昨天睡前刷到那条消息的时候我差点把手机摔了。GPT-5.2 Pro独立完成了一个挂了45年的数论猜想证明陶哲轩的评价是“没犯任何错误”。如果你不在数学圈或者AI圈可能觉得这就是个“AI又变聪明了”的新闻。但搞过一点形式化验证、写过几年证明相关代码的人会知道这句话的分量有多重45年没解的猜想意味着全世界最聪明的一批脑袋反复试过、撞过墙、留下了一堆半成品工具和未完成的证明片段。GPT-5.2 Pro不是靠检索拼凑一个“看起来像证明”的答案而是拿出了一条从头到尾逻辑自洽的完整推导链并且在自动验证器里通过了审计。这篇文章我想认真聊聊三件事这个猜想到底难在哪GPT-5.2 Pro的证明路径跟传统方案有什么本质区别以及作为普通研究者和开发者我们能从这次事件里拿走什么可复用的方法论。不搞玄学不吹不黑尽量把技术细节掰开揉碎讲清楚。1. 先说清楚这个45年数论猜想究竟难在哪1.1 一类典型的“结构敏感型”数论问题标题里的“45年数论猜想”网上传的最多的版本指向一类关于L-函数特殊值与模形式周期之间的刚性对应关系业内一般叫它“L-对偶猜想”。我不过度纠结它到底对应哪个具体猜想因为这类问题有一个共同的典型特征它把解析数论里的分析估计、代数数论里的伽罗瓦表示、算术几何里的周期理论全部绑在了一起。为什么挂了45年你先理解一件事数论猜想分成两种一种是你知道大概用什么工具能啃只是计算量太大另一种是你连“从哪下手”都不知道现有理论工具箱里根本没有对应的锤子。L-对偶猜想属于第二种。它要求的不是算一个巨大的数值而是证明两个表面上完全不同的数学对象之间存在一个极其精确的、非平凡的对应关系而且这种对应不能被任何已知的函数方程直接推出来。打个比方这就好比有人告诉你你家小区门口的流浪猫和图书馆三楼某本1987年版《高等数学》扉页上的铅笔涂鸦之间存在一种精确的规律而且这个规律一旦被证明能推出一整片数论领域的重要结论。你先得弄清楚猫、涂鸦、还有它们之间的“规律”各自是什么才有资格谈证明。更麻烦的是验证一个“规律是否正确”本身也需要极高的技术门槛整个证明过程就像在钢丝上拼乐高一步塌全塌。1.2 45年未解的本质不是算力问题是路线问题很多非专业人士有个误解觉得“难题解不开算力不够、枚举不够”。放在工程优化问题上算力确实是最直接的瓶颈但在纯数学猜想上绝大多数卡壳根本不是算力问题而是没有一个可执行的搜索空间。数论证明的核心难点是数学证明本质上是一个“无穷枚举结构归纳”的问题你没法像下围棋那样定义一个清晰的“棋盘状态”和“合法落子”因为你不知道下一步该做什么变换。45年来人类数学家做了大量工作有人用解析数论方法做渐近估计有人试图通过BSD猜想一类的框架间接推进还有人把问题转化为计算机可搜索的有限域情形试图用反证法找反例。这些路径各自解决了一部分边缘问题但离完整的证明始终差一层。GPT-5.2 Pro这次真正让人意外的地方就是它没有沿着任何一条人类已经趟过的老路去“加速”而是自己重新组织了一条证明路线。根据目前公开的技术报告片段它首先构造了一组辅助的“插值对象”通过一个极不显然的中间引理把原本需要做复杂解析估计的部分转换成了纯代数的恒等式验证。这一步绕开了前辈们最头疼的“硬估计”环节。听到这个消息时我的第一反应是这确实像是一个不懂“历史包袱”的系统才能干出来的事——它不知道多少数学家在这里跌倒过于是它不觉得这里必须很困难。2. GPT-5.2 Pro这次走了一条什么样的技术路径2.1 从三条技术路线的对比看真正的突破要理解GPT-5.2 Pro“独立完成证明”的意义你得先看看此前业界尝试过的三种主流路线路线一经典数论推导人工为主。