AI破解纯数学难题却困于经验科学？解析数学推演与实验归纳的能力分水岭

一、对比背景：为什么同一套AI系统表现两极分化

近期一系列前沿研究显示，AI在攻克纯数学难题（如高维杨-米尔斯存在性证明、挂谷猜想、指数时间假设证伪）上展现出接近甚至超越人类专家的能力，但在递归自我改进（RSI）、实验学科发现等经验性任务中却频繁触顶，模型自主发现的优化方案往往在摘掉几个明显低效点后便快速收敛，无法形成预期的指数级进步。这种巨大反差并非偶然，而是根植于两类任务在数据形态、验证逻辑与认知结构上的根本差异。本文将从技术架构与认知模式两个层面，系统对比AI处理公理化推演与经验归纳任务的能力边界，为科研自动化技术的选型与预期管理提供参考。

二、对象定义：两类任务的基本内涵

公理化推演型任务（如数学证明、理论物理推导）：其世界规则完整封闭于符号逻辑与公理体系内，所有概念、定理、推导规则均可由形式化语言精确表述。数据语料（论文、教材、证明脚本）本身就是该领域的完整投影，不存在“物理世界”与“符号描述”之间的信息缺口。

经验归纳型任务（如生物实验设计、材料配方优化、递归自我改进）：其规律隐藏于真实物理过程的复杂交互中，静态文本仅能记录部分观察结果，无法承载完整因果链。模型缺乏对实验操作、仪器响应、试剂交互等物理过程的“直观想象力”，且每一步验证都需要真实世界的时间与经济成本。

三、相同点分析：共享的基础能力

尽管表现两极，两类任务对底层AI系统的要求存在共性：

1. 模式识别与组合泛化：都需要从历史数据中提取有效模式，并跨上下文组合应用。
2. 搜索策略优化：都需要在巨大解空间中进行高效搜索，无论是证明路径还是实验参数组合。
3. 反馈驱动改进：都需要根据中间结果调整搜索方向，区别在于反馈信号的获取成本与准确性不同。
4. 知识表示能力：都需要将领域知识转化为可操作的内部表征，但经验的稠密度差异巨大。

四、核心差异分析：三大维度的深层解剖

4.1 数据的封闭性 vs 开放性

在公理化任务中，语料库是自洽且完备的。一个数学命题的真伪完全由已有公理和推理规则决定，不存在“语料之外的隐藏变量”。模型可以直接从证明文本中学习到所有必要的推导步骤，训练与推理环境高度一致。而在经验任务中，文本记录仅是真实世界过程的有损压缩。一篇描述蛋白质折叠机制的论文，无法包含溶液pH值、温度波动、分子伴侣浓度等全部影响因子。模型无法仅凭论文文本建立对“真实实验过程”的动态模拟能力，这种数据缺失导致其预测经常偏离物理现实。

4.2 验证反馈的即时性 vs 延迟性

纯数学中，一次推导的正确性可以通过形式化验证器（或严格逻辑审查）即时判定，反馈回路短且成本低。AI可以快速试错、淘汰错误路径、强化有效策略，形成高速迭代强化学习循环。而在RSI或实验科学中，一个修改是否真正提升系统长期性能，需要经历长时间的运行观测、多对照组实验、甚至部署到真实环境后才能判断。反馈延迟导致模型难以有效分配探索与利用的资源，梯度信号稀疏且含噪。Anthropic研究团队近期在长周期评测基准中观察到，前沿编码智能体在真实科学项目中的“研究品味”——即对有价值问题与低价值修修补补的判断力——显著低于其在解题任务中的表现，正是这种验证机制差异的直接后果。

4.3 认知模式：规则演绎 vs 具身归纳

公理化任务的正向推理路径清晰：从已知条件出发，应用规则，逼近目标。模型只需在符号空间内做深度搜索，本质上与下围棋类似，是闭环的组合优化。而经验任务要求的是开放世界的因果推断：需要理解“如果改变温度曲线，细胞将如何响应”这类涉及多变量非线性耦合的预测，这要求模型具备对物理过程的“动力学直觉”，一种无法从静态文字中习得的、基于与真实世界持续交互形成的内部模拟器。当前AI本质上是“基于文本的世界模型”，它擅长处理已经被语言结构化、逻辑化的知识，但对未被语言编码的物理直觉（如流体湍流的触感、化学反应的热量释放）缺乏锚点。

