刘必可 |zbthdx王兆洋 |Geisterspiele
不久前我们介绍了一套在设计中的全新的
当时,在研究 OpenAI “攻克”千禧年大奖难题 Navier–Stokes 方程的时候,我们提出了一个问题:不考具体算术和背公式,大模型到底能不能从天书般的定理里,读懂背后的“数学哲学”?
在那次涵盖 Claude Opus 5.5、GPT-6 Sol、Gemini 3.8 Flash、GLM-5.3、Qwen3.8-Max、Kimi-K3 等十款模型的横评中,我们发现了多个有趣结论,其中一个耐人寻味的现象是,推理 Token 消耗得越多,模型未必答得越好。
有的模型仅用约 50 个推理 Token 就拿下了 92.7% 的准确率;而有的模型疯狂思考直至耗尽 2,048 Token 的输出上限,依然在死胡同里打转交了白卷。
不久之后,OpenAI 又公开了 700 多份由内部模型生成的数学手稿。这再次引发了轰动与争议:AI 确实能推演出极长的结果,但这些动辄数百行的证明到底对不对、有没有把原命题写歪,依然让人类核验者头疼不已。
这两件事其实恰恰戳中了今天大模型推理演进的最大痛点:算力堆出来的长思维链(Long CoT)擅长“暴力硬算”,却极度缺乏高层的“路径直觉”与可解释性。
那么,如果我们能把抽象的数学符号拆解为一个个有明确动机的“动作衔接”,把每一步背后的思维链条清晰展示出来,会发生什么?
当 AI 能够识别出定理背后的哲学思想后,能不能进一步用这些思想去指导“下一步该选什么定理”?能不能把一份复杂的证明沿着推导关系拆开,看清它为什么要这样走,再尝试重新组合,去寻找更简洁的新证明,甚至发现新的定理?
这正是我们在构建的这套benchmark的目的,于是也为了验证这套思路,我们用自研的数据管线拆解了 OpenAI 公开的第 328 号数学证明,并通过人机协作完成了一次“第一性原理”式的重构实验。结果很有意思:
简单来说,在改动接回原证明并 100% 通过 Lean 形式化检查的前提下,我们直接省掉了原证明中调用“König 无穷引理”构造无限分支的整套步骤;此次替换涉及的三个 Lean 文件(去掉空行和块注释后),代码量从 232 行直接降到了 153 行,足足减少了 79 行,精简幅度约三分之一(34%)。
1
一、为什么 AI 有时会把证明写得这么“绕”?
在更详细拆解 OpenAI 的证明之前,我想先聊聊大家都有的一个体验:一份证明就算通过了机器的形式化检查,它走的路就一定简洁、一定美吗?
比如要证明 a = b,你可以分别从等式两边硬算好几行,也可以直接看它们的差 a - b 是不是等于零——很多时候两边放在一起一减,麻烦的项当场就抵消了。哪条路省力,取决于你站在什么视角审视眼前的式子。
深度使用大模型久了,常会有一种强烈的感觉:AI 非常擅长“顺着一条路硬往下走”。 计算繁琐,它就接着硬算;中间逻辑缺一步,它就想办法打补丁续上。可看着它忙活了半天、吐出一大堆推导,我们最想问的往往是:“等等,我们为什么一开始非要走这条路?”
这种思维局限人类也常犯,不妨看两个经典的思维转换案例:
第一个是“九点问题”:用四条连续直线连接排成方阵的全部九个点,笔不能离开纸面。
很多人无论怎么尝试都无法成功,因为下意识把线条限制在了九个点围成的正方形内部。但题目从未要求线不能出界——真正的突破不是在框内找更好的走法,而是意识到自己强加了一个根本不存在的约束条件。
第二个是斯坦福商学院曾介绍过的休斯敦机场案例:面对乘客抱怨等行李时间太长,常规死磕的方向是加快运输、加派人手、升级分拣系统;但机场采取了一个出人意料的办法——把登机口到行李提取处的步行路线拉长。乘客走路的时间增加了,站在传送带前干等的时间骤减,投诉随之大幅下降。
无论是“破除虚假的隐形约束”,还是“跳出局部死磕转换问题视角”,恰恰都是当前只会顺着单一路径前推的大模型最欠缺的能力。而 OpenAI 的第 328 号证明,就掉进了这样一个“自我设限”的坑里。
1
二、我们是如何帮 OpenAI 省掉核心引理、砍掉 1/3 相关代码的?