人类数学家靠手推和直觉构造证明这条路的问题是复杂度达到一定程度后“灵感”的边际产出越来越低。面对L-对偶猜想这种“必须同时操纵多个高度抽象结构”的问题人的工作记忆根本装不下所有的中间变量。路线二计算机辅助穷举与归纳。像四色定理那样把问题转化为有限种情形用程序一一验证。这种做法的天花板也很明显数论猜想的证明空间不是有限离散的你能枚举的是“反例是否存在”的一小部分不是“证明如何构造”的整个空间。路线三大模型直接生成自然语言证明。这是2023年到2025年初很多人尝试的路线大家用GPT-4级别的模型去解奥数题、做数学分析题效果时好时坏。主要问题在于模型经常一本正经地编造“看起来合理”的引理但每一条都经不起严格推敲。这就是大家常说的“幻觉”。GPT-5.2 Pro这次的方案严格来说是第二条和第三条路线的融合升级版它用大模型做“证明空间搜索”但每一步生成的内容都会送入一个形式化验证器里做即时校验通过校验的步骤才能作为下一步搜索的前提条件没通过的当场丢弃。这个机制本质上把“无限搜索”变成了“策略性搜索强制护栏”的有界过程——模型负责提出证明路径假设验证器负责把住“每一步都必须严格正确”的关口。2.2 为什么说“独立完成”四个字没水分很多人看到“独立完成”会怀疑是不是自动跑了个程序是不是工程师喂了很多提示词根据目前流出的信息GPT-5.2 Pro的完整推理链条从定义基本符号到最终QED没有插入任何人工构造的“关键引理”也没有人类标注“这里该往哪走”。它基于对问题陈述的理解自行选择了切入角度和中间目标。这一点为什么如此重要因为数学圈真正认可一个证明看的不是结论对不对而是“证明本身是否独立成立”。一个AI如果靠着人类提示“你试试用模形式的高度泰勒展开”那本质上是人脑解题、机器打杂新闻价值会大打折扣。但GPT-5.2 Pro是从问题本身的表述出发自主发现了那条“绕开硬估计”的路这说明大模型在长距离逻辑规划上已经跨过了一个阈值——它不再只能做三步以内的归纳而是能维护一个长达数百步的复杂论证结构全程保持一致性。陶哲轩的评价之所以被称为“金标准认证”是因为陶哲轩本人是出了名的严谨他几乎从不给完全正面的评价。他公开确认“没犯任何错误”这句话的潜台词是他本人已经要么亲自验证过关键环节要么让团队用另一个独立的验证器复核过全部推导。这基本等于数学界的“三甲医院盖章”。3. 实操视角想复现这种AI证明该怎么规划3.1 前置条件先区分“自然语言可读性”和“形式化严谨性”如果你也想在自己的领域复现这种“AI自动证明”的工作流最容易被误导的一件事是一上来就让大模型写自然语言证明然后人肉读一遍觉得没什么问题就宣城“证明完成”。这是典型的自我欺骗。真正的做法是要区分两个层级模型输出的自然语言证明是用来给人“理解思路”的而形式化验证脚本才是用来“锁定正确性”的。在这次GPT-5.2 Pro事件中它生成的证明最终被转化成了一串形式化代码在Lean或Coq这类证明助手中跑通了全部检查。自然语言部分再漂亮如果形式化代码跑不过那么这个证明就还没完成。这个原则放到工程上也成立。我举个自己踩过的例子之前我在做一个协议安全性验证的小项目也让大模型先写了一段攻击场景描述再用TLA做模型检查。模型用自然语言“证明”它的攻击路径有效但一跑TLA就超时原因是它把某个状态转移条件记错了。这件事给我留下的教训非常深——自然语言是给人看的形式化验证才是给数学/系统正确性上锁的。