近日，一篇题为《王的猜想》的人物特稿引发广泛关注。这篇由地方党报刊发的文章原本只是对数学家王虹的普通报道，却意外成为现象级爆款，导致纸质版报纸迅速售罄，发行方不得不紧急加印。在二手交易平台上，这份报纸的价格甚至被炒至原价60倍，折射出公众对基础科学研究的空前热情。
35岁的王虹因攻克三维挂谷猜想而获得数学界最高荣誉菲尔兹奖。这项与数学家约书亚·扎尔合作的成果，将一个看似简单的几何问题——如何让一根无限细的针在三维空间中扫过所有方向——转化为127页的严谨证明。这个困扰学界多年的问题，最终通过精密的数学语言得到完整解答。
在数学领域取得突破的同时，人工智能在定理证明方面也展现出惊人实力。OpenAI最新模型用3页篇幅解决了延续半个世纪的圈双覆盖猜想，Anthropic的Fable系统则通过构造精巧反例推翻了存在87年的雅可比猜想。这些进展让社交媒体充斥着"AI颠覆数学研究"的讨论，甚至出现"数学家深夜被AI惊醒"的戏剧性描述。
但谷歌DeepMind的研究团队给这种狂热泼了冷水。他们在国际机器学习大会上发布的立场文件指出，当前大语言模型虽然擅长从数据中归纳规律、基于公理进行演绎推理，却缺乏科学发现最关键的创造性突破能力。研究人员将这种能力形象地称为"跳跃"（Jump），即面对未知现象时提出全新解释框架的思维飞跃。
研究团队以爱因斯坦构建广义相对论的过程为例：1907年，物理学家通过电梯思想实验提出等效原理时，既没有海量异常数据需要解释，也不依赖复杂的数学工具。这种从日常经验中提炼出革命性理论的思维过程，与当前AI依赖的数据驱动模式形成鲜明对比。论文强调，真正的科学突破往往始于对既有认知框架的突破，而非对现有数据的优化拟合。
认知科学领域对人类推理机制的研究为此提供了理论支撑。美国逻辑学家皮尔士将推理分为三类：归纳是从具体案例中总结规律，演绎是基于规则推导结论，溯因则是面对未知现象时提出全新假设。当前AI系统在前两类推理上已接近人类水平，但在需要创造性思维的溯因推理方面仍存在根本性缺陷。
这种局限性在物理思想实验中尤为明显。爱因斯坦设想无窗电梯在深空加速时，梯内物体运动状态与地球引力场完全一致，这个突破性洞见源于对物理场景的具身模拟。而大语言模型处理的是符号间的统计关系，缺乏与真实世界的感知连接，即便能生成苹果掉落的视频，也不过是训练数据的统计延续，而非对重力本质的理解。
数学界对AI的迅猛发展保持着清醒认知。著名数学家陶哲轩在国际数学家大会的演讲中指出，虽然AI可能很快能解决大量未解问题，但数学研究的价值不仅在于获得答案。从证明验证、理论阐释到知识体系构建，每个环节都离不开人类的深度参与。他特别强调，研究成果必须经过同行评议、转化为可理解的形式，才能真正推动学科发展。
当前学术界正面临新的挑战：当AI生成的证明数量远超人类审核能力时，如何确保研究质量？当定理证明变得像工业生产般高效时，如何维持数学研究的创造性本质？这些问题的答案，可能不在于让AI模仿人类思维，而在于重新思考人机协作的新模式——让机器处理繁琐的验证工作，人类则专注于提出具有突破性的问题。
