人工智能辅助数学研究的证明验证与成果治理

一、讨论人工智能突破，首先要把问题拆开

当人工智能被用于研究长期悬而未决的数学问题时，公众容易把多个不同层面的判断合并为一句话：“机器解决了难题。”但对研究人员和技术团队而言，这句话至少需要拆成四个可以分别核验的问题：

第一，研究对象究竟是什么？讨论的是原始方程，还是经过简化、增加约束或修改边界条件的模型？

第二，产出的证据属于什么类型？是数值模拟中的异常现象、启发式推导、计算机辅助证明，还是已经通过独立审查的完整证明？

第三，研究过程中使用了哪些资料？其中是否包括未公开手稿、私人讨论记录或其他团队的中间结果？

第四，成果如何归属？提出关键思路、完成推导、编写验证程序以及提供计算环境，分别应当如何记录和说明？

这些问题不能相互替代。某项证明存在错误，并不能自动证明研究过程存在不当行为；反过来，即使数学结果成立，也不意味着数据使用、署名和发布流程一定没有问题。

原始材料涉及的事件叙述并不完整，相关声明、时间线和技术论文也未得到独立核验。因此，本文不对具体争议作事实裁定，而是提炼其中具有普遍意义的技术问题：人工智能辅助数学研究，究竟应该怎样验证、怎样协作、怎样建立可信的证据链。

二、流体方程的难点，不是“能不能算出水怎么流”

1. 方程在描述什么

三维不可压缩黏性流体的常见数学表达为：

∂ₜu＋(u·∇)u＝－∇p＋νΔu＋f

∇·u＝0

其中，u表示速度场，p表示经过相应归一化的压力，ν为正的运动黏性系数，f表示外部作用。

第一行描述动量变化：流体受到惯性、压力、黏性和外力的共同影响。第二行是不可压缩条件，约束速度场的散度为零。

实际研究还必须指定空间区域、初始速度、边界条件以及各个量应满足的正则性要求。缺少这些条件，仅仅写出方程，并不能构成一个完整的数学问题。

2. 工程上能求近似解，不等于数学上已经解决全局问题

工程计算通常关心有限时间、有限空间分辨率下的近似流动，例如管道压降、机翼附近的流场或设备中的散热过程。数学中的存在性与光滑性问题，则要求对满足特定条件的一整类初始数据给出严格结论。

局部存在与全局存在也不是同一件事。证明流动在一小段时间内保持良好，并不等于证明它在任意长时间内都不会失去所需的正则性。

对三维情形而言，困难之一在于非线性输运与黏性耗散之间的竞争。黏性具有平滑作用，但现有的基础估计并不足以直接控制所有可能出现的细尺度结构。

3. “爆破”不宜仅理解为速度变成无穷大

面向大众的介绍常把奇性描述成“某处速度无限增大”。这种说法有助于建立直觉，却不是足够严谨的判定标准。

数学上更需要问：解是否仍然能够在指定的函数空间中延拓？某些控制正则性的量是否在有限时间内失去有界性？速度、速度梯度、涡量以及其他相关范数，在不同理论框架中扮演着不同角色。

因此，审阅所谓“爆破解”时，必须明确它证明的是哪个量的异常增长，以及这一结论如何推出目标问题要求的正则性失效。不能仅凭一张数值曲线陡升，就认定已经构造了严格反例。

三、判断数学突破，先检查是否解的是同一道题

人工智能能够快速生成多个推导方向，也可能在不显眼的位置改变假设。研究者如果只关注结论，就容易忽略问题已经被悄悄替换。

1. 逐项核对问题设定

一份可信的研究报告，应明确列出：

• 研究的是二维还是三维；
• 空间是整个欧氏空间、周期区域，还是带边界的有界区域；
• 是否存在外力，以及外力满足什么条件；
• 初始数据是否满足光滑性、不可压缩性和相应的能量要求；
• 结论涉及经典解、弱解，还是其他意义下的解；
• 是否对初始数据大小、对称性或结构附加了限制。

例如，在小初始数据条件下证明全局存在，与解决任意满足规定条件的初始数据问题，难度和结论范围都不同。某个特殊对称模型中的现象，也不能未经论证直接推广到一般三维情形。

2. 特殊模型具有研究价值，但必须明确边界

修改方程、研究简化模型或限制解的结构，并不意味着研究没有价值。相反，这些做法常常能够帮助识别关键机制。

真正的问题在于表述是否准确。研究者应说明哪些结构被保留，哪些机制被删除，结论对原始问题提供了什么启发，以及还缺少哪一步才能完成推广。

专业传播不应把“在相关模型上取得进展”压缩成“解决了原问题”。这种压缩会抹去最重要的技术差异。

四、从模型输出到严格结论，需要经过多层验证

1. 候选思路：可以大胆生成，不能直接采信

人工智能适合提出候选引理、整理推导路径、寻找可能的反例结构，也可以帮助研究者检查符号计算和局部论证。

但语言流畅、公式完整，并不意味着推理有效。常见问题包括循环论证、遗漏边界项、错误交换极限，以及引用一个在当前条件下并不适用的定理。

因此，每一个关键结论都应追问：它依赖哪些假设？这些假设是否已经证明？是否存在被省略的估计步骤？

2. 数值实验：发现线索，而非自动产生定理

数值模拟可以揭示结构形成、尺度变化和潜在奇性，是重要的研究工具。但离散系统与连续方程之间始终存在误差。

接近疑似奇性时，至少需要检查：

• 加密空间网格后，关键观测量是否保持一致；
• 缩小时间步长后，增长规律是否稳定；
• 换用不同离散方法后，现象是否仍然出现；
• 数值耗散、舍入误差和边界处理是否影响结论；
• 是否存在可控制的误差界。