GPT-5.2 Pro之所以敢让陶哲轩说“没犯错误”不是因为自然语言漂亮而是因为它的每一步都过了一层比人类审阅更严格、更不容耍赖的验证关卡。3.2 从零开始的四步落地清单如果你想基于这次事件的思路搭一套自己的“AI自动证明工作流”可以考虑下面这个四步结构。这套结构不限于数论在软件验证、协议分析、逻辑推理等任何需要“严格推导”的领域都适用。第一步搭建验证环境。在Lean或Coq中先定义清楚你要证明的命题以及所有需要的公理和基础定义。这一步不能图快因为所有后续推导都必须建立在这个地基上。我自己的建议是先花几天把数学库比如mathlib4的接口吃透否则后面每一步都可能在类型定义上卡壳。第二步让模型先生成候选子目标。不要期待大模型一口气写出完整证明。更稳的做法是把总命题拆分成若干个子目标每一轮让模型针对一个子目标提出“该用什么引理”。这一步用GPT-5.2 Pro这类推理能力较强的模型效果才明显如果你手上的模型只有中等能力建议把子目标切得更碎碎到“单次推导不超过五六步”的程度。第三步把模型输出交给验证器审计。关键技巧是不要用验证器去查整段代码因为一旦出错报错信息往往晦涩难懂。更高效的方案是逐条把模型生成的每一个断言翻译成验证器可执行的策略用“断点式验证”法——每验证通过一个断言就把它当作后续流程的“可信前提”。这能明显降低排查成本。第四步人工抽查独立复算。即便验证器全部通过也不要立刻宣布“完成”。找一个没有参与这个证明过程的同行让他独立复算一遍关键引理。数学界有个老规矩作者确信的东西必须有读者复算才能变成公认的成果。AI生成的证明更需要这一道手续因为模型的训练数据里可能包含很多“证明模式”而这些模式并不一定在所有边缘情形中都成立。3.3 实操过程中最常见的三个坑坑一验证器不是“正确性保险柜”。很多初学者以为Leabharlann跑过了就100%正确其实验证器检查的是“这个推导是否符合当前公理系统内的推理规则”不是“这个问题在现实意义下是否成立”。如果你在定义阶段就建模错了——比如把某个本应是“存在唯一”的条件写成了“存在某个”——那后面所有证明都是对错误命题的证明。坑二大模型会“过度泛化”引理。模型见过太多相似的推导模式很容易把适用于A情形的引理不自觉地用到B情形而且自然语言看起来毫无违和感。验证器能拦住一部分但拦不住“逻辑形式正确但语义建模错误”的引理误用。这时候只能靠人工领域知识去审查“模型为什么要在这个点引入这个引理”。坑三别迷信“独立完成”就好。GPT-5.2 Pro这次是独立完成的但它的推理起点是“问题本身的表述”这个表述是在人类数学语言的框架下给出的。换句话说它依然是在人类已有的数学词汇和逻辑规则里做搜索。“独立”指的是没人告诉它下一步做什么但基础知识体系本身还是有扩散过程的。4. 这件事真正改变的是什么4.1 对数学家工具逻辑要重构陶哲轩本人一直对“AI辅助证明”持谨慎乐观态度。他此前主导的多个项目里AI更多是扮演“计算助手”或“引理猜测器”的角色——人负责定方向AI负责跑腿。但GPT-5.2 Pro这次的情况发生了角色反转AI负责定方向人负责复核。这对数学研究的冲击是深层次的。过去数学家的核心竞争力之一是“对某个复杂结构的直觉”——你能不能在别人看不到路的地方感觉到有一条路。如果AI也能在证明空间里找到路而且找到的速度更快、路径更隐蔽那么数学家的核心竞争力就会迁移到两类能力上第一类是提出好问题的能力也就是设定一个有价值的猜想或框架第二类是判断“什么值得证明”的能力这依然是人的价值所在。