AI 推翻论文猜想，作者回信确认：453 份手稿背后，是「AI 会不会选题」这道新考题

2026年9月30日

思特雅大学的曾仔健做过一个很普通的测试：他把自己论文里一个猜想直接丢给大模型，本来只想看看模型能算到哪一步。结果 AI 没有顺着论文继续「证明」，而是构造出了一个反例，把这个猜想当场推翻。他的第一反应不是兴奋，而是不信——于是把反例和推导整理好，写信发给原论文作者核实，收到的回信确认：反例成立。

这封邮件改变的不是一个猜想，而是一个项目的尺度。曾仔健后来把它做成了公开仓库 AI Has Taste（github.com/ArtificialZeng/AI-Has-Taste），目前记录着 453 份数学研究手稿、2312 页内容，其中 6 篇被单独归为「AI-Proposed Conjectures」。仓库首页的定位写得很直白：From Answer Generation to Research-Agenda Generation——从生成答案，走向生成研究议程。

我得先泼一盆冷水，别被 453 这个数字唬住。仓库自己反复强调，453 是 research manuscripts 的数量，不等于 453 个开放问题全部被解决；产物包括完整证明、反例、局部结果、有限计算证书、结构化约化，以及提出新猜想的论文。AI 内部审查也不等于外部同行评审。如果只把这个项目理解成「AI 批量写数学论文」，反而错过了它最值得看的部分。

真正有意思的是研究链条本身被拉长了。传统 benchmark 往往从「题目已经给定」开始：人类负责选题，AI 负责求解，最后给你一个成功或失败的标签。AI Has Taste 则把流程向前和向后都拉长——AI 可以筛选候选问题、比较路线、主动找反例；一条路线失败后，还能分析失败结构、修改命题，把新的数学对象交给另一个独立 Agent 继续攻击。一句话：失败，也变成了下一轮研究的输入。

这不是一个模型在一个对话框里自问自答。公开 README 把 Agent 拆成四层：Supervisor/Screener 负责选候选、比较附近结果、找最便宜的决定性实验；Researcher 负责证明、反例和精确计算；Fresh-context Reviewer 在一个全新上下文里专门攻击冻结后的命题和关键引理；Writer/Release Checker 负责把最终接受的范围写清楚。然后整个工作流被部署成多机协作，不同机器分别推证明、搜反例、跑精确计算、做独立审稿。共享的是冻结命题、实验记录、失败原因和证据，而不是让一个 Agent 一边生成结果、一边给自己盖章。仓库里那句「Criticism is part of the engine, not an afterword」说的就是这件事——批评不是论文写完后补的一道手续，而是发动机本身的一部分。

最能体现所谓「研究品味」的，恰恰不是一次成功，而是一次失败。

在 fractional Gaussian trace 问题上，系统最初走单调性和单侧配对路线，但精确反例不断冒出来。普通 benchmark 到这里只会留一个 FAILED。但这套工作流没停，Agent 继续追问：反例到底破坏了什么？失败有没有稳定结构？最后研究把注意力转向一个固定的负向缺陷，构造出十项修正结构，并提出一个新的统一有界性猜想——紧接着，这个新猜想又被另一轮精确计算和独立审查反过来攻击。公开归档扫描到 index 1004，这个统一界至今仍未证明。

这个案例的意义不在「AI 又证明了大定理」——它确实没有。意义在于：原问题没解决，但失败路线被压缩成了一个更清楚、更可证伪、一旦成立就能重新连接原问题的新命题。研究不是在失败处终止，而是在失败里长出了下一道题。

所以别把「提出猜想」看成脑洞。随口猜一句并不难，难的是把猜想写成精确定义，说清它从哪来、什么证据支持、什么反例能推翻、成立后导向哪，并把计算和源码一起留给复核。这 6 篇 AI 猜想横跨组合、图论、数论与分析型问题——A182510 三个子序列的无限 binary-kernel 矩阵非奇异性、Young 图形的 CDS-colorability、最大度不超过 6 的无三角图分解、18-colored generalized Frobenius partitions 的 unary-theta 同余公式、reciprocal-subsum denominators 在 dyadic stages 上的 Newton 系数非负性，以及前面那个 fixed-defect 猜想。

当手稿从几十份涨到数百份，谁能判断这些产物不是系统性幻觉，就成了尖锐问题。项目里用 fresh-context Reviewer 把「研究」和「挑错」拆开，但没把 AI 自审当终点，也开始请真实学者参与部分结果的验证和复核——包括马来亚大学数学科学研究所的荣誉教授 Ong Seng Huat 和 Kurunathan Ratnavelu，以及中国地质大学（武汉）的熊永华教授。这里要区分清楚：他们并非对 453 份手稿逐篇签字，而是对其中部分问题、证明或研究方向做过验证、讨论。这种「机器内部红队 + 人类专家抽检」的组合，反而比把所有审查交给同一套 Agent 更靠谱。

至于为什么叫「有品味」——README 特意划了边界：这里的 taste 不是意识或主观体验，而是通过研究决策表现出来的数学判断。两个问题都能做，先做哪个？一条路线有局部进展但边际收益越来越低，停不停？一个反例是把命题判死刑，还是说明定理该换个表述？一个小结果够不够独立成篇？这些决定过去藏在研究者经验里，benchmark 测不出来，AI Has Taste 想给它们留下可检查的轨迹——选了哪个问题、为什么换路线、失败留下了什么、下一步命题从哪来。

得把最容易被夸大的地方也说清楚：453 份手稿不是 453 篇正式同行评审过的期刊论文，Agent 内部 review 不等于独立审稿，有限计算的覆盖范围不能自动推广到无限情形。仓库自己就把这些限制写明白了。但要是因为这些结果还没全部完成外部验证，就忽略它的组织方式，也会错过另一件事——AI 的边界正在从「执行给定任务」移动到「参与设计下一个任务」。数学研究真正稀缺的从来不只是算力和推理长度，还包括：什么问题值得花时间，什么失败值得保留，什么时候该换题。

过去的 AI 科研叙事很像一个超级学生：老师出题，它负责解。AI Has Taste 想做的更像一个研究组：人类给边界和价值判断，Agent 去找题、试题、做错、推翻自己、留下局部结果，再提出下一题。AI 会做题之后，下一关，可能真的是 AI 会不会选题。

相关链接