一个困扰密码学界20年的数学难题，被一个AI助手在半小时内找到了突破口。而更耐人寻味的是：在Claude给出答案之前，无数人类研究者可能在错误的方向上已经“集体走偏”了整整二十年。这不是科幻，这是刚刚发生的事。
一桩“悬案”：20年没人能证明，也没人能否定
事情的起因是一位密码学研究者把一个长期悬而未决的数学猜想丢给了 Claude——这是密码学中一个涉及特定密码结构安全性的开放问题。按照社区内流行的说法，这个问题搁置了大约20年：不是没人研究，而是主流的研究路线始终在某个方向上打转。
结果令人意外：Claude 在半小时的交互中，给出了一个此前研究者未曾尝试的构造思路，直接指向了这个悬案的解法方向。研究者随后验证了这个思路的有效性——AI 没有给出严谨的、可发表的证明，但它提供的关键洞察，恰好绕开了学界 20 年来习惯性思维的死角。
这不是 Claude 第一次在数学领域“整活”。在此之前，它已经在组合数学、数论等开放问题上展现了类似的能力：不是替代数学家，而是在人类思维惯性之外，提供一个“不知道这题应该难”的外部视角。
为什么人类会“集体走偏”20年？
这可能是整件事中最值得深思的部分。密码学问题的研究路径往往有很强的路径依赖：
1. 奠基论文的框架效应：早期论文确立的证明框架，会成为后来者默认的出发点；
2. 同行评审的保守性：偏离主流框架的证明更难发表，逐渐被边缘化；
3. 工具箱的局限：一代研究者的工具箱决定了他们“看得到”的解空间。
而大语言模型恰恰没有这些包袱。它读到过海量跨领域的文献，不会被“这个圈子都用这个方法”的隐性共识束缚。用一个不太严谨的类比：人类数学家是在一块 Terrain 上精细搜索的登山者，而 LLM 更像是从高空俯瞰整个地形——它可能看不清脚下的路，但它能一眼看到远处还有一条没人走过的山谷。
# 用一个极简化的类比演示"搜索空间局部最优"问题
import random
def local_search(start, neighbors, score):
"""传统人类研究路径：从已有工作出发的局部爬山"""
current = start
while True:
candidates = neighbors(current)
best = max(candidates, key=score)
if score(best) <= score(current):
return current # 陷入局部最优——"学界走偏20年"
current = best
def llm_style_search(all_nodes, score, k=1000):
"""LLM式路径：跨领域先验带来的'全局跳跃'"""
# 类比模型从预训练语料中召回远距离关联，
# 直接在不同"山谷"之间跳跃采样
samples = random.sample(all_nodes, k)
return max(samples, key=score)
这段伪代码当然不能刻画 AI 数学推理的真实机制，但它抓住了问题的本质：当搜索空间足够大、且存在广泛的局部最优时，跳出式搜索的价值会指数级上升。
一次 AI 辅助研究的工作流
事后，不少研究者开始复现这种“AI 协作数学”的工作流。一个典型的做法是把问题拆解成机器可推理的子任务：
# 一个AI辅助密码学研究的prompt工作流示意
problem = {
"context": "某密码构造的安全性归约",
"open_question": "是否存在满足条件X的参数选择",
"failed_approaches": ["归约路径A（2015）", "组合分析B（2019）"],
}
prompt = f"""
你是一位密码学理论研究者。以下是问题背景：{problem}
要求：
1. 不要沿着 failed_approaches 中已失败的方向继续；
2. 先列出该问题可能关联的3个其他数学分支；
3. 对每个分支，给出一个可检验的构造草图；
4. 明确标注每一步是'已知结论'还是'你的新猜想'。
"""
关键技巧在于最后一条：强制模型区分已知事实与新生成内容。AI 在数学上的价值不在“复述定理”，而在生成那些“听起来不像标准答案、但值得人工验证”的候选思路——之后的工作必须由人类用 Coq/Lean 这类形式化工具或严格证明来收尾。
冷静一点：这不是“AI取代数学家”
需要泼一盆冷水的是，这类事件容易被媒体放大成“AI 攻克数学难题”。但严格来说：
- Claude 提供的是关键构造思路与方向性洞察，不是可直接发表的完整证明；
- 最终结论仍需人类研究者验证、形式化、同行评审；
- 换句话说，这是一次人机协作的突破，而非机器的独立胜利。
但这恰恰是它值得被认真对待的原因。科学研究的历史反复证明：瓶颈往往不在于计算能力，而在于假设本身。当所有人都默认某个框架是出发点时，真正的突破者往往是那个“问了一个没人问的问题”的人——而现在，这个角色可以由一个不订阅学术圈隐性共识的系统来承担。
20 年的“集体走偏”，走偏的不是能力，是视野。AI 未必更聪明，但它站在一个没有学术派系、没有审稿压力、没有职业惯性的位置上。这种“局外人性”，可能比模型参数量更接近这件事的本质。
写在最后
从 AlphaGo 的“第37手”到今天 Claude 的密码学洞察，剧本惊人地相似：人类精英在某个框架内精耕细作几十年，然后一个非人类系统用一个框架外的走法让所有人愣住。
不同的是，围棋只有 361 个交叉点，而数学的搜索空间没有边界。如果说围棋 AI 教会人类的是“某些定式是错的”，那么数学 AI 教会人类的可能是更彻底的一课——你甚至不知道自己的问题被定义错了。
下一代的科研工具，或许不再是“帮人类更快地搜索”，而是“帮人类怀疑自己”。
