
不久前我们介绍了一套在设计中的全新的“数学哲学思想识别 Benchmark”。
当时,在研究 OpenAI “攻克”千禧年大奖难题 Navier–Stokes 方程的时候,我们提出了一个问题:不考具体算术和背公式,大模型到底能不能从天书般的定理里,读懂背后的“数学哲学”?
在那次涵盖 Claude Opus 5.5、GPT-6 Sol、Gemini 3.8 Flash、GLM-5.3、Qwen3.8-Max、Kimi-K3 等十款模型的横评中,我们发现了多个有趣结论,其中一个耐人寻味的现象是,推理 Token 消耗得越多,模型未必答得越好。
有的模型仅用约 50 个推理 Token 就拿下了 92.7% 的准确率;而有的模型疯狂思考直至耗尽 2,048 Token 的输出上限,依然在死胡同里打转交了白卷。
不久之后,OpenAI 又公开了 700 多份由内部模型生成的数学手稿。这再次引发了轰动与争议:AI 确实能推演出极长的结果,但这些动辄数百行的证明到底对不对、有没有把原命题写歪,依然让人类核验者头疼不已。

这两件事其实恰恰戳中了今天大模型推理演进的最大痛点:算力堆出来的长思维链(Long CoT)擅长“暴力硬算”,却极度缺乏高层的“路径直觉”与可解释性。
那么,如果我们能把抽象的数学符号拆解为一个个有明确动机的“动作衔接”,把每一步背后的思维链条清晰展示出来,会发生什么?
当 AI 能够识别出定理背后的哲学思想后,能不能进一步用这些思想去指导“下一步该选什么定理”?能不能把一份复杂的证明沿着推导关系拆开,看清它为什么要这样走,再尝试重新组合,去寻找更简洁的新证明,甚至发现新的定理?
这正是我们在构建的这套benchmark的目的,于是也为了验证这套思路,我们用自研的数据管线拆解了 OpenAI 公开的第 328 号数学证明,并通过人机协作完成了一次“第一性原理”式的重构实验。结果很有意思:
简单来说,在改动接回原证明并 100% 通过 Lean 形式化检查的前提下,我们直接省掉了原证明中调用“König 无穷引理”构造无限分支的整套步骤;此次替换涉及的三个 Lean 文件(去掉空行和块注释后),代码量从 232 行直接降到了 153 行,足足减少了 79 行,精简幅度约三分之一(34%)。
一、为什么 AI 有时会把证明写得这么“绕”?
在更详细拆解 OpenAI 的证明之前,我想先聊聊大家都有的一个体验:一份证明就算通过了机器的形式化检查,它走的路就一定简洁、一定美吗?
比如要证明 a = b,你可以分别从等式两边硬算好几行,也可以直接看它们的差 a - b 是不是等于零——很多时候两边放在一起一减,麻烦的项当场就抵消了。哪条路省力,取决于你站在什么视角审视眼前的式子。
深度使用大模型久了,常会有一种强烈的感觉:AI 非常擅长“顺着一条路硬往下走”。 计算繁琐,它就接着硬算;中间逻辑缺一步,它就想办法打补丁续上。可看着它忙活了半天、吐出一大堆推导,我们最想问的往往是:“等等,我们为什么一开始非要走这条路?”
这种思维局限人类也常犯,不妨看两个经典的思维转换案例:
第一个是“九点问题”:用四条连续直线连接排成方阵的全部九个点,笔不能离开纸面。

很多人无论怎么尝试都无法成功,因为下意识把线条限制在了九个点围成的正方形内部。但题目从未要求线不能出界——真正的突破不是在框内找更好的走法,而是意识到自己强加了一个根本不存在的约束条件。
第二个是斯坦福商学院曾介绍过的休斯敦机场案例:面对乘客抱怨等行李时间太长,常规死磕的方向是加快运输、加派人手、升级分拣系统;但机场采取了一个出人意料的办法——把登机口到行李提取处的步行路线拉长。乘客走路的时间增加了,站在传送带前干等的时间骤减,投诉随之大幅下降。
无论是“破除虚假的隐形约束”,还是“跳出局部死磕转换问题视角”,恰恰都是当前只会顺着单一路径前推的大模型最欠缺的能力。而 OpenAI 的第 328 号证明,就掉进了这样一个“自我设限”的坑里。
二、我们是如何帮 OpenAI 省掉核心引理、砍掉 1/3 相关代码的?
我们挑选的 OpenAI 第 328 项手稿,研究的是泛函分析中的一个经典命题:实自反 Banach 空间中非扩张映射的不动点。

