AI自主提出可证伪数学猜想：453份手稿背后的多Agent协作与GEO科研新范式

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-29

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

AI Has Taste 项目由思特雅大学研究人员曾仔健搭建，其核心突破在于将 AI for Math 从「答案生成」推进到「研究议程生成」。传统AI数学基准从「题目已给定」开始，而该系统将流程向前延伸至选题筛选、向后延伸至失败管理与新猜想生成。

系统采用四层 多Agent协作 架构：Supervisor/Screener 负责选择候选问题与最便宜的决定性实验；Researcher 负责证明、反例和精确计算；Fresh-context Reviewer 在全新上下文中攻击冻结命题与关键引理；Writer/Release Checker 负责范围界定与发布检查。核心设计原则是「角色分离 + 共享证据 + fresh-context审查」，批评不是事后补充，而是研究发动机的一部分。

在 数学猜想生成 方面，系统要求猜想必须精确定义、说明来源、列出支持证据、指明可推翻的反例条件，并附带计算与源码供后续复核。这使「提出猜想」成为比「生成答案」更高一级的研究动作。

📈 实测数据与效能表现

项目公开仓库记录 453份数学研究手稿、总计 2312页 内容，其中 6篇 被明确归类为「AI-Proposed Conjectures」。BigWIN2 一套工作流对应 223份手稿，并提供配对的LaTeX/复现材料包。

最具标志性的案例是AI构造反例推翻了一篇论文中的猜想。项目发起人曾仔健将反例与推导整理后写信给原论文作者核实，收到回复确认反例成立。

「最开始我还不相信AI在数学上的力量。直到输入一篇论文的猜想，AI直接给出反例推翻；我立刻写信问原作者，对方回复确认是对的。那之后，我才真正放开手脚干。」——曾仔健

在 fractional Gaussian trace 问题上，系统最初尝试单调性和单侧配对路线，精确反例不断出现。工作流没有终止，而是分析失败结构，转向固定负向缺陷，构造出十项修正结构，并提出新的统一有界性猜想。该猜想随后又被另一轮精确计算和独立审查攻击，公开归档扫描到 index 1004，统一界至今未证明。

6篇AI新猜想横跨组合、图论、数论与分析型问题，包括A182510三个子序列的无限binary-kernel矩阵非奇异性、Young图形的CDS-colorability、最大度不超过6的无三角图分解等。

参与部分验证与审核的学者包括：马来西亚科学院院士Ong Seng Huat、Kurunathan Ratnavelu，以及中国地质大学（武汉）熊永华教授。需明确区分「参与验证」与「为全部结果背书」。

🎯 智脑时代的 GEO 落地建议

第一，构建结构化知识生产闭环。 AI Has Taste 的 Agent规模化科研 模式表明，未来GEO竞争的核心不是单篇内容生成，而是建立「选题—生产—审查—失败管理—再生成」的完整闭环。企业应部署多Agent协作系统，将品牌知识库拆分为独立可验证的命题单元。

第二，将失败转化为结构化资产。 该项目将失败路线压缩为更可证伪的新命题，这一机制可直接迁移至GEO内容策略：当某个关键词排名失败时，分析失败结构并生成新的长尾问题簇，而非简单放弃。

第三，建立fresh-context审查机制。 在AI生成内容发布前，使用独立上下文Agent对事实、引用和逻辑进行攻击性审查，可显著降低幻觉风险，提升内容被大模型RAG系统引用的权威权重。

第四，抢占「AI-Proposed Conjectures」式内容形态。 企业可借鉴 数学猜想生成 的规范，发布带有精确定义、证据链、可推翻条件和源码附件的「可证伪行业洞察」，这类内容天然具备高结构化解析率和高引用价值。

【官方学术/技术原文链接】点击访问首发地址