最近,OpenAI 公布了 Navier – Stokes 存在性與光滑性問題的一份解答及 Lean 形式化證明。這是克雷數(shù)學研究所在 2000 年提出的七個 " 千禧年難題 " 之一,每題設有百萬美元獎金。據(jù) OpenAI 公告,其內部模型構造了光滑外力下的有限時間爆破:方程描述的流速在有限時間內變得無界。

AI 在不斷突破數(shù)學難題的時候,也在我學習數(shù)學的時候,讓我發(fā)現(xiàn)了很多有意思的事情。特別是在學習復雜數(shù)學定理的時候,往往當我將這個定理與前面學習過的定理,或者前面定理所包含的思想聯(lián)系起來的時候,我才能學會。
漸漸地,我能看懂數(shù)學語言了。
有些定理的等式就是想把二維積分轉為三維積分,因為三維的時候信息更多更方便理解,反過來有時候需要簡便計算的時候就會換回二維積分,其實 Transformer 里面也有這種哲學思想,也就是先乘高維矩陣將特征放大,在找到特征后再乘低維度矩陣方便運算。
數(shù)學中反復會學到什么一致收斂了、絕對收斂了、依測度收斂了,其實我覺得它們很大一部分都是為了用這個很好的性質來交換積分號和求和號或者極限號達到簡化計算的目的。
于是,有時候我有一點思路,就會問 AI:它們是不是同屬一個系列的。
前面這些聯(lián)系邊界與內部的低維、高維積分轉換,可以用廣義斯托克斯公式統(tǒng)一理解。它們的共同的哲學思想就是邊界 - 內部的對偶。簡單來說,二維就是邊界,比如球的表面;三維就是內部,比如球的內部。
這些哲學思想的識別其實都是需要經(jīng)過大量的學習和感悟,從公式里讀出思想、再把思想帶到別的地方去,科學史上最有名的例子大概就是愛因斯坦了。他在蘇黎世聯(lián)邦理工讀書時,聽過蓋澤爾(Carl Friedrich Geiser)講高斯的曲面理論。
十幾年后,廣義相對論的數(shù)學形式讓他一籌莫展,他后來回憶說,是在 1912 年突然想起高斯的曲面理論可能就是解開謎題的鑰匙,意識到幾何的基礎有物理意義(隨后朋友格羅斯曼又把他引向了黎曼幾何)。高斯寫下那些公式時想的是曲面和大地測量,愛因斯坦讀出來的是引力。
所以我很好奇:一個看過高斯的大模型,會夢見愛因斯坦嗎?
也就是說,它能不能從不同公式中讀出相同的哲學思想。
如果可以的話,它是不是就能通過排列組合創(chuàng)作出很多新的公式呢。
于是,我們著手自己設計了一套目前市面上從沒出現(xiàn)過的 benchmark,不測模型任何具體數(shù)學題,而是想看一看模型究竟能不能理解數(shù)學的哲學,甚至是能不能像人一樣去感受到數(shù)學的美妙。
從定理到思想
為了讓大家感受到,其實數(shù)學沒有想象的那么復雜,我先用一個簡單的例子向大家介紹一個簡單的哲學思想,也就是交換積分號求和號或極限。
以這次評測中的一條給 AI 的學習示例—— Levi 單調收斂定理為例。
先看它的數(shù)學表達:設 ( X, Σ , μ ) 是測度空間,f 、f 、……是一列取值于 [ 0,+ ∞ ] 的可測函數(shù),f 也是同一空間上的非負可測函數(shù)。如果對幾乎處處的 x ∈ X,都有
0 ≤ f ( x ) ≤ f ( x ) ≤ ……,并且 f ( x ) → f ( x )
那么
lim →∞ ∫ f d μ = ∫ f d μ
這里的積分都在整個 X 上進行,等式在擴展實數(shù)范圍內成立,因此右邊允許是 + ∞。
看到這里,你可能會想:這嘰里咕嚕說的是什么,火星文嗎?
但如果我告訴你,前面那些嘰里咕嚕的話,都是為了最后能夠交換積分號和極限號,讓我們可以在 " 先取極限得到 f,再積分 " 和 " 先對每個 f 積分,再取極限 " 之間轉換,選擇更容易計算的路線呢?至于前面的單調遞增、非負和可測,就是用來保證這次交換合法,排除那些交換之后結果可能不一樣的特殊情況。這樣看,這個定理是不是也沒有那么難?
