AI智能体能重新发现Blaschke曲线不变量吗？一次数学再发现实验

一项关于AI辅助数学发现的受控实验

当大型语言模型和AI智能体不断刷新能力边界时，一个更深层的问题浮出水面：AI能否像数学家那样，在没有被告知答案的情况下，独立"重新发现"一个数学定理？arXiv上一篇新论文（arXiv:2609.38369v1）尝试在一个精心设计的受控环境中回答这个问题，其研究对象是广义Blaschke曲线（generalized Blaschke curves）。

这项研究的价值不在于宣称AI取得了突破，而在于它提供了一套分离猜想、数值验证与证明的研究协议，并且难得地坦诚了实验的全部局限。

Blaschke曲线不变量的AI再发现研究

实验是如何设计的

研究者固定了一个四次Blaschke乘积（degree-four Blaschke product），作为AI智能体探索的数学对象。智能体接收到的输入是纯粹的数值数据：针对80种边界配置，每种配置由六条"配对线"（pair-lines）确定，智能体拿到的是这些线的数值坐标。

关键设计在于——目标定理被完全从任务指令中隐去。也就是说，AI并不知道自己要找什么，它只能从这堆几何坐标中自行归纳出潜在的规律。这种"盲找"设定，正是为了检验AI是否具备真正的发现能力，而非简单地复述已知结论。

智能体做了什么

根据保存的研究日志，这个智能体的探索过程并非一帆风顺。日志记录了它提出并否决的多个几何假设，最终拟合出了一个关于多边形边长的齐次三次式（homogeneous cubic）。这个过程本身——试错、排除、收敛——恰恰模拟了人类数学研究的真实路径。

Blaschke乘积（Blaschke product）是复分析中的经典构造，形如将若干形如 $\frac{z - a_k}{1 - \bar{a}_k z}$ 的因子相乘，其中 $|a_k| < 1$。它将单位圆盘映射到自身，且在单位圆边界上模长恒为1。"广义Blaschke曲线"则是由Blaschke乘积诱导出的一类代数曲线，其几何性质与内切多边形、Poncelet闭合定理等经典问题密切相关。本实验中的"四次"指乘积由四个因子构成，对应的几何结构会在边界产生具有特定对称性的多边形族。正因为这类曲线的代数不变量有明确的数学真相可供对照，它才成为检验AI发现能力的理想沙盒。

数值结果：惊人的精度

实验结果从数字上看相当漂亮。拟合得到的三次式系数被"冻结"后，用于预测80个未参与拟合的参数值所对应的480条线。记录显示，其无量纲（scale-free）的RMS残差仅为 $8.88\times10^{-17}$。

这个数量级已经逼近双精度浮点数的机器精度，意味着拟合出的关系式在数值上几乎"完美"成立。对于一个事先不知道答案的智能体而言，能收敛到如此精确的不变量，表面上看是令人信服的。

验证的边界在哪里

但论文作者在此处表现出了严谨。他们明确指出，发现集（discovery-set）中的对角线数据只提供了拟合之外的一致性检验（out-of-fit consistency check），而不是一个完全独立的保留测试（held-out test）。换言之，这种验证虽有意义，但强度不及真正的盲测。

此外，另一组仅使用单一配置的运行则报告称，证据不足以支持不变性成立。这说明结论对实验设置的依赖性很强，单点数据无法支撑普遍性判断。

双精度浮点数（IEEE 754 double precision）的机器精度（machine epsilon）约为 $2.22 \times 10^{-16}$，表示两个相邻可表示实数之间的最小相对间距。当一个计算结果的残差落在 $10^{-17}$ 量级时，意味着误差已低于浮点表示本身的精度下限，这在数值上等同于"精确成立"。然而这也带来一个解读陷阱：如果底层数据本身是由某个精确代数关系生成的，那么任何足够灵活的拟合模型，只要选对了次数，都能在机器精度范围内重现这一关系。因此，极低的残差只能证明"找到了正确的函数形式"，并不能区分这究竟源于真正的发现还是对已知结构的数值重建。

最诚实的部分：AI并未胜过传统方法

这篇论文最值得称道之处，是它没有回避一个对自己不利的结果。在评审后的复盘中，研究者引入了一个确定性的次数搜索基线（deterministic degree-search baseline）——一种传统的多项式拟合方法。结果是，这个基线方法同样能恢复出那个三次式。

这意味着：在这个具体实验中，AI智能体相比传统多项式拟合并没有展现出优势。换句话说，AI能找到的东西，一个朴素的自动化搜索也能找到。这对当下盛行的"AI数学发现"叙事是一记冷静的提醒。

确定性次数搜索（deterministic degree search）是符号回归与多项式拟合领域的标准技术：依次尝试一次、二次、三次……多项式，通过最小二乘或其他准则选出残差最小的次数，再输出对应系数。这类方法计算成本低、结果可复现，且不依赖大模型的随机采样。它在数学发现任务中构成一个天然的"最低水位线"基线——AI系统若无法超越它，则其增量价值存疑。这一比较在AI for Science研究中普遍缺席，正是本文将其明确列出的方法论价值所在：只有在受控对照下，才能判断AI带来的究竟是能力扩展还是复杂度增加。

为什么这项"没有突破"的研究仍然重要

抛开结果本身，这项研究的真正贡献是方法论层面的。作者将其定位为一个单实例案例研究（single-instance case study），核心目的是建立一套可复现的协议，用于严格区分三个层次：

猜想（conjecture）：AI提出的假设性规律；
数值验证（numerical validation）：用未见数据检验规律；
证明（proof）：数学意义上的严格确立。

在AI频繁被包装成"科研革命者"的今天，这种刻意拉开猜想与证明距离的做法尤为可贵。论文还就智能体元数据、先验知识、可复现性等问题列出了明确的局限性。例如，很难完全排除智能体在训练数据中已经"见过"相关数学结构的可能——这正是评估AI发现能力时最棘手的污染问题。

对AI for Science的启示

这项工作提示我们，评判AI的科学发现能力需要更苛刻的标准：

必须设置真正的保留测试，而非拟合内的自洽检验；
必须对照传统自动化方法，确认AI是否带来增量价值；
必须正视训练数据污染与先验知识的干扰。

结语

回到最初的问题——AI智能体能重新发现Blaschke曲线不变量吗？这篇论文给出的答案是克制而诚实的：在数值上它找到了那个不变量，但这既算不上完全独立的发现，也没有超越传统方法。

相比一个华丽的"是"，这种带着星号与限定条件的回答，反而更接近科学的本来面目。它为AI辅助数学研究立下了一个值得效仿的严谨样本。