1. 一场访谈引发的思考：AI做数学到底靠不靠谱

前阵子数学圈有个访谈在技术社区传得很开，主角是一位拿过数学界最高荣誉的学者，聊的是他最近怎么用AI工具辅助数学研究。我第一时间把相关内容翻了个遍，越看越觉得有意思——不是因为里面有什么惊天动地的新算法，而是这位学者把AI在数学研究里的定位讲得特别清醒：它既不是万能钥匙，也不是花架子，而是一个需要被"驯服"的研究助手。

这个访谈之所以值得其它行业的人认真读，是因为数学研究对"严谨性"的要求几乎到了苛刻的地步。一个证明要么对要么错，没有中间地带，也没有"差不多能用"这种说法。AI在这种环境里能不能帮上忙、怎么帮忙、帮到什么程度，本质上是在回答一个更普适的问题：当AI进入一个对正确性要求极高的领域时，人和机器应该怎么分工？

我自己做过多年的算法工程和数据分析，也带过团队用AI工具处理过不少实际项目。看完这个访谈最大的感受是：数学圈踩过的坑、总结出的方法论，几乎可以原封不动搬到工程、科研、产品设计等各个领域。所以这篇博文我不打算复述访谈内容，而是想把它背后的方法论拆开，结合我自己和身边同行的实操经验，聊聊AI辅助高严谨性工作的完整思路。

适合谁看？如果你正在用AI做代码生成、数据分析、文档撰写、方案设计，或者你所在的领域对结果正确性有硬要求，那这篇内容应该能给你一些直接能用的东西。如果你只是把AI当搜索引擎用，那看完可能会重新考虑一下用法。

2. 核心方法论拆解：AI在数学研究里的真实定位

2.1 为什么数学研究是检验AI能力的"试金石"

数学研究有个特点：它的中间过程和最终结论都必须经得起逐行推敲。你写一段代码，跑通了就行，哪怕里面有冗余逻辑；你写一份报告，逻辑自洽、数据支撑到位就能交差。但数学证明不一样，每一步推导都必须严格成立，一个符号写错、一个条件漏掉，整个证明就废了。

这种特性让数学成为检验AI能力的极端场景。AI在数学里能做的事，大致可以分成几个层次：

• 第一层：信息检索与整理。比如让AI帮忙找某个定理的相关文献、整理某个方向的发展脉络。这一层AI做得不错，因为它本质上是高级搜索。
• 第二层：计算与验证。比如符号计算、数值验证、反例搜索。这一层AI表现参差不齐，取决于具体工具和任务类型。
• 第三层：猜想与证明。比如提出一个可能的证明思路、构造一个反例、发现两个看似无关领域之间的联系。这一层是AI最受争议的地方，也是访谈里讨论最多的部分。

访谈里那位学者提到一个很关键的点：AI在数学研究中最有价值的地方，往往不是它直接给出了正确答案，而是它给出了一个"看起来像那么回事"的答案，然后人类研究者去验证、去修正、去深挖，在这个过程中反而发现了自己之前没想到的东西。这个观察非常精准，我在工程实践中也有类似体会。

2.2 从"AI给答案"到"AI给线索"的思维转变

很多人用AI的方式是：我问一个问题，AI给一个答案，我判断对错。这种用法在数学研究里几乎必然翻车，因为AI给出的数学证明经常是"局部正确、整体错误"——每一步看起来都像那么回事，但连起来就是不对。

访谈里透露出的一个核心方法论是：把AI当成一个能快速生成大量候选思路的引擎，而不是一个能给出最终答案的权威。这个转变听起来简单，但实际操作中需要刻意练习。

我举个例子。假设你在研究一个组合数学里的计数问题，直接问AI"这个问题的通项公式是什么"，它大概率会给你一个看起来很漂亮但实际错误的公式。但如果你换一种问法："这个问题有哪些常见的处理思路？每种思路的适用条件是什么？"AI给出的回答质量会高很多，因为它不需要保证最终正确性，只需要把可能的路径列出来。

这个思路迁移到其它行业同样成立。比如你做数据分析，不要问AI"这个数据集的结论是什么"，而是问"这个数据集可能适合用哪些分析方法，每种方法的前提假设是什么"。前者要求AI对结果负责，后者只要求AI对思路负责。让AI对思路负责，人类对结果负责，这是访谈里最核心的分工原则。

2.3 人机协作的边界：哪些事必须人来做

访谈里那位学者反复强调一个观点：AI可以帮你做很多事，但有几件事必须由人来做，而且这些事恰恰是研究中最关键的部分。

第一是问题的选择。AI可以帮你解决一个已经定义好的问题，但它很难帮你判断哪个问题值得解决。数学研究里，选对问题比解决问题更重要，而选问题需要的是品味、直觉和对领域全局的理解，这些目前AI还替代不了。

