一句话看懂：一篇最新 arXiv 论文提出“人机发现闭环”，让 AI 代理参与数值与符号求解、分布式搜索和假设提炼，在 Lehmer 问题上给出覆盖任意目标次数的构造方法。其价值在于展示了大模型参与数学研究的可复用工作流，而非某个产品发布。
事件核心：发生了什么
论文聚焦 1933 年提出的 Lehmer 问题：整数多项式的 Mahler 测度能否任意小。此前，系统构造小 Mahler 测度不可约多项式的工作只覆盖到偶数次数 d ≤ 180；更高次数下，Boyd 的单参数解析族经常发生分解，会跳过近 50% 的目标次数，缺少对任意 d 的通用构造。
作者的做法是把对话式提示与快速数值管线、精确符号验证器、大规模分布式搜索结合：AI 代理在本地先做数值和符号求解器原型，再在集群上发起并行搜索，并与人类研究者一起提取、验证数学假设。最终得到一个五参数构造，命名为“广义 Boyd 算法”，声称消除跳次数问题，并对每个目标次数构造出 Mahler 测度严格低于 Boyd 极限点 α₁≈1.255434 的不可约多项式。在截至 2000 的所有偶数次数上评估，它改进了 6 个此前公开数值，并保持 99.6% 的已知最优记录；作者同时发布了经核验的最小 Mahler 测度多项式数据集。以上均来自摘要，尚未核验全文实验细节，也未说明经过同行评审。
为什么重要
这不是“AI 自动证明定理”的宣称，而是一个更现实的分工样本：大模型负责提出假设、编写求解器原型的部分工作，人类负责判断方向，数值与符号验证器负责把关，算力和分布式搜索负责扩大探索空间。对 AI 数学研究而言，值得注意的是“可验证的闭环”正在形成，而不是单次对话能力本身。
对行业路线来说，它说明模型在科研中的价值可能更多来自与工具链、验证器和算力系统的组合，而非独立推理。这种模式对需要大规模试错与严格验证的领域，如数论、组合优化和材料筛选，更有借鉴意义。
对用户/开发者/创作者的影响
普通用户短期内不会直接用到这一构造。对开发者和科研工具团队而言，更实际的启示是：把大模型接入数值计算、符号验证和分布式任务调度，比单纯追求对话流畅度更能产出可复现结果。数据集的公开也有助于数学社区复测与比较，但使用前应自行核对验证流程。目前公开信息显示，论文没有提供通用 API 或产品化工具。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是全文是否披露分布式搜索规模、误报率和符号验证细节；二是该五参数构造能否被独立复现，以及是否会有人给出更紧的界；三是这种“人类提问—AI 原型—验证器把关—集群搜索”的流程能否迁移到其他数学开放问题。对工程团队来说，可观察开源社区是否复刻类似的验证型 agent 工作流。
来源：arXiv cs.AI