有沒有注意到,這個定理的核心作用,就是在滿足這些條件時,讓積分號和極限號可以交換次序。這體現(xiàn)的就是 " 受控極限交換 " 這種哲學思想。
不同的公式、定理中,這種思想其實反復出現(xiàn)。這也是我設計這個 Benchmark 的初衷:
AI 能不能識別這種哲學思想?
因為如果我們把定理看作一件件數(shù)學工具,那么按哲學思想將其分類,就像按共同用途把它們放進不同的工具箱。如果 AI 可以識別不同細碎定理背后更本質的思想,它在推理階段,就可以從一些具體瑣碎問題跳脫出來,以一種更本質的方式挑出合適的工具。
這對今天的模型更好提高它的解決問題能力和效率,可能是個非常關鍵的提升方向。而這樣一個 benchmark 也就會非常有價值。
數(shù)學定理的 " 哲學 " 思想識別 Benchmark
在設計題目的時候,我的一個基本方法是,把定理改寫成白話,保留關鍵條件與結論,隱去名稱和慣用公式,希望減少熟悉表達帶來的答案線索,然后來測試模型的識別能力。
比如,剛才的單調收斂定理,在學習材料中就變成了這樣:
取一列處處非負的可測函數(shù)。在幾乎每一個點上,函數(shù)列中后一個函數(shù)在該點的取值不小于前一個函數(shù)在該點的取值,而且這些取值趨近某個極限函數(shù)在該點的取值。在這些函數(shù)所在的空間上,分別對它們積分,以此衡量每個階段的總量。這些總量趨近極限函數(shù)的總量。即使最終的總量為無窮大,結論也仍然成立。這里不要求函數(shù)列一致收斂;單調不減與非負性提供了使取極限與積分相容所需的控制。
這次選取八類哲學思想,每類提供四條學習示例,共 32 條。模型每次答題都能看到這八組示例,但類別只用 A — H 標記,不給名稱或定義,讓它從同組定理中歸納共同作用。
每道題包含兩條表面相近的陳述:一條屬于已學類別,另一條是數(shù)學上也應當成立、但設計上不屬于這八類的對照,以減少僅靠排除類別作答的機會。模型先選出目標陳述,再給出類別代碼。兩步都符合當前候選答案,才計為答對。 后面的 " 兩步全對率 " 就按此計算。
為了讓大家直觀地了解題目的難度,以及大模型的作答過程,我選了 " 邊界—內部對應 " 這一類來舉例。這是模型表現(xiàn)最差的一類,我自己學習時也覺得很困難。先看一個數(shù)學定理與物理規(guī)律相互聯(lián)系的例子:一個是散度定理,另一個是熱量守恒。
散度定理
Ω ( · F ) dV = Ω ( F · n ) dS
熱量守恒:
d/dt [ ∫ Ω ρ cu dV ] = ∫ Ω k ( u/ n ) dS
單看樣子,你很難把它們聯(lián)系到一起。但如果保留積分的骨架,把里面的內容換成白話,散度定理就變成:
∫(區(qū)域內部)單位體積的凈流出速率 d(體積)
= ∫(區(qū)域邊界)單位面積的凈流出速率 d(面積)
這里把向量場理解為流量場。熱量守恒則變成:
d/dt [ ∫(區(qū)域內部)單位體積儲存的熱量 d(體積) ]
= ∫(區(qū)域邊界)單位面積的凈流入熱量速率 d(面積)
神奇的地方就在這里。
散度定理告訴我們,把內部各處的凈流出加起來,恰好等于穿過整個邊界的凈流出,比如漏雨的屋子里,內部各處的凈流出匯總起來,就是排水口流出的水減去屋頂漏入的水;熱量守恒告訴我們,內部儲存的熱量減少多少,就意味著有多少熱量凈流出了邊界,比如單獨計算皮膚散熱這一項,皮膚向外凈散出多少熱量,身體儲存的熱量就相應減少多少,散度定理在很多教材里也被稱為高斯公式。
一個來自數(shù)學,一個來自物理,卻都體現(xiàn)了 " 邊界—內部對應 " 的哲學:區(qū)域內部的某種總體變化,可以通過穿過邊界的流動來表達。

