AI 攻破了数学吗，下一个就是物理 ？

来源：市场资讯

（来源：图灵人工智能）

转自见色非色，仅用于学术分享，如有侵权留言删除报道

机器能把证明写得越来越长、把搜索做得越来越快，却没法替我们回答：这究竟证明了什么，证据够不够，什么结果会让我们承认它错了。

2026 · 深度长文 · 从流体方程到统一理论

摘 要

人工智能已经在数学和物理研究里做出了真实进展，但“证明正确”“发现重要结果”“解释自然规律”，是三件完全不同的事。这篇文章从一个正在被全球数学界检查的流体方程难题出发，顺着形式化验证、数学研究的日常、物理学的实证门槛一路往下问，看看机器把答案交出来之后，人类还剩哪些没人能代劳的工作。

你大概刷到过这类标题：人工智能攻克数学，下一步攻克理论物理，终极目标是写出宇宙的统一方程。句子很短，读起来很爽，像一条已经排好顺序的跑道——数学这关过了，物理那关自然也就过了。

真正做研究的人看到这种话，第一反应往往不是激动，而是心一沉。

因为一个数学家面对难题时最怕的，从来不是算得慢。慢可以熬，可以等，可以换条路。真正让人崩溃的是另外三件事：题目其实没搞清楚，证明里漏了一步，以及最残忍的第三种——花了好几年，证明了一件根本没人想问的事。

人工智能把这三种担心同时放大了。它能在极短的时间里翻遍成千上万条推理路径，也能把一条长得让人眼花的证明交给形式系统逐步检查；可它也完全可能理解错题意，把别人早就做过的东西当成新发现，或者交出一份结构完整、语句通顺，却恰好绕开了关键问题的解答。

事情还得从今年秋天说起。九月，一家美国人工智能公司宣布，其系统给出了纳维–斯托克斯方程在某种情形下的证明。这个难题属于“千禧年大奖问题”之一，悬赏一百万美元。一个月后，这家公司又公布了一批数学与理论计算机科学的结果，声称共有三百七十二项，其中不少还附带了机器可核查的形式化文件。

三百七十二这个数字很有冲击力。但科研不是接力赛的宣传稿。前一棒交出结果，不等于后一棒已经跑完；证明了一道难题，不等于数学到此为止；数学推理再强，也不能自动告诉我们，自然界究竟服从什么规律。

所以真正该问的是：机器把答案交出来之后，人类还要做什么？

顺着这个问题走下去，我们既能看清人工智能究竟走到了哪一步，也能看清它离理论物理、离那个被说滥了的“世界统一理论”，到底还有多远。

对数学家来说，把题目想清楚，往往比把题目算完更难。

01

一个“已经解决”，离“解决了”还隔着整条评审链

流场里的拉伸与螺旋：方程是否总有平滑解，正是这个百万美元难题的核心。

严谨，就体现在不把这两个问题混成一个。证明对不对是一回事，它回答的是哪一个版本是另一回事，而这个版本对数学、对物理到底意味着什么，还要再讨论一轮。把它们分开，不是轻视机器的成果，而是为了让成果得到一个准确的评价。

02

机器能把每一步锁死，却没法替你确认门后是不是要找的那间房

一份长证明里最危险的地方，常常是那句“显然可得”。

系统能把推理逐步锁死，却不能替你判断问题是否问对了。

这就是形式化检查的力量，也是它越不过去的那道边界。

03

数学不是一间只有七把锁的密室

会解一类极难的题，和能独立经营一项研究，中间隔着审题、查文献和判断重要性。

所以那三百七十二项结果，也该按这个标准来读。它表示一家公司报告了一批结果，不等于三百七十二项都已成为数学界认可的重要新定理，更不等于它们各自改变了所在的研究领域。每一项都还要看清证明内容、问题范围、文献关系、独立核查与同行评价。把一堆性质完全不同的成果压成一个数字，就像把草稿、定稿、复印件和新书摞在一起报总数——数字很大，信息很少。

那么，一项成果重不重要，到底靠什么判断？不是它出现得快，也不是它难倒了多少人。而是它有没有揭示新结构，能不能推广到别的问题上，有没有促成更好的方法，别人能不能复核、理解并接着做下去。这些问题没有一个机器按钮能一键回答，却决定了一项结果有没有真正长成数学知识。