名字听起来很吓人,我们先把它翻译成直观的几何画面: 想象一块有界的场地(在 Banach 空间中,这通常还是一个无限维的场地),最外圈的边界本身也算在场地里面(闭集),而且场地里任意两点之间的直线段全都落在场内(凸集)。现在给场里的每个点定一条移动规则:每个点走一步之后依然留在场内,并且任意两个点走完这一步后,彼此之间的距离绝不会变大(只可能靠近或保持原距,即“非扩张映射”)。论文要证明的是:场地里至少存在一个点,按这条规则走一步后,还稳稳停在原来的位置(即“不动点”)。
怎么证明这个不动点一定存在?OpenAI 的原证明采用了反证法:先反过来假设场地里一个不动点都没有,再顺着往下推,看会推出什么逻辑矛盾。
我们首先用自研的数据管线拆开这份证明,顺着它的 Lean 代码整理出了清晰的八步脉络:
- 缩小场地:先把场地缩到一块按规则怎么走也走不出去的核心区域,摆好参考地标。
- 寻找近似:找一批“几乎不动”的点,再找一个能用这些点凑回去的参照点。
- 备好标尺:预判后面可能出现哪些结果,提前挑好用来测量打分的尺子。
- 排成树状:把每一轮的选择排成一棵不断分叉的“树”,管住一路累积下来的误差。
- 有限轮试探:沿着树逐个换点,先看任意有限轮——总能找到一个公共向量,同时满足这几轮的要求。
- 跨越到无限(关键卡点):找出同一个向量,让每一轮在它身上测出来的数都至少是 0.5。
- 反向逼近:证明同一串测量值会趋近于 0。
- 导出矛盾:两个要求正面撞车——一串数如果始终不低于 0.5,就不可能趋近于 0!最初“没有不动点”的假设由此推出矛盾,证毕。
理清这八步后,我向 AI 抛出了一个直击本质的提示词:
Prompt:我真正想解决的是:回到第一性原理,证明里有没有哪些步骤没有必要?哪些步骤只是当前思路需要,而不是证明这个定理真正需要的?
AI 建议我们先重点审视第 6 步——也就是原证明先从树里选出一条无限延伸的路线,再沿着这条路线找向量的那一步。
顺着这个线索,我引导 AI 继续往后读第 7、8 步,看最后的反证究竟用到了什么前提。读下来才恍然大悟:最后的矛盾,只要求存在“同一个向量”,使得每一轮里都有某一项能在它身上测出至少 0.5 就够了!
至于每一轮挑出来的这项,能不能在树上首尾相连串成一条“无限路径”,后面的推导根本不在乎!
既然不需要“先把各轮选的项连成一条路”,我接着追问 AI:在我们的体系里,哪种数学哲学思想能直接指导这一步?
AI 给出的答案非常精准——紧致性提取:
- 核心定义:用紧性类约束,从无限或任意对象族中取得有限、收敛或稳定的见证,推动当前证明。
- 遇到什么需求时考虑它:手里有大量候选,却缺一个可用对象或有限见证。
- 指导什么动作、获得什么:建立紧性,从中提取收敛子列、聚点或有限子覆盖。
用大白话来说,“紧致性提取”就是在面对无穷无尽的筛选条件时,帮我们直接捞出那个“幸存目标对象”的数学筛子。在实自反 Banach 空间的有界闭凸集天然具备弱紧性的前提下,两条路线的差异一目了然:
- OpenAI 原证明路线:先动用图论里的 König 无穷引理,费力从树里选出一条各层相容的无限分支(纯属像“九点问题”那样给自己多加了一道连线约束),再沿着这条分支利用弱紧性取交,找到共同向量。
- 重构后的新路线:彻底扔掉“连成路径”的执念!在弱紧性框架下,直接对每一层的可行向量集合使用有限交性质(既然第 5 步已经证明任意有限轮都有公共向量,那么所有无限轮的交集也必然非空),一步锁定所有层都能用的那个终极向量,随后再逐层回头挑选检测它的节点即可。
就这样,调用 König 引理选无限分支的整套繁琐步骤被彻底省掉了!

