AI 沒解出黎曼猜想，卻把一條數學界線推高了

AI 知識

從解不出來，到把可證明的界線推高

AI 知識｜AI 研究｜2026-08-15

AI 又解出數學千古難題了嗎？這次答案不是。

但一個更值得細看的進展發生了：研究版 Claude 協助把「已知可證明落在關鍵線上的零點比例」下界，從 41.6% 推進到 67.2%。黎曼猜想本身仍未被證明或推翻，這個數字也不是「解題進度」。

這個差別很重要。因為真正值得理解的，並不是 AI 突然替人類答完了最難的問題，而是它如何把大量嘗試、找錯與驗證拉到新的規模。

黎曼猜想與 ζ 函數零點的分布有關，是數學界長期未解的問題。它不是一條可以像考題一樣算出完成百分比的任務。

41.6% 與 67.2% 談的是一項相關下界：目前能被證明位於關鍵線上的非平凡零點比例至少有多少。把下界從 41.6% 推到 67.2%，代表我們對這個結構多掌握了一大段可以嚴格證明的範圍；但完整的黎曼猜想仍然沒有答案。

這也是看 AI 科學新聞時最該保留的基本功。數字很吸睛，先問它量的是什麼，往往比先問它有多驚人更重要。

官方研究紀錄顯示，這次工作不是一次回答就得到結果。研究版 Claude 先提出約 650 個沒有成功的想法，之後以約 60 個子代理分頭運作約一天半，進行數值檢查、尋找反例、閱讀相關研究、重做證明，最後把結果整理成可形式驗證的版本。

這個流程很像一個研究團隊會做的事：提出假設、測試假設、承認不成立、回頭找漏洞，再把可以留下的推論寫得足夠清楚，讓別人檢查。

AI 的價值不只在於「給出一個答案」。在某些難題上，它更像是能長時間維持試錯節奏的研究夥伴。它可以一次展開很多條路徑，也可以把失敗結果保留下來，避免每一條路都要從零開始重走。

在數學、科學與任何需要嚴謹推理的工作裡，最危險的通常不是沒有想法，而是太早相信第一個看似合理的想法。

一個系統若只會快速產生漂亮的論述，很容易把錯誤包裝得更有說服力。這次過程值得注意的地方，是它不只生成候選方向，也被要求尋找反例、交叉檢查，並接受數學家與外部專家的檢視。

這並不代表機器已經取代研究者。相反地，越是重要的結果，越需要人類判斷問題是否問對、證明是否完整，以及一個新方法真正能說到哪裡。

新聞常把焦點放在最後一句：到底解了沒有？但研究的價值不只存在於終點。

能把一個下界推高、讓更多研究路徑被系統性地探索、把推理過程整理到可以形式檢驗，都是可累積的進展。它們不保證下一步就會得到最終證明，卻可能改變研究者面對難題時可以嘗試的範圍。

這種改變也提醒我們，評估 AI 能力時不要只看單一展示。更值得追問的是：它能否承受長任務？能否保留失敗？能否主動找反例？它產生的推理能否被人重新檢查？

AI 沒有替人類把黎曼猜想畫上句點。

但它示範了一件很具體的事：當一個系統可以持續提出假設、承認失敗、再去找錯並留下可驗證的推理時，研究的試錯成本可能被重新定義。

67.2% 不是終點，也不是解題進度。它比較像一道提醒：有些突破不在於誰突然答對，而在於誰能把「一直找、一直驗、一直修」這件事做得更長、更廣，而且仍讓人能看懂與檢查。