722 篇手稿一夜公开：AI 数学的「工业化时刻」，但信任还没跟上

10 月 6 日发生了什么

2026 年 10 月 6 日，OpenAI 把一个 GitHub 仓库推到了公众面前：openai/math。里面装着 722 篇数学手稿，按主题归为 372 个相关结果家族。OpenAI 的说法是，这些手稿全部由一个尚未公开发布的内部模型生成。

数字值得细看。OpenAI 称，每个结果平均耗费了约 3 小时的 ChatGPT Pro 级别推理算力。评测期间，模型一共尝试了大约 4000 道数学题。换句话说，这是第一次有人把「AI 做数学」这件事，做到了可以用「篇数」和「算力账本」来衡量的规模。

公开的不止手稿。部分证明附带了 Lean 形式化验证——注意，是「部分」，不是全部。OpenAI 还公布了其中 10 个结果的推理摘要和算力统计。但有两样东西没给：提示词没有公开，模型也没有名字。

372 个「相关结果家族」这个组织方式本身就有信息量。OpenAI 没有把 722 篇手稿当成 722 个孤立成果来发布，而是按主题聚类。这说明模型的工作方式更接近「围绕一个数学方向系统性开题」，而不是随机撒网碰运气。对评估者来说，这也更友好：你可以挑自己熟悉的家族进去看，而不是在 722 篇里大海捞针。

另一个值得注意的数字是 4000。评测期间模型尝试了约 4000 道题，最终沉淀为 722 篇手稿、372 个家族。这个「尝试—沉淀」比例本身，就是一张成绩单：它告诉你这个模型的命中率大概在什么量级。OpenAI 没有公布 4000 道题的完整清单，这是透明度上的一块缺口——AGMAI 指南里「停止秘密基准测试」的要求，针对的正是这类操作。

还有 10 个结果的推理摘要和算力统计。这是整批发布里最「可读」的部分：你能看到模型是怎么一步步想的，每一步烧了多少算力。对于想复现、想学习、想挑毛病的人来说，这 10 个样本的价值可能超过剩下的 712 篇手稿。问题是：为什么只给 10 个？是成本太高，还是效果参差不敢全给？OpenAI 没说。

先说清楚：这不是「黎曼猜想被证明」

有些自媒体的标题已经写成了「AI 证明黎曼猜想」。这是错的。722 篇手稿里，没有任何一篇声称解决了黎曼猜想这类千禧年难题。把「工业化生产数学证明」和「证明最难的猜想」混为一谈，是在拿错误的故事盖过真正的故事。

真正的故事反而更大。按 OpenAI 此前披露的时间线：这个内部模型 2026 年 8 月 28 日开始训练，9 月 21 日 OpenAI 宣布它已解决 100 多个长期悬而未决的数学问题。两个月内，数学成果的生产方式从「手工作坊」被推向了「流水线」。问题不再是「AI 能不能做数学」，而是「AI 批量做出来的数学，人类还看得懂、信得过吗」。

这种误报不是偶然。AI 新闻的传播链条里，「模型做了 X」很容易在转发中滑向「模型攻克了人类最难的 X」。9 月 21 日 OpenAI 宣布「解决 100 多个长期悬而未决问题」时，同样的滑坡已经发生过一次：一些报道把「长期悬而未决」自动脑补成了「千禧年难题」。读者要养成一个习惯：看到 AI 数学的新闻，先问「解决的是哪类问题」，再问「证据链是什么」。这次证据链是公开的仓库，你可以自己点进去看——这恰恰是 OpenAI 这次做得对的地方。

数学家的反应：两极

多伦多大学的数学家 Daniel Litt 公开表示，这是 a good thing for math（对数学是好事）。他的逻辑不难理解：数学界长期缺人手验证、缺算力探索，多一个强大的证明机器，怎么看都是增量。

但更多数学家的第一反应是：拿出证据来。质疑集中在三点。第一，模型没有名字，提示词没有公开，别人没法复现，只能信 OpenAI 的一家之言。第二，722 篇手稿的证明，人类数学家逐篇验算的工作量大到不现实；只有部分证明有 Lean 形式化验证，大部分没有。第二层之外还有更深的一层：如果一个证明长到、复杂到没有人能真正理解，它还算「数学」吗？数学传统上要求证明是可被人类理解和检验的论证，而不只是一个「大概率对」的输出。

Hacker News 上，这场讨论盖起了长楼。支持者和怀疑者吵的其实是同一个问题：当证明的规模超过人类的阅读能力，数学的信任机制要靠什么重建。

还有一个更实际的层面：谁来审稿？传统数学论文走同行评审，一篇论文两三个审稿人看几个月。722 篇手稿，就算每篇只看一周，也需要十几个全职数学家干上一年。学术期刊的审稿体系是为「慢科学」设计的，根本接不住这种「批量到货」。要么期刊扩容审稿流程，要么学界接受「机器预审 + 人类抽查」的新流程——无论哪种，都是制度层面的大手术。

乐观派还有一个论据值得认真对待：数学史上，每次工具革命都先被质疑「这不是真正的数学」。计算机辅助证明刚出现时，四色定理的证明就因为「人类无法逐行验证」吵过一轮；后来 Lean、Coq 这些证明助手出现时，同样有人说「机器检查的证明没有灵魂」。历史的经验是：工具赢了，定义被改写了。这次可能也不例外。

