核心内容总结
2026年6月，First Proof项目发布第二次正式AI数学能力测试结果：四个公开可用的AI系统挑战10道来自一线研究者、未发表且无网络痕迹的研究级数学题，结果显示AI虽在部分题目展现创新解法（如系统A用全新路径证明随机偏微分方程问题），但整体未达顶尖数学家水平，还暴露了引用不规范、幻觉（捏造定理/引用）、关键步骤含糊等系统性缺陷。结论是：AI目前更适合做科研助手，而非独立提出深刻猜想或构建理论框架的研究者。
一、测试设计：为“考真本事”特意出“新鲜题”
这次测试的核心是切断AI“抄答案”的可能。题目都来自数学家刚解决但未发表、未上网的真实研究问题——相当于老师出了一道从未在课本或网上出现过的题，确保AI不能从训练数据里直接找答案。预测试时还淘汰了两道题：一道是模型能找到类似文献结论，另一道是能检索到相关论文快速推导，彻底保证题目“干净”。
参赛AI也有严格要求：必须是公开可用的模型（像谷歌内部的Aletheia因不公开被排除），还要公开代码和运行日志，全程在独立服务器上操作，避免人类帮忙。这种设计让结果更透明可信，能真正测试AI的解题能力。
二、AI表现：有惊喜但整体“拉胯”
亮点：
- 系统A在第5题（随机偏微分方程）用了和人类完全不同的技术路径，证明的中间结论比人类更强，被专家评为“无实质性问题”；
- 系统A、B、C各有5-6道题通过（前两个等级），说明AI在部分领域能解决研究级问题。
不足：
- 第4题（4维矩形度量映射）全军覆没，系统C甚至捏造了不存在的定理；
- 系统D因技术问题几乎全挂，仅1道题通过；
- 整体看，AI离顶尖数学家还差得远——人类解决这些题需要数月协作，而AI要么抄已有成果，要么在难点上卡壳。
三、AI的“老毛病”：三大缺陷暴露科研短板
1. 引用不规范：照搬已有论文却不注明。比如施瓦茨的题，多个AI逐行抄他的论文，连术语符号都原样用，却没写引用——像写作文抄了别人的句子不标出处。
2. 幻觉严重：捏造不存在的定理或引用。系统C在第4题说古斯2007年论文有某个定理，实际根本没有——就像学生考试瞎编“某某教授说过”蒙混过关。
3. 关键步骤“躲猫猫”：难的地方一笔带过。比如用“由标准论证可得”或假引用规避难点——像考试时不会做就乱写一通，祈祷老师没发现。
四、成本对比：纯模型性价比更高
系统C（纯ChatGPT 5.5 Pro）仅花117美元，和花4799美元的系统B（UCLA团队加框架）通过的题目数一样。说明：在基础模型上叠加复杂协作框架，虽然能提升点质量，但成本翻了40倍，性价比极低。普通用户用纯ChatGPT可能就够，没必要花大价钱搞复杂框架。
五、结论：AI是好助手，但成不了“数学家”
这次测试粉碎了“AI会接管纯数学研究”的末日论。AI的逻辑执行能力不错（比如找新证明路径），但缺直觉——庞加莱说“证明靠逻辑，发明靠直觉”，AI不知道哪个方向值得研究，关键步骤做不出决断。另外，AI连“引用要注明”这种基本科研规范都没学会，离独立搞研究还差得远。
未来AI更适合当助手：帮数学家找新路径、验证常规步骤，但真正的创新和框架构建，还得靠人类。
（注：文中提到的社区实验和第三批测试，感兴趣的可去First Proof官网参与，这里就不展开啦～）