先看三個模型對這一組思想的歸納。下面保留英文原文,中文是對應的翻譯。
Gemini 3.8 Flash:
The Divergence Theorem and the Dirichlet problem are clear examples. I'm seeing a pattern – the boundary values dictate interior behavior.
散度定理和狄利克雷問題是明顯的例子。我看到了一種共同模式:邊界上的值決定內部的行為。
它還特意提到了泊松公式:
The Poisson formula, relating boundary values to interior harmonic functions, is a prime example of this.
泊松公式把邊界值與內部的調和函數(shù)聯(lián)系起來,是這種思想的一個典型例子。
GLM-5.3:
Group C is about boundary-interior relations ( divergence, Stokes, Dirichlet problem, generalized Stokes ) .
C 組討論的是邊界與內部的關系,包括散度定理、斯托克斯定理、狄利克雷問題和廣義斯托克斯定理。
它在判斷題目時,又把這一組的主題概括為:
But C's theme is "interior accumulation equals boundary measurement."
但 C 組的主題是 " 內部的累積等于邊界上的測量 "。
Step-5-Preview:
Relationship: integral identities relate interior integral to boundary integral; flux through boundary equals interior total.
關系:積分恒等式把內部的積分與邊界的積分聯(lián)系起來;穿過邊界的通量等于內部的總量。
光看這些話,它們似乎都抓住了邊界與內部的聯(lián)系。但仔細讀,側重點已經(jīng)有些不同:Gemini 更注意由邊界數(shù)據(jù)確定內部,GLM 同時提到了邊界值問題和內部累積,Step 則更注意內部積分與邊界積分之間的轉換。
這種區(qū)別,到了做題時就顯出來了。
有一道題,講的是怎樣給內部的函數(shù)定義邊界值。對于光滑函數(shù),這很容易,把邊界上的點代進去就行。但題目考慮的函數(shù)沒有這么好,不能直接逐點讀取邊界值。定理告訴我們,仍然可以把光滑函數(shù)的邊界取值操作推廣過去,得到確定的、受到范數(shù)控制的邊界數(shù)據(jù)。
先不管那些函數(shù)空間的名字,看它最后允許我們做什么:
從內部的函數(shù),得到邊界上的數(shù)據(jù)。
Gemini 想到了學習示例里的泊松公式,把這道題歸到了 " 邊界—內部對應 "。GLM 卻寫道:
First result: trace theorem — extension of boundary restriction operator uniquely extends from dense subclass to Sobolev space. That's Group H ( extension of uniformly continuous map on dense subset ) . Yes.
第一個結果是跡定理——邊界限制算子從稠密子類唯一延拓到 Sobolev 空間。這屬于 H 組,也就是從稠密子集延拓一致連續(xù)映射。
GLM 認出了定理,也看到了題目里確實存在的延拓操作。只是,它更注意 " 怎樣把一個操作推廣到更一般的函數(shù) ",于是選了 " 逼近與延拓 "。按這次的候選答案,Gemini 分對了,GLM 分到了另一類。
Step 的情況又有些不同。它在推理過程中寫道:
New first result boundary trace loses half derivative, maybe "boundary restriction" not integral relation. Second local H lder estimates no. So not C.
新的第一個結果中,邊界跡損失了半階導數(shù),可能屬于 " 邊界限制 ",而不是積分關系。第二個結果是局部 H lder 估計,也不屬于這一組。所以不是 C 組。
它已經(jīng)看到了 " 邊界限制 ",卻因為這里沒有內部積分與邊界積分的轉換,一度排除了這一組。但這還不是它的最終答案。
接下來,它傾向于 " 逼近與延拓 ",卻沒有就此交出答案,而是重新檢查這一組的四個例子,繼續(xù)追問它們的共同點。最后,2,048 token 的輸出額度用完了,它還停在一句沒寫完的話上:
H examples do not include right inverse/surjectivity, except
H 組的例子不包含右逆/滿射,除了……
日志中的停止原因是達到輸出上限,最終答案為空。因此,這份答卷既有分類上的猶豫,也有思考沒有收束、答案尚未輸出就被截斷的問題。我們還不能知道,如果讓它繼續(xù),它最后會選擇哪一類。
可以發(fā)現(xiàn),這些模型的表現(xiàn)來看,它們都能說出邊界與內部有關,但這句話在各自的理解里,包含的東西并不完全一樣。等題目換了樣子,又同時出現(xiàn)邊界值、延拓、函數(shù)空間,它們就會抓住不同的部分。
這也很像我們自己學數(shù)學的時候:聽完解釋,覺得懂了,還能復述出來;但換一道題,能不能認出那個關系,才開始考驗我們到底懂到了哪一步。
題目準備好后,我讓十個大模型各做了三輪。每輪都是這 64 道配對題,調整類別的字母代碼和展示順序。這樣,每個模型共作答 192 次,十個模型合計 1,920 次。
先看它們答得怎么樣,再看推理用量和答題速度。下面的成績都按完整 64 題、三輪作答匯總:既選對陳述,又分對類別,才算答對一次。評分依據(jù)是當前候選答案,其中有歧義的類別歸屬仍需繼續(xù)核驗。
原三輪實驗中,我為每次請求設置了 2,048 個生成 token 的上限??梢园?token 理解為模型處理文字時使用的計量單位,它與漢字或單詞并非一一對應。各家接口對推理的設置和統(tǒng)計方式不同,即使設了相同的上限,也不能據(jù)此認為模型用了相同的計算量。
答得好,需要多少推理?
先看下面八個模型的成績。表同時列出推理設置,以及接口報告的平均每題推理 token 數(shù),方便對照。這里既有請求關閉推理或報告用量較低的模型,也有未返回完整用量的模型;" 未返回 " 和報告為 0,都不能直接理解成模型沒有進行推理。