我们挑选的 OpenAI 第 328 项手稿,研究的是泛函分析中的一个经典命题:实自反 Banach 空间中非扩张映射的不动点。
名字听起来很吓人,我们先把它翻译成直观的几何画面: 想象一块有界的场地(在 Banach 空间中,这通常还是一个无限维的场地),最外圈的边界本身也算在场地里面(闭集),而且场地里任意两点之间的直线段全都落在场内(凸集)。现在给场里的每个点定一条移动规则:每个点走一步之后依然留在场内,并且任意两个点走完这一步后,彼此之间的距离绝不会变大(只可能靠近或保持原距,即“非扩张映射”)。论文要证明的是:场地里至少存在一个点,按这条规则走一步后,还稳稳停在原来的位置(即“不动点”)。
怎么证明这个不动点一定存在?OpenAI 的原证明采用了反证法:先反过来假设场地里一个不动点都没有,再顺着往下推,看会推出什么逻辑矛盾。
我们首先用自研的数据管线拆开这份证明,顺着它的 Lean 代码整理出了清晰的八步脉络:
- 缩小场地:先把场地缩到一块按规则怎么走也走不出去的核心区域,摆好参考地标。
- 寻找近似:找一批“几乎不动”的点,再找一个能用这些点凑回去的参照点。
- 备好标尺:预判后面可能出现哪些结果,提前挑好用来测量打分的尺子。
- 排成树状:把每一轮的选择排成一棵不断分叉的“树”,管住一路累积下来的误差。
- 有限轮试探:沿着树逐个换点,先看任意有限轮——总能找到一个公共向量,同时满足这几轮的要求。
- 跨越到无限(关键卡点):找出同一个向量,让每一轮在它身上测出来的数都至少是 0.5。
- 反向逼近:证明同一串测量值会趋近于 0。
- 导出矛盾:两个要求正面撞车——一串数如果始终不低于 0.5,就不可能趋近于 0!最初“没有不动点”的假设由此推出矛盾,证毕。
理清这八步后,我向 AI 抛出了一个直击本质的提示词:
AI 建议我们先重点审视第 6 步——也就是原证明先从树里选出一条无限延伸的路线,再沿着这条路线找向量的那一步。
顺着这个线索,我引导 AI 继续往后读第 7、8 步,看最后的反证究竟用到了什么前提。读下来才恍然大悟:最后的矛盾,只要求存在“同一个向量”,使得每一轮里都有某一项能在它身上测出至少 0.5 就够了! 至于每一轮挑出来的这项,能不能在树上首尾相连串成一条“无限路径”,后面的推导根本不在乎!
既然不需要“先把各轮选的项连成一条路”,我接着追问 AI:在我们的体系里,哪种数学哲学思想能直接指导这一步?
AI 给出的答案非常精准——紧致性提取:
- 核心定义:用紧性类约束,从无限或任意对象族中取得有限、收敛或稳定的见证,推动当前证明。
- 遇到什么需求时考虑它:手里有大量候选,却缺一个可用对象或有限见证。
- 指导什么动作、获得什么:建立紧性,从中提取收敛子列、聚点或有限子覆盖。
用大白话来说,“紧致性提取”就是在面对无穷无尽的筛选条件时,帮我们直接捞出那个“幸存目标对象”的数学筛子。在实自反 Banach 空间的有界闭凸集天然具备弱紧性的前提下,两条路线的差异一目了然:
- OpenAI 原证明路线:先动用图论里的 König 无穷引理,费力从树里选出一条各层相容的无限分支(纯属像“九点问题”那样给自己多加了一道连线约束),再沿着这条分支利用弱紧性取交,找到共同向量。
- 重构后的新路线:彻底扔掉“连成路径”的执念!在弱紧性框架下,直接对每一层的可行向量集合使用有限交性质(既然第 5 步已经证明任意有限轮都有公共向量,那么所有无限轮的交集也必然非空),一步锁定所有层都能用的那个终极向量,随后再逐层回头挑选检测它的节点即可。
就这样,调用 König 引理选无限分支的整套繁琐步骤被彻底省掉了!
我们把改写后的这一步接回原证明工程,运行严苛的 Lean 形式化检查——顺利通过。统计这次替换直接涉及的三个 Lean 文件,去掉空行和块注释后,代码总量从 232 行直接降到了 153 行,净省 79 行,压缩了整整三分之一。
1
三、哲学为灵魂,定理为血肉,Lean 为骨架
通过上面的实战不难看出,想让 AI 不再盲目“暴力硬算”,光靠堆砌推理 Token 是不够的,我们需要重新组织数学知识。
做这件事的深层灵感,离不开数学科普频道 3Blue1Brown(创作者 Grant Sanderson)。作为曾受他激励用 Manim 制作数学视频的铁杆粉丝,我在做可视化时对线性代数里的“基”(基向量)感触最深:基的存在就像抓住了毛线团的线头——无论空间里的向量如何千变万化,只要抓住一组“基”,就能把复杂现象简化为基本方向的组合与相互作用。
今年 9 月 18 日,Grant Sanderson 在陶哲轩的博客上发表了一篇客座文章,呼吁数学界更加重视交代“构造的动机”:先让读者看见真正的困难在哪,再引入解决困难的想法,并说明这个想法为什么还需要进一步修正。
这与我们的思考不谋而合:如果给证明过程中的定理都贴上“哲学标签”,再把所有证明以“定理”为节点串成网络,那些反复出现的数学哲学思想,能不能就成为理解和重组数学证明的一组抽象的“基”?
