編輯 | 白菜葉
「提出一個猜想——一個被懷疑為真的命題，但需要明确的證明——對數學家來說就像是神聖靈感的時刻。數學猜想不僅僅是有根據的猜測。制定它們需要天才、直覺和經驗的結合。即使是數學家也很難解釋自己的發現過程。然而，與直覺相反，我認為這是機器智能最初最具變革性的領域。」英國倫敦數學科學研究所所長 Thomas Fink 說。
2017 年，倫敦數學科學研究所的研究人員開始将機器學習應用于數學資料，作為一種愛好。在 COVID-19 大流行期間，他們發現簡單的人工智能（AI）分類器可以預測橢圓曲線的排名——衡量其複雜性的名額。
論文連結：https://arxiv.org/abs/2204.10140
橢圓曲線是數論的基礎，了解其基礎統計資料是解決七大千年難題之一的關鍵一步，這七大難題由羅德島州普羅維登斯的克萊數學研究所選出，每項獎金為 100 萬美元。很少有人期待人工智能會在這個高風險的領域發揮作用。
人工智能在其他領域取得了進展。幾年前，一個名為拉馬努金機（Ramanujan Machine）的計算機程式産生了基本常數的新公式，例如 π 和 e。它通過詳盡地搜尋連分數族來做到這一點——分母是一個數字加一個分數的分數，其分母也是一個數字加一個分數的分數，依此類推。其中一些猜想已經被證明，而另一些猜想仍然懸而未決。
論文連結：https://www.nature.com/articles/s41586-021-03229-4
另一個例子與結理論有關，這是拓撲學的一個分支，其中一根假設的繩子在兩端粘在一起之前纏結在一起。Google DeepMind 的研究人員利用許多不同結的資料訓練了一個神經網絡，并發現了它們的代數和幾何結構之間的意想不到的關系。
論文連結：https://www.nature.com/articles/s41586-021-04086-x
人工智能如何在人類創造力被認為至關重要的數學領域産生影響？
首先，數學中不存在巧合。在現實世界的實驗中，假陰性和假陽性比比皆是。但在數學中，一個反例就會讓猜想徹底推翻。例如，波利亞猜想指出，大多數低于任何給定整數的整數都具有奇數個質因數。但到了1960年，人們發現這個猜想對于數字 906,180,359，這個猜想并不成立。波利亞猜想一下子就被證僞了。
其次，可以訓練人工智能的數學資料很便宜。素數、紐結（knot）以及許多其他類型的數學對象非常豐富。整數序列線上百科全書（OEIS）包含近 375,000 個序列 — 從熟悉的斐波那契數列 (1, 1, 2, 3, 5, 8, 13, ...) 到強大的 Busy Beaver 數列 (0, 1, 4, 6, 13, ...)，它的增長速度比任何可計算函數都快。科學家們已經在使用機器學習工具來搜尋 OEIS 資料庫，以發現意想不到的關系。
OEIS：https://oeis.org/
人工智能可以幫助我們發現模式并形成猜想。但并非所有猜想都是一緻的。他們還需要增進我們對數學的了解。G. H. Hardy 在他 1940 年的文章《A Mathematician’s Apology》中解釋說，一個好的定理「應該是許多數學構造的組成部分，用于證明許多不同類型的定理」。
換句話說，最好的定理增加了發現新定理的可能性。幫助我們達到新的數學前沿的猜想，比那些産生較少見解的猜想更好。但區分它們需要對這個領域本身将如何發展有直覺。這種對更廣泛背景的把握，将在很長一段時間内超出人工智能的能力範圍——是以該技術将很難發現重要的猜想。
雖然有這些潛在問題，但是在數學界更廣泛地采用人工智能工具還是有很多好處的。人工智能可以提供決定性的優勢并開辟新的研究途徑。
主流數學期刊也應該多發表猜想。數學中一些最重要的問題——例如費馬大定理、黎曼假設、希爾伯特的 23 個問題和拉馬努金的衆多恒等式——以及無數不太出名的猜想塑造了該領域的發展方向。猜想為我們指明了正确的方向，進而加快了研究速度。由資料或啟發式論證支援的關于猜想的期刊文章将加速發現。
2023 年，Google DeepMind 的研究人員預測會出現 220 萬個新的晶體結構。但這些潛在的新材料中有多少是穩定的、可以合成的并具有實際應用還有待觀察。目前，這主要是人類研究人員的任務，他們掌握了材料科學的廣泛背景。
論文連結：https://www.nature.com/articles/s41586-023-06735-9
同樣，要了解人工智能工具的輸出，就需要數學家的想象力和直覺。是以，人工智能隻會充當人類創造力的催化劑，而不是替代品。
相關内容：https://www.nature.com/articles/d41586-024-01413-w