多智能体自主数学发现：开放环境中 5 个问题取得新结果

一项最新研究提出了名为 Station 的开放世界多智能体环境，让来自不同模型家族的 AI 智能体在没有中央调度或预设流程的情况下，自主选择研究方向、开展实验、相互协作，并共同积累共享的科研文献。在 12 个 AlphaEvolve 目录中的构造性问题和两个额外案例中，智能体在 5 个问题上取得了相对现有文献全新的结果，并产出了解释这些构造为何成立的定理与分析。

研究背景与核心机制

传统自动化数学发现多依赖预设流水线或单一模型，而 Station 采用完全去中心化的协作模式：每个智能体独立决定研究问题、执行实验、撰写证明，并能把结果沉淀为共享文献的一部分。这一设计的关键在于让异构模型在同一个环境中协同，避免人为设定研究路径可能带来的偏差。研究者强调，开放世界设置意味着智能体需要自主判断哪些问题值得投入，而非按脚本完成固定任务清单。

具体数学成果

在 12 个 AlphaEvolve 构造题加 2 个补充案例中，Station 在 5 个问题上获得新结果：

• 发现有限域 Kakeya 集合的一个新的无穷族构造；
• 在 11 维空间中给出新的精确 604 点接吻构型；
• 在离散化 Kakeya 针问题与符号不确定性问题（sign uncertainty problem）上刷新纪录；
• 大幅改进了 Erdős 最小重叠问题的下界；
• 此外还为 Book Ramsey 数发现了新的无穷族。

值得注意的是，智能体不仅给出了数值构造，还产出了对应的定理与分析，说明这些构造为何成立，使结果更具可解释性，也更便于数学家在此基础上继续推进。

透明度与可复现性

为体现开放科研精神，研究者公开了所有智能体之间的原始对话、生成的证明以及验证代码，完整记录了新结果从探索、猜想、构造到证明的全过程。这种端到端的公开在一定程度上回应了 AI 自动科研中常见的「可复现性」与「过程黑箱」质疑，使外部研究者可以逐条核查推理链是否成立。

意义与局限

Station 的工作表明，由不同模型家族组成的异构多智能体群体，在开放环境中具备自主推进前沿数学问题的能力。但该研究的样本仍局限于构造性组合与代数几何类问题，是否能扩展到分析、数论等更依赖长链演绎推理的领域，以及成果对人类数学家的实际帮助程度，仍有待后续研究检验。