第二是证明的验证。AI给出的证明必须由人逐行检查，这不是因为AI一定错，而是因为数学证明的错误往往非常隐蔽，AI自己发现不了。访谈里提到一个细节：AI有时候会在证明中引入一个"看起来显然但实际不成立"的假设，这种错误只有受过严格训练的人才能识别。

第三是结果的解释。一个数学结果的意义是什么、它和已有结果的关系是什么、它能不能推广，这些都需要人来判断。AI可以帮你算出一个数，但它很难告诉你这个数意味着什么。

这三条边界放到其它行业同样适用。你做产品，AI可以帮你生成方案，但判断哪个方案值得做、验证方案能不能落地、解释方案为什么有效，这些还是得人来。AI负责广度，人负责深度和判断，这个分工在可预见的未来不会变。

3. 实操层面的关键细节：怎么让AI真正帮上忙

3.1 提示词设计的核心原则：从"给答案"到"给过程"

访谈里虽然没有直接讲提示词工程，但从那位学者描述的使用方式里，可以提炼出一套非常实用的提示词设计原则。我结合自己的实操经验，把它整理成几个可以直接套用的模式。

模式一：要求AI展示推理过程，而不是只给结论。比如不要问"这个积分等于多少"，而是问"请一步步推导这个积分，每一步说明用了什么方法"。这样做的好处是，即使最终结果错了，你也能从过程中找到哪一步出了问题。

模式二：要求AI给出多个候选方案，并说明各自的适用条件。比如"请给出三种可能的证明思路，并说明每种思路在什么条件下适用"。这个模式在数学研究里特别有用，因为很多问题的解决需要尝试不同路径。

模式三：要求AI主动指出自己答案中的不确定之处。比如"请给出你的答案，并列出你不确定的地方"。这个模式能帮你快速定位需要重点验证的部分。

模式四：让AI扮演"审稿人"角色。比如"请检查以下证明，找出其中可能存在的问题"。这个模式在验证阶段特别有用，因为AI在找错方面往往比在找对方面更强。

我实测下来，这四个模式组合使用，能让AI在数学相关任务上的可用性提升一个档次。具体来说，以前直接问答案，十次里有八次是错的；改用这些模式后，虽然最终答案还是需要人工验证，但AI给出的思路和线索里，有相当一部分是有价值的。

3.2 工具链的搭建：不要只用一个AI

访谈里那位学者提到他同时使用多个AI工具，这个做法非常值得借鉴。不同的AI模型在不同类型的数学任务上表现差异很大，有的擅长符号计算，有的擅长逻辑推理，有的擅长文献整理。只用一个工具，相当于只用一种视角看问题。

我自己的工具链大致是这样的：

这个表格里的"工具类型"我故意没有写具体产品名，因为这类工具更新太快，写具体名字过几个月就过时了。核心思路是：根据任务类型选择工具，而不是指望一个工具包打天下。

还有一个细节：不同AI工具对同一个问题的回答往往不一样，这种差异本身就是信息。如果多个工具都给出类似的思路，那这个思路值得重点考虑；如果差异很大，说明这个问题本身可能有多种理解方式，需要你先澄清问题定义。

3.3 验证环节的实操技巧：怎么快速判断AI给的证明靠不靠谱

验证AI给出的数学证明，是整個流程里最耗时的部分。访谈里那位学者分享了一些技巧，我结合自己的经验补充几点。

第一，先检查证明的"骨架"。不要一上来就逐行看，先看整体结构：用了什么方法、分了几个情况、关键步骤是哪几步。如果骨架就有问题，细节就不用看了。

第二，重点检查"显然"和"容易看出"。AI在证明里写"显然成立"的地方，往往是问题最多的地方。数学里没有那么多"显然"，每一个"显然"背后都应该有严格的理由。

第三，用具体例子测试。如果证明里有一个一般性的结论，试着代入几个具体数值看看成不成立。这个方法能快速发现一些明显的错误。

第四，检查边界条件。很多数学证明的错误都出在边界情况上，比如n=0、n=1、空集、退化情况等。AI经常忽略这些。

第五，让另一个AI来检查。用一个AI生成的证明，让另一个AI来找错，往往能发现第一个AI自己发现不了的问题。这个做法在访谈里也被提到过。

注意：AI找错的能力也不完美，它可能会把正确的步骤误判为错误。所以AI找出的"错误"也需要人工判断，不能全信。

3.4 从数学到其它行业：方法论的迁移路径

访谈里那位学者明确提到，他分享这些经验不只是为了数学研究，而是希望其它领域也能借鉴。我仔细想了想，这套方法论迁移到其它行业，核心就是三条。

第一条：把AI的输出当作"候选"而不是"答案"。无论你做的是代码生成、数据分析还是方案设计，AI给出的东西都应该被当作一个起点，而不是终点。你需要在这个起点上做验证、做修正、做深化。

