核心观点 - 上海科学智能研究院联合北京大学、复旦大学研发的PackingStar强化学习系统，在多个维度刷新了“亲吻数问题”的世界纪录，实现了数学结构领域罕见的多维度、系统性突破[3][4] - 该研究代表了AI for Math范式的一次前移，AI不仅能够解题，更首次实现了对非对称规则构型的系统性搜索与生成，参与主动构造新的几何可能[25][26][27] - 突破依赖于将复杂几何问题转化为适合GPU并行计算的代数任务的方法论创新，以及人机协同、跨领域（AI、数学、工程）协作的共进机制[12][13][30][43] 研究方法与创新 - 研究团队将高维几何的亲吻数问题转化为余弦矩阵填充问题，并设计了一套多智能体强化学习架构[7] - 系统包含两个智能体协作：Player 1（填充智能体）负责在矩阵中填入数值以摆放球体；Player 2（修剪智能体）负责几何分析，识别并删去次优结构[9] - 通过“填充—修剪—解构—再填充”的循环迭代，将高维空间几乎不可触达的搜索难度逐步压缩，把复杂几何问题转化为可训练、可优化的多智能体游戏[11] - 关键方法论创新在于将问题重新定义为适合GPU并行计算的代数任务，这是实现规模化突破的前提[12][13] 主要成果与突破 - 在25–31维连续刷新世界纪录[15] - 打破14维与17维“两球亲吻数”纪录[15] - 打破12维、20维、21维“三球亲吻数”纪录[15] - 在13维发现优于1971年以来所有有理结构的新构型[15] - 在多个维度中发现6000余个新结构[15] - 成果获得离散几何领域权威Henry Cohn高度评价，并被收录至其维护的权威榜单，Cohn本人还在该团队发现的结构基础上，又打破了两个维度的广义亲吻数纪录[14] - 突破呈现出系统性特征，在多个维度同步推进，揭示了不同维度之间潜藏的结构关联，使构型形成可迁移、可比较、可演化的几何网络[21] 行业意义与范式演进 - 亲吻数问题是具有三百年历史的经典难题，进展极度稀缺，传统方法高度依赖全局对称结构[23] - PackingStar面对的是一个缺乏数据、结构高度复杂的高维组合优化问题[24] - 与AlphaGeometry、AlphaTensor、FunSearch等AI for Math领域其他进展相比，PackingStar在亲吻数问题上实现了更高难度的突破[23] - 该研究证明AI可以在缺乏可学习样本的条件下形成可持续的探索路径，参与“构造”而不仅仅是“解题”，推动了AI for Math范式的前移[26][27] 人机协同与工程支撑 - 研究过程并非AI单方面替代人类，而是人机互相塑造的闭环：人类科学家将数学直觉转化为算法注入系统，同时从AI的发现中获得新洞察[30][31][32] - 例如，在12维81球构型问题上，AI首先发现对称性极弱的新结构，人类团队分析其隐藏规律后引入经典Schläfli构型重新搜索，最终找到高度对称的新结构并推广至更高维度[31] - 当维度提升至18、19维时，搜索空间急剧膨胀，工程团队通过优化底层算子（如重写关键CUDA Kernel、消除显存冗余读写、提升GPU利用率、构建自动Checkpoint机制），将搜索效率提升2–3倍，累计节省超过10万GPU卡时[36][46] - 工程优化是科学突破的基础设施，科学智算连接了算法与现实算力，带来大规模加速，让数学探索具备可持续性[36][37] - 相关算子与方法在星河启智科学智能开放平台的支撑下，沉淀为可复用能力，为更多科学问题提供智算基础[37]

数学研究的主要方向与未解之谜 - 美国数学学会将数学研究分为约60个分支，主要包括分析/概率、代数/数论、几何/拓扑几大领域，受访者的工作方向主要在偏微分方程[3] - 偏微分方程的研究对象是由多元函数或向量场描述的、满足特定物理规律的系统，该领域已能回答许多经典问题并对简单方程给出完整刻画，但未解问题仍有很多[3] - 传统的分析视角经过一个世纪发展已相当完善，但单一视角可能存在固有局限性[3] - 数学领域存在许多未解之谜，例如克雷研究所的七大千禧年问题目前仅解决了一个[4] - Navier-Stokes方程的整体适定性是流体力学的基本问题，长期未解决的原因是其“超临界”性，方程可能在小尺度上产生奇性，而已知的分析工具无法给出足够估计[4] - Yang-Mills量子场论的构造问题涉及量子化的构造及其性质的证明，从分析和概率角度需要构造无穷维联络空间上由Yang-Mills泛函定义的概率测度[4] 数学与人工智能的互动关系 - 数学与人工智能的关系体现在“Math for AI”和“AI for Math”两个研究方向[5] - “Math for AI”关注人工智能技术的数学基础，试图解释为何神经网络近似任意函数如此有效，但目前该方向尚缺少重大突破性进展且关注相对较少[5] - “AI for Math”受到数学界和AI学界高度关注，近年进展可分为四类[5] - 第一类是用AI寻找偏微分方程可能的近似解，并结合区间算术与计算机辅助证明来严格构造方程的特殊解[5] - 第二类是用AI进行“数学实验”，从已知结果与数据中寻找规律，寻求已有结果的改进或总结一般结论，AlphaEvolve团队的论文报告了在各领域取得的进展[5] - 第三类是AI自动证明，目前主流大语言模型均有一定书写数学证明的能力，各大AI企业也在研发专用模型，这些模型似乎足以解决一般数学竞赛级别题目[5] - 第四类是AI自动形式化，即用大模型将自然语言书写的数学证明转化为Lean等形式语言以自动验证正确性，如能实用化将大大简化数学审稿流程[6] - 目前大模型在自动形式化方面的能力局限于在人类帮助下形式化一些篇幅较短的证明，例如Math Inc.的智能体Gauss成功形式化了素数定理的证明[6] 基础数学研究与算力算法的关系 - 目前人工智能在算法和算力方面的发展对基础数学的影响仍较为有限[7] - 当前“AI for Math”依然局限于特殊领域的特殊问题与一般领域的简单问题，例如最近AI帮助解决了数个Erdos问题，但多数情况下AI所做的仍是从文献中发掘已有的证明，而非原创证明[7] - 随着未来AI算法和算力的进一步发展，当AI工具的能力足以真正在数学研究中发挥作用时，基础数学的研究方式亦可能随之改变[7] - 未来AI是会作为研究助手还是独立研究者存在，以及人类数学家的角色，目前尚不得而知[7] 对青少年数学素养的要点 - 对一般青少年的数学素养期望与专业数学家不同，重点可讨论逻辑、统计、分析、结构化等方面[8] - 逻辑是人类思维中最重要的部分之一，是数学的基础，也在日常生活与决策中起重要作用，良好的逻辑素养有助于形成良好的直觉[8] - 统计素养指从大量信息中总结提取最重要和有用部分的能力，是一种“掌握宏观趋势，而不被微观个例所迷惑”的直觉[8] - 分析学中最重要的能力之一是从整体的不同部分贡献中分离主要与次要成分，这对普通人也有重要意义，即如何抓住复杂事物的主要因素并进行控制[8] - 代数学的重点是“抽象”或“结构化”，即在本质相同的不同事物间建立联系，这有助于看清不同事物的本质并作出相应决策[8] - 数学素养不同于数学知识或数学能力，但对数学的了解有助于获得良好的数学素养[9]