从元想法到高级数学发现——人类与AI共同发现符号嵌入量子算法
一篇新论文展示了人类与AI如何协同工作，将模糊的研究直觉转化为具体的数学发现。该案例研究聚焦于符号嵌入量子算法，这是量子线性代数中的基础原语。AI系统AIM在扩展直觉、比较候选公式和连接已知恒等式方面发挥了关键作用，但最终的科学判断（如选择研究方向、拒绝无效近似、优化实现）始终由人类做出。作者认为，人类-AI共同发现工作流最有价值的是作为研究伙伴，而非独立的定理证明器。
2026年6月12日，一篇题为《从元想法到高级数学发现——人类与AI共同发现符号嵌入量子算法》的论文提交至arXiv，编号2606.24899。该论文由Yanqiao Wang等四位作者完成，详细记录了一次人类与AI系统深度协作的数学发现过程，最终产出了针对矩阵方程和矩阵函数的符号嵌入量子算法。这些算法是量子线性代数与算子输出量子算法中的基础原语，具有重要的理论意义与应用前景。
研究的起点源于一个人类的直觉：有理逼近对于符号函数这类跳跃型函数特别有效。符号函数在量子算法中常用于实现振幅放大、相位估计等关键操作，但传统的逼近方法往往效率不高。研究人员猜想，或许可以将这一直觉作为量子算法设计的指导原则。然而，从模糊的直觉到具体的可证明定理家族，中间需要经过问题形式化、路线探索、候选方案比较等多个阶段。正是在这一阶段，AI辅助探索发挥了不可替代的作用。
论文中使用的AI系统名为AIM（Agentic AI-Mathematician），它并非一个单纯的定理证明器，而是一个能够与人类进行深度交互的研究助手。AIM首先协助人类将最初的直觉扩展为一张完整的路线图，明确了几种可能的逼近方案。随后，AI系统对多种候选公式进行了系统性比较，帮助人类排除了许多无效或低效的方案，最终将焦点集中到符号嵌入这一核心框架上。AIM还帮助连接了已知的矩阵符号恒等式与更广泛的矩阵方程和矩阵函数类，并自动起草了初步的证明步骤和复杂度分析。
不过，论文明确指出，所有决定性的科学判断始终由人类掌握。例如，人类研究者选择了值得深入探索的具体方向；拒绝了所谓的Cayley-梯形近似，因为该近似的有效性依赖于一个隐藏的数学条件，而这一条件在实际应用中难以满足；此外，人类还优化了Sylvester实现，从最初粗略的二次间隙查询路线转化为最终的分解与缩放分析，大大提高了算法的效率。
论文最后总结道，人类与AI的协同发现工作流（以AIM为代表）最大的价值不在于替代人类进行定理证明，而在于作为研究伙伴，在人类把关的研究循环中助力问题形成、连接发现、推导以及批判性审查。这种方法有望在未来加速科学发现，特别是在数学、理论物理和计算机科学等需要深度直觉与形式化推理相结合的领域。该研究也提醒我们，AI在科学研究中的最佳角色不是独立的决策者，而是增强人类创造力的协作工具。