普林斯顿的「新规则」：AGMAI 指南

有意思的是，就在 OpenAI 公开手稿的一周前，9 月 29 日，设在普林斯顿高等研究院、独立于 OpenAI 的「数学与 AI 咨询组」（AGMAI）发布了一份 AI 生成数学成果发布的负责任指南。这份指南是在 600 多份问卷调查之后形成的，针对的正是眼下这个局面。

指南的要求很具体：实验室应该停止秘密基准测试；给模型具名；公开提示词、推理摘要和算力成本；不要把数学成果当作模型的营销材料。

拿这把尺子量一下 OpenAI 这次的发布：推理摘要给了（10 个结果的），算力统计给了（平均每个结果约 3 小时 Pro 级推理），仓库公开了，秘密基准测试的问题部分回应了。但模型依然没有名字，提示词依然没有公开。用 AGMAI 的标准看，这是一次「交了一半答卷」的发布。

这份指南的真正分量在于，它是数学界第一次试图为「AI 做数学」这个新物种立法。过去数学论文的规范——同行评审、引用、署名——都是为人类作者设计的。现在作者栏里站进了一个不具名的模型，旧规则不够用了。

600 多份问卷这个数字也值得品味。AGMAI 没有关起门来写规则，而是先做了大规模调研。这说明数学界内部对「AI 生成成果该怎么发」本来就有分歧，指南是分歧的调和产物，不是某个学派的檄文。这种「先调研、再立法」的路子，恰恰是 OpenAI 这次发布最缺的东西：722 篇手稿是单方面公开的，规则是发布之后才被拿出来量的。顺序反了。

还有一个细节：「不要把数学成果当作模型的营销材料」。这句话几乎是点名式的。9 月 21 日 OpenAI 宣布「解决 100+ 悬而未决问题」时，模型没名字、没论文、没代码，只有新闻稿——典型的营销式发布。这次 10 月 6 日好歹给了仓库和部分验证，算是往前走了一步。AGMAI 的指南像一面镜子，照出了两次发布之间的进步，也照出了还没走完的路。

关键变量：Lean，和「机器可验证」这条路

722 篇手稿里最值得盯的细节，不是数量，而是 Lean。部分证明附带了 Lean 形式化验证。这意味着这些证明不只是「看起来对」，而是被一台机器从头到尾检查过逻辑链条。

这指向一种新的信任分工：人类负责提出问题、判断方向和品味，机器负责生成证明，另一台机器（证明检查器）负责验证。验证不再依赖「某个权威数学家看过并点头」，而是依赖「Lean 说通过了」。

这对 vibe coding 的人应该很熟悉。Agent 写出来的代码，你敢直接上线吗？不敢。但如果它附带一套能跑通的测试，或者更进一步——形式化验证——信任问题就换了一种解法：你不需要信任 Agent，你只需要信任检查器。「生成 + 机器可验证」，可能是 AI 时代所有高风险生成任务的通用答案：代码是这样，数学证明也是这样。

当然，Lean 验证只覆盖了部分手稿。剩下的几百篇，验证工作还得靠人，或者靠下一代验证工具。这是 OpenAI 留下的最大悬念，也是整个学界接下来几个月要啃的硬骨头。

往深想一层，「生成 + 机器可验证」这个模式，解决的不只是信任问题，还有成本问题。人类验证一篇长证明可能要几周，Lean 跑一遍只要几分钟（机器时间）。当生成侧的成本被推理算力打下来、验证侧的成本被形式化工具打下来，数学证明就第一次具备了「规模化生产」的两个条件：便宜的生成，便宜的验证。722 篇手稿就是这两个条件同时成立后的第一个样本。

反过来想：如果只有生成、没有验证，会发生什么？答案是「证明通胀」：仓库里堆满没人看得懂、没人验证过的证明，数学文献变成 AI 输出的垃圾场。这不是危言耸听——代码世界已经演过一遍了：Copilot 时代初期，大量「能跑但没人敢保证对」的代码流入仓库，团队被迫补测试、补 review 流程。数学界现在站在同样的岔路口，Lean 就是它的「测试流程」。

接下来看什么

三个问题决定这件事的最终分量。第一，独立验证：有没有第三方团队能复现其中一部分结果，或者用 Lean 把更多证明走完？第二，模型具名和提示词公开：OpenAI 会不会回应 AGMAI 指南的要求，把「交了一半的答卷」补完？第三，数学界的规范：期刊和会议会不会开始要求 AI 生成的证明必须附带机器可验证的版本？

对普通读者来说，还有一个更近的看点：openai/math 仓库是公开的，explainx.ai 从 10 月 6 日起在连载仓库解析。不用等期刊，不用等新闻稿，你可以直接点进去，看 AI 是怎么写数学的——这种「第一手围观」本身，就是这个时代的新鲜事。

722 这个数字本身，两年后可能没人记得。但它标志的转折会留下：数学第一次被「工业化生产」，而学科的信任机制，被迫在众目睽睽之下重写。这对做 AI 的人是个提醒——当你的模型开始批量产出人类看不懂的东西，「可验证性」不是可选项，是入场券。