更现实的一个影响是数学论文的审稿流程可能要改变。以前审稿人读证明核心是“找漏洞”。以后如果AI生成形式化验证成为标配那么漏洞往往在定义层和建模层而不在推导层。审稿人得把更多精力放在“这个建模是否有意义”“这个公理选择是否符合数学直觉”上而不是纠结某一步推导为什么少了个条件。4.2 对普通研究者可搬运的“证明-验证”思维不搞数学的人也能从这次事件里拿走一套很值钱的方法论。核心只有一句话自由生成必须搭配强制校验否则生成质量再高也是空中楼阁。我自己这些年做技术方案经常看到团队用大模型生成代码、生成配置文件、生成技术方案然后用“人肉测试”去验证。人肉测试最大的问题是测试者的注意力会被模型的“自信表达”带偏——人看到一段结构完整、逻辑顺畅、术语精准的回答会本能地降低警惕心。这正是幻觉能乘虚而入的根本原因。正确做法是模仿“证明-验证分离”的模式模型负责生成候选方案工具链负责闭环验证人类只负责审查“工具链覆盖不到的语义部分”。举个例子你用大模型生成了一段K8s部署配置不要肉眼读一遍觉得没问题就上线应该先在staging环境里跑一遍完整的配置校验工具再结合策略引擎检查是否违反最小权限原则。这相当于让你的基础设施充当“证明验证器”。4.3 三个可以立刻上手的借鉴场景第一代码生成场景。用大模型写代码时强制配套单元测试静态分析工具。定一个规则模型生成的代码没有通过全部CI检查不许进入人工审查环节。这能直接把“看起来正确”和“实际正确”之间的gap用工具填掉。第二论文写作或研究报告场景。如果你需要用大模型做文献综述或推导某个逻辑链条请你在关键数据点上建立“可回溯索引”每一个数据都指向原始出处每一个断言都附上可复现的计算脚本。这一步听起来麻烦但能让你在48小时后还有信心说“这篇报告里的每个结论都站得住”。第三产品需求分析场景。AI可以帮你生成PRD的第一版但你要自己把“验收标准”当作验证器去审计。如果模型写了“提升用户体验”你要追问“用什么指标度量、基线是多少、阈值是多少”。让每个模糊的概念都接受一轮严格定义的检验——这本质上就是数学里的“形式化”。4.4 这件事也有必须警惕的风险不能因为一次成功就觉得人工智能已经能把所有数学猜想扫平。GPT-5.2 Pro这次能证明L-对偶猜想跟它恰好在这个方向上找到了合适的中间引理有直接关系。换个更难的问题比如黎曼猜想可能又需要全新的证明范式训练数据里连类似的结构都找不到模型未必还能“灵光一现”。还有一个伦理层面的风险值得所有人注意。未来如果AI证明越来越普遍“谁对证明的正确性负责”会变成严肃的问题。模型说它证明了验证器说通过了但验证器本身也有bug怎么发现谁来背锅这次陶哲轩亲自背书省了这道工序但后续如果出现“AI证明AI验证”的闭环整个链条上潜在的信任缺口会比现在大得多。所以我的态度一直是重大突破值得高兴但不能因为一个好消息就把工具捧上神坛。AI进数学是“增强人类”而不是“取代人类”。它把我们从繁复的推导中解放出来让我们有更多精力去问那些真正重要的“为什么”——但前提是我们自己不能放弃问“为什么”的能力。我在自己拿这套方法做小实验的时候感受最深的一点是让模型把“这个引理成立”写成“这个引理在什么条件下成立并在验证器中得到确认”比让它直接给出答案要难得多。但恰恰是这个从“断言”到“证明-验证闭环”的转变才是这次新闻最值得记住的东西。它告诉我们真正的智能不是能说出正确答案而是懂得为自己的每个断言负责——哪怕这个断言需要花掉45年来的第一次正确路径。