数值计算、数理推演、工业仿真等场景中，为人类解决复杂问题提供高效支持。
这种共生生态的建立，不仅将加速基础科学的突破，也将为产业升级注入强大动力。从基础研究的源头创新，到产业应用的末端落地，数学与AI的深度融合正在开辟一条全新的产业落地路径。在这场变革中，唯有拥抱变化、善用工具，才能在智能化的时代浪潮中把握机遇，实现价值最大化。