第二条：建立"生成-验证"的闭环。AI负责生成，人负责验证，验证的结果反馈给AI，让AI生成更好的候选。这个闭环在数学研究里是"猜想-证明-修正"，在工程里是"设计-测试-迭代"，在写作里是"初稿-审校-修改"。形式不同，本质一样。

第三条：保留人类的判断权。哪些问题值得做、哪个方案更好、结果意味着什么，这些判断必须由人来做。AI可以给你很多选项，但选择权在你手里。

这三条听起来像是常识，但实际操作中很容易被忽略。我见过太多人用AI的方式是：问一个问题，复制AI的答案，稍微改改就交差。这种做法在低严谨性任务里可能没问题，但在高严谨性任务里迟早出事。

4. 完整实操流程：一个模拟案例的全过程记录

4.1 案例背景与问题定义

为了把上面的方法论讲清楚，我设计了一个模拟案例。这个案例是虚构的，但流程和细节都来自真实实践。

假设你在研究一个组合数学里的计数问题：用1×2的多米诺骨牌铺满一个2×n的矩形，有多少种铺法？这个问题本身有已知答案，但假设你不知道，我们来看看用AI辅助研究的完整流程。

第一步是问题定义。你需要把问题描述清楚：矩形的尺寸是2×n，骨牌是1×2，骨牌可以横放也可以竖放，要求完全覆盖且不重叠。这些条件缺一不可，否则问题就变了。

我试过直接把这个问题丢给AI，它的回答质量参差不齐。有的直接给出斐波那契数列的答案，但推导过程漏洞百出；有的给出递推关系但边界条件写错。所以直接问答案这条路走不通，需要换一种方式。

4.2 用AI生成候选思路的实操记录

我采用的策略是：不让AI直接给答案，而是让它生成多种可能的处理思路。

我的提示词大致是这样的："考虑用1×2多米诺骨牌铺满2×n矩形的问题。请给出至少三种不同的分析思路，每种思路说明其核心思想和适用条件。不要给出最终答案，只给出思路。"

AI给出了三种思路：

• 思路一：递推法。考虑最左边一列怎么铺，分两种情况：竖放一块骨牌，或者横放两块骨牌。这样可以把问题规模缩小，得到递推关系。
• 思路二：生成函数法。把铺法数量作为一个数列，构造它的生成函数，通过函数方程求解。
• 思路三：矩阵方法。把铺法看作状态转移，用转移矩阵的幂来求解。

这三种思路都是组合计数里的标准方法，AI给出它们并不意外。但关键在于，AI在描述每种思路时，把核心思想和适用条件都讲清楚了，这为我后续的验证和选择提供了基础。

4.3 验证与修正：人工介入的关键节点

拿到三种思路后，我选择递推法来深入。原因很简单：递推法最直观，最容易验证。

我让AI把递推法的细节展开。AI给出的推导是：设f(n)为2×n矩形的铺法数。考虑最左边一列，如果竖放一块骨牌，剩下2×(n-1)的矩形，有f(n-1)种铺法；如果横放两块骨牌，剩下2×(n-2)的矩形，有f(n-2)种铺法。所以f(n)=f(n-1)+f(n-2)。

这个推导看起来没问题，但我需要验证边界条件。f(1)=1（只能竖放一块），f(2)=2（两块竖放或两块横放）。代入递推式：f(3)=f(2)+f(1)=3，实际验证一下，2×3的矩形确实有3种铺法。f(4)=f(3)+f(2)=5，也正确。

到这里，递推关系和边界条件都验证通过了。但还有一个问题：这个递推关系的前提是"最左边一列的铺法只有两种"，这个前提需要严格证明。我让AI补充这个证明，它给出的论证是：最左边一列要么被一块竖放的骨牌覆盖，要么被两块横放的骨牌覆盖，没有第三种可能。这个论证是成立的，因为骨牌尺寸是1×2，覆盖最左边一列的方式确实只有这两种。

4.4 结果整理与经验沉淀

最终结果是f(n)=f(n-1)+f(n-2)，f(1)=1，f(2)=2，这就是斐波那契数列。整个流程走下来，AI的作用是：生成候选思路、展开推导细节、补充证明步骤。人的作用是：选择思路、验证边界条件、检查关键前提、判断论证是否严格。

这个案例虽然简单，但完整展示了人机协作的流程。如果问题更复杂，比如三维的铺法问题或者带限制条件的铺法问题，流程是一样的，只是每个环节的工作量更大。

我把这个流程整理成一个可复用的模板：

1. 问题定义：把问题描述清楚，包括所有条件和要求。
2. 思路生成：让AI给出多种可能的处理思路，不要求答案。
3. 思路选择：根据问题的特点和自己的判断，选择一条或几条思路深入。
4. 细节展开：让AI把选定思路的细节展开，包括推导和证明。
5. 验证修正：人工检查边界条件、关键前提、论证严格性。
6. 结果整理：把最终结果和推导过程整理成可复现的形式。