五、对比表格：结构化总结关键差异

对比维度	公理化推演（纯数学/理论物理）	经验归纳（生物/化学/RSI）
数据完备性	语料封闭自洽，规则完整	语料有损，存在大量隐藏变量
验证成本	低（形式化验证/逻辑审查）	高（真实实验/长期运行观测）
反馈延迟	秒级~分钟级	小时级~周级甚至更久
解空间性质	离散、结构清晰、可采用启发式剪枝	连续、高维、存在大量局部最优陷阱
知识获取方式	从历史证明文本中直接学习推导模式	必须通过主动实验或交互积累物理直觉
失败模式	路径错误但可快速回溯	假设错误，且错误传播导致资源极大浪费
典型AI表现	能稳定超越人类专家	初期快速提升后迅速平台期，缺乏框架性突破

六、典型场景选择：什么样的任务适合交给当前AI

6.1 适合优先引入AI自动化的场景

• 目标函数明确、验证成本低：如定理自动证明、代码生成、组合优化。
• 搜索空间大但结构规则性强：如分子构象搜索（当物理规律可精确计算时）。
• 已有海量结构化标注数据：如游戏策略学习、芯片布局布线。

6.2 当前需谨慎使用或需人工深度介入的场景

• 原创性实验设计：需要跨领域知识迁移及对未记录变量的敏锐感知。
• 长期科学战略决策：如确定R&D大方向，需要“品味”与价值判断。
• 递归自我改进：自我修改一旦偏离正确轨迹，可能产生不可逆的退化；验证延迟高。

七、选型建议：条件化的决策思路

1. 如果团队目标是加速某个特定数学/理论难题的求解：可以大胆引入AI作为“无限耐心的助教”并行探索大量证明路径，人类专家负责筛选验证。因为反馈链路短，错误成本低。
2. 如果团队试图用AI替代湿实验中的假设生成环节：应当建立“人机协同”流程——AI负责提出大量候选假设，人类专家负责设计关键判别实验。要意识到AI的假设可能受限于训练语料中已有的“隐含范式”，难以实现真正意义上的颠覆性创新。
3. 对于RSI类型的自我改进项目：必须设置严格的安全护栏和回归测试机制。鉴于反馈延迟，应避免采用快速迭代式的改动，而应转为慢思考、小步验证策略。同时，应保持人类对核心架构的决策权，防止“能力塌缩”。

八、迁移与使用注意事项：从数学任务转向经验任务

• 数据层：补充实验记录、原始传感器数据、未发布的失败日志等非结构化语料。纯论文文本的“数据密度”不足。
• 模型层：考虑引入多模态能力（图像、时序信号、点云）以及世界模型组件，增强对物理过程的理解。
• 验证层：构建模拟器或数字化孪生环境，将部分真实验证成本转移到仿真环境，缩短反馈周期。但需警惕仿真-现实差异带来的伪改进。
• 流程层：重新设计强化学习奖励函数。在经验任务中，稀疏且延迟的奖励可能导致模型陷入局部最优，需改为过程奖励（process reward）与结果奖励结合。

九、总结：正视能力边界，匹配任务复杂性

AI在纯数学上的高光表现，根源在于该领域对“智能”的需求被简化为符号操作与组合搜索，恰好在当前大语言模型+强化学习的范式射程之内。而经验科学的复杂性不止于“知道得多”，更要求“体验得多”——即与真实物理世界的高频交互中建立的因果模型。这种能力缺口不是单纯增大模型规模或提升语料数量就能弥补的，需要算法范式层面的创新（更强世界模型、更高效的探索策略）以及数据获取方式的根本变革。

对不同背景的读者，核心启示是：

• 对于研究团队：理解AI的能力边界，避免在其他技术尚不成熟的维度上过度投入。
• 对于技术选型者：将任务分解为“符号可推理部分”与“物理交互依赖部分”，分别采用自动化策略与人类专家介入策略。
• 对于AI开发者：当前优先攻克的方向不是更强的推理链长度，而是构建更好的“从稀疏反馈中学习因果”的能力。

技术发展的下一阶段，或许应当聚焦于弥合“符号世界”与“具身世界”之间的鸿沟，而非单纯追求推理能力的线性提升。