问题本身才是问题：迈向可扩展的数学发现新范式
AI 在数学研究中正扮演越来越重要的角色，但真正的瓶颈或许不在推理能力，而在于如何选择问题和分配稀缺的专家注意力。 一篇由卡内基梅隆大学和匹兹堡大学研究者联合发表的论文《The Problem Is the Problem: Towards Scalable Mathematical Discovery》提出了一个全新的人机协作范式，试图破解这一难题。
从“选问题”到“定方向”：人机分工的再思考
当前大多数 AI 辅助数学研究的流程中，人类专家的精力集中在两个环节：最初的问题选择和最终的结果审查。然而，随着 AI 推理能力增强，这两个环节正成为新的瓶颈——选择一个有价值且可解的问题需要深厚的领域知识，而审查大量 AI 生成的结果同样耗费专家时间。论文作者认为，与其让人类预先指定一个具体问题，不如让专家提供一个研究方向，由 AI 系统在该方向下自动搜索和筛选候选问题。
FAR 系统：文献到审查的自动化级联
基于这一思路，研究团队构建了 Find, Attempt, and Recommend (FAR) 系统，它模仿搜索和推荐系统的逻辑，构建了一个从文献到审查的自动化流水线。系统首先在广泛的文献库中搜索与研究方向相关的论文，提取其中的猜想和开放问题，然后通过多阶段过滤，将海量信息缩减为少量值得专家关注的对象。
在组合学试点中，FAR 系统从 5,245 篇组合学论文中识别出 6,453 个候选猜想或开放问题，经过筛选后留下 4,717 个表述清晰且仍未解决的问题。随后，系统通过推理和自动分诊，筛选出 598 个潜在可解的结果，最终挑选 77 个提交给作者团队进行人工审查。
发现多个重要数学结果
尽管最终审查的项目数量不多，但其中包含多个重要发现，涉及 Davies–Jenssen–Perkins–Roberts、Erdős–Straus、Ikenmeyer–Pak–Panova 以及 Lund–Saraf–Wolf 等人的猜想和问题。这些结果证明了这种新的人机协作模式在数学发现中的有效性。
启示：AI 与数学家协作的未来
这项研究的核心启示在于，AI 辅助数学发现的关键不仅是让 AI 更聪明，更是让人类更高效地利用自己的判断力。通过将问题选择自动化，专家可以将精力集中在真正需要人类洞察力的环节，如验证新结果的意义和探索新方向。
随着 AI 系统在数学推理上的能力不断提升，类似 FAR 的框架或将成为数学研究的标配工具，帮助数学家从海量信息中快速定位最有价值的问题。当然，这一范式仍处于早期阶段，其在不同数学分支的适用性、以及如何与数学家的工作流程深度融合，还有待进一步探索。