多种模拟结果相互吻合，通常会增强可信度，却仍不自动构成连续方程的严格证明。反过来，一次模拟没有发现异常，也不能证明所有初始条件下都不会发生异常。

3. 计算机辅助证明：关键是把误差纳入论证

计算机辅助证明不是简单地“运行一段程序，观察结果”。它需要把计算过程嵌入完整的数学推理。

例如，可以用经过验证的数值方法包围真实值，以严格误差估计控制离散近似，或者把无限维问题归约为有限计算与可证明的剩余项估计。

这里需要解释的不只是程序输出了什么，还包括：输出为什么可靠、误差如何界定、计算结果如何连接到最终定理。

4. 形式化验证：提升可检查性，但仍要核对命题

形式化验证可以把定义、引理和推导写入机器可检查的逻辑体系，减少遗漏推理步骤的风险。

不过，它验证的是“给定形式化表述能否推出指定结论”。如果研究者把原问题翻译成了一个更弱的命题，那么即使检查通过，也不能证明原问题得到解决。

因此，形式化验证之外，还需要审查自然语言命题与形式化命题是否一致，以及证明依赖了哪些公理、外部计算和可信组件。

五、科研数据进入智能工具后，边界应当提前确定

1. 使用工具不等于同意所有后续用途

研究者提交未公开手稿，可能只是希望获得推导建议。这与允许服务提供方将材料用于训练、评估、人工审阅或其他研究，是不同的授权事项。

技术团队应在使用前确认：

• 输入与输出是否被保存；
• 数据保留期限如何确定；
• 哪些人员或系统可以访问；
• 是否用于训练或评估；
• 是否存在可核验的隔离与删除机制；
• 发生争议后能否提供相应的访问和处理记录。

这些问题应以适用协议、实际配置和可审计记录为依据，不能仅凭界面提示或口头理解作判断。

2. 模型输出相似，不能单独证明资料被不当使用

不同研究者可能基于相同的公开文献提出相近思路，模型也可能从公开知识中生成相似表达。因此，内容相似只能成为调查线索，不能独立完成归因。

更可靠的核查需要结合访问记录、资料版本、时间顺序、特有错误或独特推导结构，以及其他合理解释。

同样，缺少可见证据也不能反向证明风险不存在。合理做法是保留调查空间，通过独立审计降低不确定性。

3. 敏感研究应实行分级处理

公开资料、一般内部材料和核心未发表成果，不宜采用相同的处理方式。

对高敏感材料，可以优先使用经过评估的受控环境，限制外部传输，并尽量只提供完成任务所需的最小上下文。但必须注意，数学结构本身也可能构成核心知识资产，删除作者姓名并不等于完成了脱敏。

六、署名与发布，需要贡献记录，而不是事后争夺叙事

1. 先记录贡献，再讨论署名

数学研究中的贡献可能包括提出问题、发现关键结构、证明核心引理、排除错误路径、实现验证程序以及撰写论文。

这些贡献应在研究过程中持续记录。署名与致谢应依据适用的学术规范、实质贡献和共同约定确定，不应仅由任职机构、商业关系或发布时间决定。

提供工具、算力或资金也不自动等于完成学术贡献；另一方面，真正参与核心证明的人，也不应因为组织关系而被忽略。

2. 建立可追溯的研究时间线

一个实用方案是为关键研究节点保存证据包，包括草稿、计算记录、代码、运行环境说明、讨论纪要和版本变更说明。

文件可以生成内容校验值，帮助后续确认内容是否发生变化。不过，校验值本身不能独立证明形成时间，更不能证明作者身份。它需要与可信时间记录、访问控制和其他证据结合使用。

记录的目的不是把每一次讨论都变成法律程序，而是在成果成熟之前减少记忆偏差和归属歧义。

3. 发布流程应区分数学审核与传播审核

数学审核回答“证明是否成立”，传播审核回答“对外表述是否准确”。二者不能互相替代。

重大结论发布前，应明确说明论文所处状态、独立复核进展、关键假设和仍待解决的问题。人工智能的贡献也应具体描述为生成候选思路、辅助计算、检查局部推导或完成某类验证，而不是用模糊的“自主攻克”覆盖复杂协作过程。

七、面向科研团队的最小可执行流程

对于准备开展人工智能辅助研究的团队，可以从以下流程起步：

第一步，建立问题规格。 写清方程、条件、目标结论与可接受的证据类型，避免研究过程中无意改变问题。

第二步，完成数据分级。 标注公开资料、内部材料和核心成果，明确每类材料允许进入哪些环境。

第三步，记录人机贡献。 保存模型输出、研究者修改和最终采纳理由，不能只保留看起来成功的结果。

第四步，拆分证明依赖。 将最终定理分解为若干引理，标记每一步的前提、验证状态和责任人。

第五步，实施独立复核。 尽可能由未参与关键生成过程的人员检查高风险步骤，降低共同偏差。

第六步，统一成果口径。 在发布前核对署名、致谢、数据使用说明、工具使用说明以及结论边界。

这套流程并不保证研究一定成功，但能够显著改善失败时的可诊断性，以及成功时的可信度。

结语：真正的突破，必须同时经得起证明与追溯

人工智能正在扩大数学研究中的候选思路空间，也在改变计算、检索和验证的组织方式。但生成速度越快，越需要把问题定义、证据等级和数据边界讲清楚。

评价一项重大成果，不能只看结论是否令人振奋，还要看证明能否复核、问题是否被准确解决、研究资料是否合规使用，以及贡献能否追溯。

对科研人员和技术企业而言，最有价值的目标不是抢先宣布“机器已经解决”，而是建立一种可靠机制：让每个重要结论都能被检查，让每次关键贡献都能被记录，让每项公开声明都与现有证据相匹配。