从这个角度看，人工智能并没有“攻克数学”，但它确实在改写数学研究的某些具体环节：搜索证明路径、试探候选构造、提出猜想、把推导形式化、辅助检查。这些能力如果稳定增长，做数学的方式一定会变。变的不是数学失去了难度，而是人和机器之间如何重新分工：谁负责搜索，谁负责表达，谁负责核验，谁负责解释。

04

公式写得漂亮，不等于宇宙签字同意

说到这里要公道一些：人工智能在物理研究里早就有实打实的用处。它能处理天文观测、高能物理和引力波分析里的海量数据，能加速模拟，能帮忙找候选信号、筛模型。但“在数据里找到规律”不等于“发现了基本定律”，“对已知数据预测得准”也不等于“知道自然为什么这样运转”。一台模型可以很会报天气，却未必掌握了大气运动的理论。

把行星位置算得再准，也不等于学到了引力定律。

05

统一理论，不是一张终极答案的截图

两套各自成功的描述如何共存，需要理论与观测的双重支撑。

06

真正稀缺的不是答案，而是让答案经受追问的耐心

在湍流这类难题里，机器找到的方程仍需被物理判断反复修正。

湍流研究提供了另一种更有意思的合作图景。人工智能找到的方程已经相当接近目标，可物理学家发现，它对不同尺度涡旋之间的能量传递处理得不够；于是研究者把已有的物理知识带回模型，改进方法，再检验它能不能适用于更多模拟。这里既不是“人类全干了，机器只是摆设”，也不是“机器独自悟出了自然法则”，而是工具把搜索范围撑大，专业判断找出结构上的缺口，后续的验证决定这项成果能走多远。

机器擅长快速试探大量路径，人类擅长判断问题的来历、理论的意义与证据的边界。

这大概才是眼下最值得期待的方向：机器去快速试探成千上万条路，人来判断这道题从哪儿来、这个理论意味着什么、这条证据的边界在哪儿；机器辅助检查，人仍然承担解释和责任；形式系统把推理锁得更严，实验再把理论拉回自然面前。两者各有各的边界，而科学的进步，就发生在边界被清楚看见、然后被一寸一寸推进的时候。

说到这里，其实和我们每个人的日常是通的。我们每天都在跟一问就答的系统打交道：它能解释一段代码，能总结一篇文章，能给出听起来很在理的建议。真正靠得住的判断，从来不是看它说得多流畅，而是问它依据是什么、这个答案适用于多大范围、有没有可以独立核对的证据。科研里的证明审查，不过是这种日常判断的高强度版本：别被答案的自信迷住，要看它究竟证明了什么。

07

机器交出答案之后，科学才真正开始接手

回到开头那个问题：人工智能到底有没有攻克数学？

如果“攻克”指的是机器已经解决了数学中所有重要问题，或者已经能独立判断什么值得研究、什么结果改变了领域，那答案显然是没有。如果问的是它有没有在某些研究级数学任务上取得实质进展、有没有提出值得严肃审查的重大证明主张，那答案是肯定的。关键不在于在两个极端之间选边站，而在于把每一项成果的证据，一层一层交代清楚。

那人工智能能不能走向理论物理？它已经在数据分析、模拟、方程探索和理论计算里展现出了用处，也完全可能成为越来越强的研究伙伴。但“能参与物理研究”不等于“已经发现新物理”，“找到数学上的统一形式”也不等于“证明宇宙遵守它”。

至于世界统一理论，它仍然是一项开放的人类科学目标，而不是当前人工智能成果顺理成章的下一站。未来也许真会出现机器提出的重要理论，由人类用实验、观测和数学审查一点点确认；也许机器只是帮我们更清楚地看见现有理论的裂缝。此刻最负责任的说法，是把这些可能都留在桌上，而不是提前把其中任何一个写成结局。

答案之后还有检验：复核、解释与实验，才是科学真正接手的时刻。

科学最动人的地方，常常不是某个人或某台机器宣布“我知道了”，而是一个结果经得住追问：别人能沿着你的推理走一遍，能找到它的适用边界，能试着把它用在新的问题上；一旦实验不支持，也愿意低头修改。答案不是因为说得响亮才成为知识，而是因为它愿意暴露在检验之下。

人工智能可以把搜索做得更快，把证明做得更长，把候选理论推得更远。但科学的下一步，仍然取决于我们愿不愿意慢下来，问出那几个笨问题：这究竟回答了什么？证据够不够？谁还能复核？什么结果会让我们承认它错了？

有了这些问题，机器的答案才算真正进入科学；没有这些问题，再耀眼的答案，也只是一个还没经过检验的开头。