AI数学发现新范式：FAR流水线筛选千篇论文

arXiv上一项新研究提出了一种名为 FAR（Find、Attempt、Recommend）的「文献到评审」级联流水线，旨在把 AI 辅助数学发现中两个瓶颈环节——选题与评审——自动化，让专家精力聚焦在真正值得审阅的成果上。

研究背景与动机

当前 AI 系统越来越能贡献数学研究，但前沿模型的推理算力以及人类专家的评审资源都极为稀缺。在典型的「AI 做数学」工作流中，人类的工作集中在流程的两端：起始阶段挑选值得研究的问题，结束阶段审阅 AI 产出的成果。这两个环节正逐渐成为研究级数学的瓶颈。

新范式：从「一个问题」到「一个方向」

论文提出一种新的人机协作范式：人类输入不再是一个预先选定的问题，而是研究者感兴趣且擅长的一个研究方向。系统在这一方向下于大量文献中检索候选问题，再逐级过滤、推荐给人类专家审阅。这一思路把稀缺的专家注意力与算力重新分配到经过多轮筛选的工件上。

FAR 流水线结构

FAR 由三个阶段组成：

• Find：从文献语料中发现候选猜想与开放问题。
• Attempt：尝试求解或推进这些候选问题。
• Recommend：把经过多层过滤的成果推荐给人类专家。

其设计灵感来自搜索与推荐系统，目标是用自动化分诊替代人工逐条筛选。

组合数学试点数据

研究在组合数学方向进行了实证，流水线规模如下：

• 起点：5,245 篇组合数学论文
• 候选猜想/开放问题：6,453 条
• 表述良好且仍未解决的猜想：4,717 条
• 潜在解答：598 个
• 进入作者团队审阅：77 个

初步成果

在 77 个待审条目中，研究者报告了多个有意思的进展，涉及 Davies–Jenssen–Perkins–Roberts、Erdős–Straus、Ikenmeyer–Pak–Panova、Lund–Saraf–Wolf 等学者提出的猜想与开放问题。论文认为，这一结果验证了所提出的人机协作模式在数学发现场景中的有效性，也为后续把类似流水线推广到其他数学子方向提供了参考。

论文来源：arXiv:2608.16977v1。