顺着这个构想,我们把这个benchmark的研究打通成了一个整体体系:
1. 哲学为灵魂:把搜索起点从“定理名”变成“数学动作”
学过一个定理,与遇到陌生难题时能想起它,中间隔着很长一段距离。在前期的十模型评测中我们就看到,面对同一道“迹定理”变形题,有的模型能抓住“从内部函数获取边界数据”的本质,有的模型却被局部的“稠密子集延拓”缠住而分错类别甚至思考超时。
在我们的体系中,哲学的核心意义是指出大致方向,把搜索起点从死记某个定理名称,变成判断“我现在需要完成什么数学动作”:
区域内部总量难算、但边界信息容易取得 —> 寻找联系“边界与内部”的工具;
手里构造了一批近似解 —> 用“紧致性”去取得极限对象;
已经在容易处理的光滑对象上证出了性质 —> 靠“逼近与延拓”推广到一般对象;
几何关系难以直接计算 —> 尝试“对偶表示”转化为线性测量。
当然,哲学只管大方向,具体落地到哪个定理,必须回到当前严苛的数学条件——强收敛与弱收敛给出的能力不同,有限维与无限维空间能动用的工具也截然不同。同一种哲学思想之下,恰恰需要精准保留这些差别,才能完成有效筛选。
2. 定理为血肉:拆解论文沉淀出的“双向知识图谱”
其实最开始,我们并没有打算做知识图谱。我们最初的目标只是把前沿论文拆解到“定理层面”,分析其中的哲学思想并加工成题目,用于 Benchmark 评测和模型后训练(Post-training);同时我们也想通过统计与验证,看看能不能从海量证明中挖掘出更多广泛存在、尚未被总结的全新哲学思想。我们期待这种训练能赋予模型真正的跨领域泛化能力——换一道未见过的新题、换一个数学分支,依然能认出相近的思想并调出工具。
但在持续拆解论文的过程中,我们惊喜地发现,沉淀下来的材料远比题目本身更丰富。为了搞清一个定理在证明里到底起了什么作用,就必须理清它依赖了哪些前置条件、调用了哪些已有结果、又为后续步骤提供了什么输出。当越来越多的论文被这样拆开,出现在不同证明里的“共享定理”自然把原本孤立的证明链连成了一张大网——以定理为节点、以实际调用为边的知识图谱,就这样成为了出题管线的硬核副产物。
就在上周(11 月 11 日),董彬、刘若川、Christian Merten 等学者在《数学的一种现代重构》中(以韦伊猜想项目为例),同样提出了将高层数学思想与具体证明细节相连接、让已有模块在新论证中重新组合的理念,这与我们在证明链中看到的复用空间高度呼应。
为了支撑真正的证明重组,我们的图谱保存的不只是定理名称,还包括前置条件以及每次调用的具体用途(因为同一个定理在不同证明里承担的任务可能完全不同)。
沿着这张网,我们实现了双向检索:既可以从一个目标结论倒推回查它需要什么依据,也可以从当前手头的条件出发,在哲学思想的导航下正向寻找可拼接的定理工具,还能随时查回原论文,看清前一步结论究竟是如何严丝合缝接到下一步的。
3. Lean 为骨架:补齐最后一块拼图,反哺证明精简
假设顺着图谱找到了两个定理准备拼接,仔细一核对:前一个定理只给出了“弱收敛”,后一个定理要求的却是“强收敛”。方向和工具都找对了,但中间缺的这一步,在当前条件下到底能不能走通?