我们把改写后的这一步接回原证明工程,运行严苛的 Lean 形式化检查——顺利通过。统计这次替换直接涉及的三个 Lean 文件,去掉空行和块注释后,代码总量从 232 行直接降到了 153 行,净省 79 行,压缩了整整三分之一。
三、哲学为灵魂,定理为血肉,Lean 为骨架

通过上面的实战不难看出,想让 AI 不再盲目“暴力硬算”,光靠堆砌推理 Token 是不够的,我们需要重新组织数学知识。
做这件事的深层灵感,离不开数学科普频道 3Blue1Brown(创作者 Grant Sanderson)。作为曾受他激励用 Manim 制作数学视频的铁杆粉丝,我在做可视化时对线性代数里的“基”(基向量)感触最深:基的存在就像抓住了毛线团的线头——无论空间里的向量如何千变万化,只要抓住一组“基”,就能把复杂现象简化为基本方向的组合与相互作用。
今年 9 月 18 日,Grant Sanderson 在陶哲轩的博客上发表了一篇客座文章,呼吁数学界更加重视交代“构造的动机”:先让读者看见真正的困难在哪,再引入解决困难的想法,并说明这个想法为什么还需要进一步修正。
这与我们的思考不谋而合:如果给证明过程中的定理都贴上“哲学标签”,再把所有证明以“定理”为节点串成网络,那些反复出现的数学哲学思想,能不能就成为理解和重组数学证明的一组抽象的“基”?
顺着这个构想,我们把这个benchmark的研究打通成了一个整体体系:
1. 哲学为灵魂:把搜索起点从“定理名”变成“数学动作”
学过一个定理,与遇到陌生难题时能想起它,中间隔着很长一段距离。在前期的十模型评测中我们就看到,面对同一道“迹定理”变形题,有的模型能抓住“从内部函数获取边界数据”的本质,有的模型却被局部的“稠密子集延拓”缠住而分错类别甚至思考超时。
在我们的体系中,哲学的核心意义是指出大致方向,把搜索起点从死记某个定理名称,变成判断“我现在需要完成什么数学动作”:
- 区域内部总量难算、但边界信息容易取得 —> 寻找联系“边界与内部”的工具;
- 手里构造了一批近似解 —> 用“紧致性”去取得极限对象;
- 已经在容易处理的光滑对象上证出了性质 —> 靠“逼近与延拓”推广到一般对象;
- 几何关系难以直接计算 —> 尝试“对偶表示”转化为线性测量。
当然,哲学只管大方向,具体落地到哪个定理,必须回到当前严苛的数学条件——强收敛与弱收敛给出的能力不同,有限维与无限维空间能动用的工具也截然不同。同一种哲学思想之下,恰恰需要精准保留这些差别,才能完成有效筛选。
2. 定理为血肉:拆解论文沉淀出的“双向知识图谱”
其实最开始,我们并没有打算做知识图谱。我们最初的目标只是把前沿论文拆解到“定理层面”,分析其中的哲学思想并加工成题目,用于 Benchmark 评测和模型后训练(Post-training);同时我们也想通过统计与验证,看看能不能从海量证明中挖掘出更多广泛存在、尚未被总结的全新哲学思想。我们期待这种训练能赋予模型真正的跨领域泛化能力——换一道未见过的新题、换一个数学分支,依然能认出相近的思想并调出工具。
但在持续拆解论文的过程中,我们惊喜地发现,沉淀下来的材料远比题目本身更丰富。为了搞清一个定理在证明里到底起了什么作用,就必须理清它依赖了哪些前置条件、调用了哪些已有结果、又为后续步骤提供了什么输出。当越来越多的论文被这样拆开,出现在不同证明里的“共享定理”自然把原本孤立的证明链连成了一张大网——以定理为节点、以实际调用为边的知识图谱,就这样成为了出题管线的硬核副产物。