AREX Feed Article
Meta 公开六篇论文，称数学家与 Muse Spark 合作求解六个数学开放问题
北京时间 10 月 3 日凌晨，Meta 的官方 AI 账号 发帖称，过去几个月，数学家通过普通的 meta.ai 聊天界面、没有使用任何自定义研究脚手架（research scaffold），与处于 Thinking Mode（思考模式）的 Muse Spark 1.1 和 Muse Spark 1.2 合作求解「真正开放、没有既有解题路径」的数学问题，并公布了由此产生的六篇论文。
数小时后，Meta 首席 AI 官 Alexandr Wang 发帖称「数学家与 Muse Spark 合作解决了数学中 6 个开放问题」，并逐条列出六个结果的标题。六篇论文与一篇题为《Solving Open Research Problems Together》（协作求解开放研究问题）的研究博客发布在 Meta 的研究站点（；）。
六篇论文：从椭球拟合到非结合代数
帖子把六篇论文按领域逐条列出；以下要点均出自 @AIatMeta 的这组帖文，每条附对应的帖文与论文链接。
1）概率：研究者与 Muse Spark 合作，回答了把随机点拟合到「拉伸球面」（stretched sphere）表面的问题；在他们研究的设定下，精确拟合「很可能存在」与「很可能不存在」之间有一条锐利的分界。帖文附带的示意图把分界标在 n ≈ d²/4 处：低于它时是「以高概率存在拟合」，高于它时是「以高概率不存在精确拟合」（；）。
2）微分方程：帖文用「拔河」比喻两种效应，一种把波向内挤压，另一种让波散开，问题是波能不能一直聚下去。借助 Muse Spark，研究者证明在被研究的条件下，受激光启发的模型中的波必定在有限时间内「爆破」（blow-up）（；）。
3）群论：研究者通过找到一个反例，推翻了一条关于「描述对称性的数学结构」的拟议规则；帖文写道，Muse Spark 生成了找到该反例的搜索代码，团队随后验证了结果并完成了证明（；）。
4）优化：研究者与 Muse Spark 一起证明了一条清晰规则：一个难的问题何时可以被更简单的题替换而不失去任何东西，以及某种简化何时能精确刻画原问题、何时会留下缺口（；）。
5）算术物理：研究者与 Muse Spark 一起，把数论中的一个想法与弦论中的一项计算连接起来，并证明这种联系在比此前已知更多的情况下成立，其基础可以追溯到 1980 年代的想法（；）。
6）非结合代数：团队与 Muse Spark 一起，为一条针对「受生物学启发的数学结构」的拟议规则找到了例外，并进一步给出一种替代刻画，由研究者核验和打磨（；）。
一个 384 阶反例：模型生成搜索代码，团队完成证明
群论篇是帖文把分工写得较为具体的一例：模型的贡献是生成搜索代码，人的工作是验证结果、完成证明。
论文页面的摘要给出了更确切的说法：作者构造出一个阶为 384 的有限半阿贝尔群，它「不是单项的（not monomial）」，由此推翻了 M. Kida 的一个猜想（）。这也对应 Wang 列表里第三项的标题：Semiabelian Groups Need Not Be Monomial（半阿贝尔群不必是单项群）。
合作规则：数学家主导、二次评审、逐段标注人机分工
帖子为这些合作列出了几条规则：数学家主导研究；随后由另一组数学家评审；每篇论文标注哪些段落主要由人类还是 AI 起草；每篇论文致谢其所依据的先行研究；如果其他团队对同一问题独立宣布了结果，也会一并致谢。Meta 写道，「我们的目标不是批量生产论文，而是为研究者赋能」。
Meta 的 AI 研究者 Trapit Bansal 在引用转发时写道：「我们仍在学习 AI 与研究者应当如何协作来产出新结果。这是我们的尝试带来的第一批结果：研究者用更早版本的 Muse Spark 求解开放研究问题。模型帮助探索想法、承担繁琐的问题求解；研究者负责引导、验证，并对结果负责。我们期待在社区的更多反馈与更好的模型下看到它继续演进。」（）
五项竞赛之后，Meta 换了一个问法
这套合作的背景是竞赛成绩。今年 8 月 6 日，@AIatMeta 公布了其模型参加五项 STEM 奥赛的结果：亚洲物理奥林匹克（APhO）与国际物理奥林匹克（IPhO）的理论卷均为满分，国际数学奥林匹克（IMO）拿到金牌，国际化学奥林匹克（IChO）与罗马尼亚数学大师赛（RMM）达到金牌级；帖文说明，为测试纯推理能力，比赛禁用了搜索、写代码和计算器（）。
新帖文从这里接了下去：「在五项竞赛取得金牌级表现之后，我们问了一个更难的问题：当一个真正开放、没有既有解题路径的问题摆在面前时，AI 能否作出贡献？」
Meta Superintelligence Labs 的研究者 Shuchao Bi 在引用转发时补了背景：「今年早些时候，我们的重心从奥赛级别的问题转向攻克开放研究问题。」他写道，自己数学专业出身，后来意识到缺少解决自己真正热爱的那些开放问题所需的「天生才华」，于是转入机器学习；如今他的目标是训练 AI 来解决这些问题，并称已与几位如今担任数学教授的研究生同学合作，在一个算术物理的开放问题上取得了有意义的进展（）。
数学的「AlphaGo 时刻」与更强的后续模型
Shuchao Bi 在同一帖文中还写道，数学像一局被极大扩展的围棋，运行在结构化的环境里，并且自带自我验证。「今年我们经历了数学的『AlphaGo 时刻』，这是一个不归点。」他同时提到后续模型的状况：「用来攻克这些开放研究问题的模型建立在更早版本的 Muse Spark 之上；我们当前和即将推出的模型已经显著更强。」他称后续进展会继续对外公布。