这个模板可以直接套用到其它领域。比如你做数据分析，第一步是定义分析目标，第二步是让AI给出多种分析方法，第三步是选择方法，第四步是让AI生成分析代码，第五步是验证代码和结果，第六步是整理结论。

5. 常见问题与排查技巧实录

5.1 AI给出的证明看起来对但实际错，怎么快速定位

这是最常见的问题。AI给出的数学证明往往"局部正确、整体错误"，每一步看起来都合理，但连起来就是不对。快速定位这类问题，我总结了一个"三层检查法"。

第一层：检查前提。AI在证明中引入的每一个假设、每一个"不妨设"，都需要检查是否成立。很多错误就出在这里，比如AI假设了某个条件，但这个条件在问题里并不满足。

第二层：检查逻辑连接。每一步推导之间的逻辑关系是否成立。比如从A推出B，这个推出关系是否严格。AI经常在这里出问题，它可能会把"A成立时B成立"和"A推出B"混为一谈。

第三层：检查结论。结论是否真的由前面的推导得出。有时候AI的推导过程是对的，但结论写错了，或者结论比实际能推出的更强。

这个三层检查法能覆盖大部分错误。如果三层都检查过还没发现问题，那可能需要用具体例子来测试，或者换一个AI来交叉验证。

5.2 AI在数学任务上的典型错误模式

根据我的使用经验，AI在数学任务上的错误有一些明显的模式。了解这些模式，能帮你更快地发现和修正问题。

这些错误模式在其它领域也有对应。比如你做数据分析，AI可能忽略数据中的异常值（边界条件错误），或者假设数据服从正态分布但实际不服从（隐含假设错误）。排查思路是一样的：检查前提、检查逻辑、检查结论。

5.3 提升AI数学任务成功率的独家技巧

除了上面提到的提示词模式和验证方法，还有几个技巧是我在实际使用中总结出来的，常规文档里不太会写。

技巧一：用"反向提问"来验证。如果AI给出了一个证明，你可以问它："如果这个证明是对的，那么XXX应该成立，请验证XXX。"如果XXX不成立，那证明就有问题。这个技巧能快速发现一些隐蔽的错误。

技巧二：让AI用不同方法证明同一个结论。如果两种独立的方法都得出同一个结论，那这个结论的可信度就高很多。如果两种方法得出不同结论，那至少有一种是错的，需要进一步排查。

技巧三：把大问题拆成小问题。AI在处理小问题时的成功率远高于大问题。所以遇到复杂问题时，先把它拆成若干个小问题，逐个让AI处理，最后人工组装。

技巧四：保留AI的"草稿"。AI在给出最终答案之前，往往会有一些中间步骤或尝试性的推导。这些"草稿"里有时候包含有价值的线索，不要直接丢掉。

技巧五：定期换模型。不同AI模型的能力差异很大，而且同一个模型在不同时间也可能有变化。定期尝试新的模型，可能会发现某些任务上表现更好的工具。

提示：这些技巧的核心逻辑是一样的——不要指望AI一次给出正确答案，而是通过多种方式交叉验证，逐步逼近正确答案。

5.4 从数学研究到通用工作流的迁移清单

最后，我把访谈里的方法论和我的实操经验整理成一个迁移清单，方便你在自己的领域里直接套用。

• 问题定义阶段：把问题描述清楚，包括所有条件和要求。不要让AI帮你定义问题，这是人的工作。
• 思路生成阶段：让AI给出多种可能的处理思路，不要求答案。要求AI说明每种思路的适用条件。
• 思路选择阶段：根据问题的特点和自己的判断，选择一条或几条思路深入。这个判断需要领域知识。
• 细节展开阶段：让AI把选定思路的细节展开，包括推导、证明、代码等。要求AI标注不确定的地方。
• 验证修正阶段：人工检查前提、逻辑、结论。用具体例子测试，用不同方法交叉验证。
• 结果整理阶段：把最终结果和推导过程整理成可复现的形式。记录AI的贡献和人的修正。

这个清单看起来简单，但每一步都有很多细节。我在实际使用中最大的体会是：AI辅助高严谨性工作的关键，不在于AI有多强，而在于人怎么用。同样的工具，用对了方法能事半功倍，用错了方法就是浪费时间。

访谈里那位学者最后说了一句话，我印象很深：AI不会取代数学研究者，但会用AI的数学研究者可能会取代不会用的。这句话放到其它行业同样成立。工具在变，但判断力、严谨性和创造力，始终是人的核心价值。