從元想法到高級數學發現——人類與AI共同發現符號嵌入量子算法
一篇新論文展示了人類與AI如何協同工作，將模糊的研究直覺轉化為具體的數學發現。該案例研究聚焦於符號嵌入量子算法，這是量子線性代數中的基礎原語。AI系統AIM在擴展直覺、比較候選公式和連接已知恆等式方面發揮了關鍵作用，但最終的科學判斷（如選擇研究方向、拒絕無效近似、優化實現）始終由人類做出。作者認為，人類-AI共同發現工作流最有價值的是作為研究夥伴，而非獨立的定理證明器。
2026年6月12日，一篇題為《從元想法到高級數學發現——人類與AI共同發現符號嵌入量子算法》的論文提交至arXiv，編號2606.24899。該論文由Yanqiao Wang等四位作者完成，詳細記錄了一次人類與AI系統深度協作的數學發現過程，最終產出了針對矩陣方程和矩陣函數的符號嵌入量子算法。這些算法是量子線性代數與算子輸出量子算法中的基礎原語，具有重要的理論意義與應用前景。
研究的起點源於一個人類的直覺：有理逼近對於符號函數這類跳躍型函數特別有效。符號函數在量子算法中常用於實現振幅放大、相位估計等關鍵操作，但傳統的逼近方法往往效率不高。研究人員猜想，或許可以將這一直覺作為量子算法設計的指導原則。然而，從模糊的直覺到具體的可證明定理家族，中間需要經過問題形式化、路線探索、候選方案比較等多個階段。正是在這一階段，AI輔助探索發揮了不可替代的作用。
論文中使用的AI系統名為AIM（Agentic AI-Mathematician），它並非一個單純的定理證明器，而是一個能夠與人類進行深度交互的研究助手。AIM首先協助人類將最初的直覺擴展為一張完整的路線圖，明確了幾種可能的逼近方案。隨後，AI系統對多種候選公式進行了系統性比較，幫助人類排除了許多無效或低效的方案，最終將焦點集中到符號嵌入這一核心框架上。AIM還幫助連接了已知的矩陣符號恆等式與更廣泛的矩陣方程和矩陣函數類，並自動起草了初步的證明步驟和複雜度分析。
不過，論文明確指出，所有決定性的科學判斷始終由人類掌握。例如，人類研究者選擇了值得深入探索的具體方向；拒絕了所謂的Cayley-梯形近似，因為該近似的有效性依賴於一個隱藏的數學條件，而這一條件在實際應用中難以滿足；此外，人類還優化了Sylvester實現，從最初粗略的二次間隙查詢路線轉化為最終的分解與縮放分析，大大提高了算法的效率。
論文最後總結道，人類與AI的協同發現工作流（以AIM為代表）最大的價值不在於替代人類進行定理證明，而在於作為研究夥伴，在人類把關的研究循環中助力問題形成、連接發現、推導以及批判性審查。這種方法有望在未來加速科學發現，特別是在數學、理論物理和計算機科學等需要深度直覺與形式化推理相結合的領域。該研究也提醒我們，AI在科學研究中的最佳角色不是獨立的決策者，而是增強人類創造力的協作工具。