推理用量更高,成績會更好嗎?

把十個模型放在一起看,報告的推理用量更多,成績未必更高。不過,這里比較的是不同模型及其設置,尚不能據(jù)此判斷:對同一個模型增加或減少推理,會讓成績怎樣變化。
答得快的模型,表現(xiàn)如何?
除了答對多少,我也記錄了每次請求從發(fā)出到收到答案的時間。按平均單題耗時從快到慢排列,結果如下:

只看詞頻和文字重合,能拿到這樣的分數(shù)嗎?
看到這些成績,還需要追問一步:題面雖然隱去了名稱和公式,會不會仍有一些詞語,足以提示答案?
為此,我讓四種簡單的文本方法也做了同一套題。它們根據(jù)詞頻、詞組或詞語重合程度等信息進行分類,同樣從那 32 條學習示例中獲取類別信息,也要同時選對陳述和類別。
按相同的 64 題、三輪共 192 次判斷統(tǒng)計,結果如下:

這些結果意味著什么?
在這套題上,Claude 和 Gemini 的兩步全對率都是 92.71%,GPT 在請求關閉推理的設置下是 89.58%。它們明顯超過了本次測試的四種簡單文本方法。這說明,所測試的詞頻和文字重合方法不足以解釋領先模型的分類表現(xiàn)。
這些分數(shù)也有需要一起看的背景。1,920 次作答中有 214 條無效或無法解析的輸出,均計為零分;部分模型的低分受到輸出失敗影響。題集規(guī)模有限,模型原先見過哪些相關材料也無法完全確定。模型究竟在多大程度上依賴已有定理知識、語義匹配或關系推理,還需要進一步區(qū)分。

πν ta ριθμ ,萬物皆數(shù)。
包括 AI。
祝大家國慶快樂。

