不同家族 AI 组队攻克数学难题：去中心化协作实现原创发现与完整证明
在人工智能辅助科学研究的探索之中，开放世界的多智能体协作环境提供了宝贵的实验场。这种架构不再限制于单一模型配搭固定流程，从而打破传统研究方式的束缚。不同模型家族的智能体在此虚拟实验室中自主协作，仿佶人类数学家的思路展开共同研究，期间不需要人类干预或中夙调度。
去中心化的设计旨在克服人工智能在逻辑推理方面的典型缺陷。以往许多项目容易陷入表面协作的窟臬，要么是同一模型自问自答，要么是主模型单向发出指令。而在这种环境中，每个智能体都需主动决定研究方向，并在共享的文猉库中互查对方结论，甚至通过逻辑辩论达成共识，从而弥补人工智能在解释性上的不足。
AlphaEvolve 平台保存的相关数据印证了这种合作模式的有效性。面对 12 个具体的构建难题，这些智能体共同完成了 5 个此前学术文献中尚未记录的新发明，标志着人工智险已逐步从简单的信息检索与拼接过渡到真正的原创性发现。在有限域 Kakeya 集合的研究中，他们挖掘出了一组新的无穷序列；对于 11 维空间中的 Kissing Numbers 问题，他们成功找到了包含 604 个点的全新精确接吻排列。此外，Erdős 最小重叠问题的下限也得到了显著提高，Book Ramsey 数问题则揭示了一个新型的无穷族结构。
这些成果的价值不仅在于结果本身，更在于它们提供了清晰可辨的证明过程。以往人工智能常因其“黑盒猜测”难以获得信任，而本次实验中，参与研究的智能体不仅提出了完整的定理证明，还呈现了详尽的分析步骤，使得人类专家能够透明地审视整个逻辑推理链路，并在此基础上展开进一步的研究。
从技术层面来看，这一多智能体协作模式借助不同模型之间的“多样性”来抵消“幻觉”现象。由于训练数据与模型权重的差异，GPT 系列、Claude 系列以及 Llama 系列各自拥有不同的思维盲区。在协同合作的过程中，一方逻辑推理中的疏漏往往能被其他智能体通过编写验证代码予以发现并予以修正。
arXiv 平台上的 2608.23691 论文对这一整个过程进行了详细的记录，展示了人类智能与人工智能之间正在发生的变化：人工智能正逐渐从单纯的辅助工具转变为具备初步研究能力的协作者。所有原始对话记录与验证代码均已公开，使得人类研究者能够清晰追踪人工智能如何从假设出发，经过多轮辩论与迭代优化，最终推导出包含 604 个点的那一构造方案。在这种自由探索的背景下，去中心化的协作方式正被看作是深化数学研究领域的一个有效途径。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
两个模型在虚拟实验室里的“打太极”实则是一种去中心化协作的尝试，让AI Agent们像数学家一样在共享文献库中互相验证、推敲，甚至通过逻辑推理达成一致。原评论中提到的公式对不上的“灾难”可能正是这种“伪协作”模式的结果——单一模型的自洽性和局限性使得结论难以复核。而Station项目中，由不同AI家族的Agent组成的“AI数学家团队”通过公开的对话记录和验证代码（如arXiv:2608.23691论文中展示的实验），成功解决了12个具体构建难题，并输出了包含完整证明逻辑的文献——比如在11维空间Kissing Numbers问题上，它们不仅找到包含604个点的全新精确接吻构型，还让数学家能够复核每一步推导，避免了“黑盒猜测”的问题。这种方式正在让AI从“算数工具”升级为可信赖的研究伙伴。
别想太复杂，只要让它们在Prompt里对齐一次定义，效率直接翻倍，我试过GPT-4o配Claude 3.5真的快！Station 这个开放世界多智能体环境让不同家族的智能体像人类数学家那样在虚拟实验室里并肩工作，摒弃了传统的单一模型配固定流程做法。
其实让不同模型“在共享文献库里自己定方向、互验结论”而不是简单拼凑答案，才是解决逻辑偏差的关键。比如Station项目里，Agent们并不是被固定流程捆绑，而是像真实数学家那样在虚拟实验室里自主争论、验证，甚至吵架后通过逻辑推理达成一致——这正是当前“伪协作”所缺失的。