这就是 Lean(形式化证明语言) 成为系统“骨架”的原因:
- 首先防走偏:核对写进 Lean 的形式化命题,确保与我们原本想证的数学问题是同一件事;
- 其次锁死逻辑:把前后定理的形式化表述接起来实测,后一步要用的“强收敛”到底从哪来,必须在代码里明确交代清楚。缺条件,就回知识图谱找桥梁定理补上;走不通,就果断换接法,彻底杜绝大模型“跳步幻觉”。
更有意思的是形式化带来的“反向精简效应”。菲尔兹奖得主 Peter Scholze 在回顾人类数学家协作形式化的经典案例“液态张量实验”时曾提到:当团队在形式化过程中明确了一个复杂构造真正需要满足的核心性质后,数学家 Johan Commelin 找到了一个更显式的替代对象,直接让相关证明变得更初等。形式化反过来帮人类看懂了论证真正起作用的机制——而我们前文帮 OpenAI 省掉 König 引理的过程,正是这一洞察在人机协作时代的生动复现。
1
四、展望与开放合作:把“数学思想”Token 化
回头看,把复杂证明拆解到定理级、标出每一步的哲学思想、再交由知识图谱与 Lean 闭环,我们实际上是在尝试把高维的“数学思想”Token 化。
把一篇证明里的思想单元按推导关系串起来,就能看清它是如何从一个念头走向下一个念头的。你会发现,哪怕换一篇完全不同领域的论文,底层用到的具体定理和条件全变了,但背后的“思想 Token 序列”却可能高度一致:
在量化金融领域,已经有研究者这样处理连续行情了——例如 Kronos 模型将连续变化的 K 线价量数据编码成专属 Token 序列,让模型根据前序走势预测下一个状态 Token。
我们在数学推理中探索的范式与此异曲同工:如果模型看到前面几步一直在“构造近似解”、“控制误差”,它能不能像直觉敏锐的数学家一样预判出——“下一步,该去抽取一个极限对象了”?当模型给出这个高层思想方向后,再去知识图谱中检索适用定理、比对条件,最后把具体推导交给 Lean 核验。
最妙的是,这套系统本身具备自我进化的潜力。
当我们拆解并沉淀了足够多的统计学与图论论文后,系统完全可以利用自己库里的“隐马尔可夫链”相关研究去优化下一跳思想状态的预测模型,并利用图论知识直接优化知识图谱本身的拓扑与检索架构。一旦这套自优化闭环搭建完成,它将从纯数学辐射至所有依赖严密推演的科学研究领域。
哲学为灵魂,Lean 为骨架,定理为血肉。 我们希望把人类已经理解的数学,组织成一个能够寻找办法、组合工具、检查推导,并在实践中不断生长的活体系。
从“数学哲学 Benchmark”横评,到此次对 OpenAI 形式化证明的精简实验,目前我们已经搭建起配套的材料拆解与处理管线,并积累了首批用于 Benchmark 迭代与模型后训练的高质量原料。
接下来,我们会在一批模型上做更大的评测和训练,也会继续公布更多研究进展与评测情况。
我们期待这可能带来的多个方向的成果。
- 新一代推理模型评测(Benchmark 联合验证):跳出传统刷题库,在新题与跨领域场景中检验模型的深层思想归纳、路径选择与推理 Token 效率;
- 模型后训练语料与图谱探索:验证“思想 Token 化”与定理依赖图谱在减少无效绕路、提升长程推理泛化能力上的实际增益;
- AI 辅助形式化证明与重构(Lean 生态协作):共同探索人机协作寻找更简洁证明乃至发现新定理的边界。
如果你所在的团队、科研机构或社区对这些方向感兴趣,欢迎添加我们,一起交流碰撞,一起检验这些思想究竟能走多远!
参考阅读
以下文章讨论了数学理解、证明组织以及人与形式化工具的协作,可进一步阅读:
- Grant Sanderson,2026 年 9 月 18 日。
If math is more than proof, we need to better celebrate the rest of it,客座发表于陶哲轩博客。讨论怎样解释构造的动机,以及这类工作为什么值得重视。
- 董彬、关乃粼、姜杰东、刘若川、Christian Merten、潘翔宇、史庭潇、吴彬、Edison Xie、杨威,2026 年 11 月 11 日。
A Modern Reorganization of Mathematics,发表于 Xena;另有中文扩充版。以韦伊猜想项目说明高层思想、详细论证与形式核验怎样相互连接。
- Peter Scholze,2021 年 6 月 5 日。
Half a year of the Liquid Tensor Experiment: Amazing developments,客座发表于 Xena。其中记录了明确构造实际所需性质之后,找到更显式替代对象的经历,也讨论了形式化怎样帮助理解证明。这是人类协作形式化的案例。
- Thomas Kahle,2026 年 5 月 4 日。
Auto-formalization I: Keep Trying。记录 AI 辅助形式化中的困难、指导方式调整和后续重构。
- Dustin G. Mixon,2026 年 9 月 27 日。
Doing math together in the age of AI。讨论跟随、理解、重构和迁移证明之间的区别,以及为了讲清楚而重新审视证明的经历。
点个“爱心”,再走 吧
首页




