--- title: "超级计算机上的数学 AI，现在能在你 Mac 上跑了" source: wechat url: https://mp.weixin.qq.com/s/uYxWxkOH2SXjEMQz7rxVFw ingest_date: 2026-07-04 vxc: 49 stars: 4 sha256: aa89e756af95afc21288f000c04e1014accf8c6178a484c4e08f9e1bc7daa4cc --- # 超级计算机上的数学 AI，现在能在你 Mac 上跑了 **来源**: Unknown **发布日期**: 2026-04-14 **原文链接**: https://mp.weixin.qq.com/s/uYxWxkOH2SXjEMQz7rxVFw --- ### 把超级计算机装进你的 Mac 加州帕洛阿尔托的 Axiom Math 公司最近发布了一款免费的 AI 新工具，专为数学家打造。它的使命是发现数学模式，说不定就能解开那些困扰多年的难题。🔍 这款工具叫 Axplorer，是对 PatternBoost 的重新设计。PatternBoost 是 François Charton 在 2024 年还在 Meta 时共同开发的，现在他是 Axiom 的研究科学家。简单来说，PatternBoost 得在超级计算机上跑，而 Axplorer 在你的 Mac Pro 上就能运行。 这个工具的目标很明确：让每个能在自己电脑上安装 Axplorer 的人，都能用上 PatternBoost 的强大功能。要知道，PatternBoost 曾经攻克过一个叫"图兰四圈问题"（Turán four-cycles problem）的硬核数学难题。 去年，美国国防部高级研究计划局（DARPA）启动了一个叫 expMath 的新项目，全称是"指数级数学"（Exponentiating Mathematics），目的就是要鼓励数学家们开发和使用 AI 工具。Axiom 认为自己就是这个浪潮的一部分。 Charton 说，数学上的突破会对整个技术领域产生巨大的连锁反应。特别是新的数学理论，对计算机科学的进步至关重要——从打造下一代 AI 到提升互联网安全性，都离不开它。 ### 数学不只是解题 到目前为止，AI 工具的大部分成功案例都是解决已有的问题。但 Axiom Math 的创始人兼 CEO Carina Hong 说，解决问题可不是数学家工作的全部。她说，数学本质上是探索性的、实验性的。 上周，《麻省理工科技评论》独家视频采访了 Charton 和 Hong，聊了他们的新工具，以及 AI 到底会如何改变数学。 ### 用聊天机器人做数学 过去几个月里，不少数学家开始用大语言模型（比如 OpenAI 的 GPT-5）来解决未解之谜，尤其是 20 世纪数学家保罗·埃尔德什（Paul Erdős）留下的那些题目。这位传奇数学家去世时留下了数百个数学谜题。📝 但 Charton 对这些成功不以为然。"有大量的问题之所以还是未解之谜，只是因为没人去研究它们。随便找几个能解决的宝贝并不难，"他说。他的目标要难啃得多——"那些被研究得非常透彻、有名的大人物都啃过的大难题。" Charton 说，PatternBoost 攻克的图兰四圈问题就是这样一个硬核问题。这个问题在图论中非常重要。图论是什么？简单来说，它就是用来分析复杂网络的数学分支，比如社交媒体的人际关系、供应链、搜索引擎排名等等。想象一下，一张纸上布满了点，这个谜题就是要你找出如何在尽可能多的点之间画线，但不能形成四个点连成一圈的回路。🔗 Axiom Math 表示，Axplorer 还在另外两个图论大问题上取得了与已知最佳结果持平或更好的成绩。 ### 大语言模型的"保守"本质 "如果你想做的事是基于已有成果的衍生，那大语言模型非常擅长，"Charton 说，"这没什么好惊讶的——大语言模型是用所有已有数据训练出来的。但也可以说，大语言模型很保守，它们倾向于复用已有的东西。" 然而，数学中有很多问题需要全新的想法、前所未有的洞见。有时候，这些洞见来自发现那些从未被注意到的模式。这类发现能开辟出数学的全新分支。🌱 PatternBoost 的设计初衷就是帮助数学家发现新模式。你给它一个例子，它会生成类似的例子。你挑出看起来有趣的再喂回去，它又生成更多类似的，如此循环。 这个思路和谷歌 DeepMind 的 AlphaEvolve 有点像。AlphaEvolve 是用大语言模型来提出问题的新颖解决方案，它会保留最好的建议，然后让大语言模型在此基础上改进。 ### 为什么普通人用不上那些高级工具 研究人员已经用 AlphaEvolve 和 PatternBoost 发现了存在已久的数学问题的新解法。但问题在于，这些工具得在大型 GPU 集群上运行，大多数数学家根本接触不到。💻 Charton 说，数学家们对 AlphaEvolve 很兴奋，"但它是封闭的——你得有访问权限才行。你得去找 DeepMind 的人，让他们帮你输入问题。" Charton 用 PatternBoost 解决图兰问题时还在 Meta。"我真的有成千上万台机器可以用，有时候甚至上万台，"他说，"它跑了三个星期，简单粗暴得让人不好意思。" ### 2.5 小时 vs 三周 根据 Axiom Math 团队的说法，Axplorer 的速度和效率都要高得多。Charton 说，Axplorer 只用了 2.5 小时就达到了 PatternBoost 在图兰问题上的结果，而且只需要一台机器。⚡ 悉尼大学的数学家 Geordie Williamson 曾和 Charton 一起研究过 PatternBoost，但还没试过 Axplorer。不过他很期待看看数学家们会怎么用它。（Williamson 偶尔还会和 Charton 在学术项目上合作，但他说自己和 Axiom Math 没有其他关联。） Williamson 说，Axiom Math 对 PatternBoost 做了几项改进，理论上让 Axplorer 能应用于更广泛的数学问题。"这些改进到底有多重要，还得等等看，"他说。 "我们现在处于一个奇怪的时代，很多公司都想让我们用他们的工具，"Williamson 补充道，"我觉得数学家们有点被这些可能性淹没了。再多一个这样的工具会有什么影响，我也不清楚。"🤔 Hong 承认，目前确实有很多 AI 工具在推向数学家。有些还要求数学家自己训练神经网络。这对数学家来说是个劝退点，Hong 自己就是数学家。她说，Axplorer 会一步一步引导你完成想做的事。 Axplorer 的代码是开源的，可以在 GitHub 上获取。Hong 希望学生和研究人员能用这个工具为他们研究的问题生成示例解和反例，加快数学发现的速度。📚 Williamson 对新工具持欢迎态度，他说自己也经常用大语言模型。但他认为数学家还不该把白板扔掉。"恕我直言，PatternBoost 是个很妙的想法，但绝对不是万能药，"他说，"我希望我们不要忘掉那些更接地气的方法。"