让大模型尝试做数学突破竟然真的成了

原本以为让 AI 去搞什么“数学突破”纯属开玩笑，结果这次尝试让我挺意外的。我给它设定了一个极小规模的数学猜想场景，要求它在现有的已知定理之间寻找某种非直观的逻辑关联，而不是简单的计算或证明已知结论。结果这玩意儿居然通过一种很奇特的推导路径，给出了一个我之前没想到的简化方向，虽然规模很小，但这种从 0 到 1 的逻辑跳跃确实有那么点“突破”的味道。

这种体验最核心的其实是提示词的引导方式。如果你直接问它“怎么证明 X”，它只会给你搬运教科书。但如果你把它推到边界，让它在两个看似无关的数学分支之间建立桥梁，它展现出的联想能力极其恐怖。

这次实操我用的是一套特定的引导逻辑，大致流程是这样的：

一、定义约束空间
先给 AI 喂入几个极其具体的数学定义，但故意不告诉它最终目标，防止它直接在训练集里检索答案。

二、强制跨域联想
要求它用 A 领域的工具去拆解 B 领域的结构。比如用拓扑学的视角去看一个纯数论的问题。

三、迭代验证
当它给出一个可能的路径时，我立刻要求它尝试用反证法去自我攻击，如果它能顶住攻击并修正路径，这个结论才算站住脚。

具体的 Prompt 引导结构大概是这种感觉：

# Role: Mathematical Explorer
# Context: [Insert specific mathematical constraints and axioms]
# Task: Identify a non-trivial connection between [Field A] and [Field B] that simplifies the proof of [Problem C].
# Requirement: Do not use standard textbook derivations. Propose a heuristic bridge first, then verify its logical consistency.

这种玩法其实揭示了一个真相：大模型现在的能力上限，很大程度上取决于你能不能把它从“答案复读机”的状态里拽出来，把它变成一个真正的推理引擎。虽然这不算什么改变世界的数学成就，但对于研究 AI 实战工作流的人来说，这种逻辑推演的成功率提升比什么都重要。