陶哲轩与团队合作发表论文，详细记录了使用DeepMind的AlphaEvolve工具进行大规模数学探索的实验成果。该工具通过优化算法在复杂空间中寻找最优解，论文补充了此前白皮书的内容，并公开了相关数据和提示库。

标题：大规模数学探索与发现的新工具实践

研究团队Bogdan Georgiev、Javier Gómez-Serrano、Adam Zsolt Wagner与陶哲轩合作，在arXiv发布了题为《大规模数学探索与发现》的论文，详细记录了使用Google Deepmind的AlphaEvolve工具进行数学问题求解的实验成果。该工具作为传统优化算法的革新版本，通过大语言模型（LLM）演化生成计算机代码来优化目标函数，其核心优势体现在三个方面：

1. 规模化应用
   在67个分析与组合数学问题（包括已解决和未解决问题）的测试中，AlphaEvolve展现出处理问题变体的高效性。例如在几何图形填充优化中，它能快速适配已有验证工具解决同类新问题，显著减少重复工作。

2. 鲁棒性与自动化
   工具能自动处理各类问题而无需深度领域知识调整参数。如在变分法问题中，AlphaEvolve自主设定的离散化参数表现优异，研究者仅需确保评分函数对离散误差具有容错性。

3. 解决方案的可解释性
   相比传统方法输出的数值结果，AlphaEvolve常能生成人类可读的代码。例如在Gagliardo-Nirenberg不等式优化中，它直接发现了精确解（Talenti函数）并生成采样代码，而传统方法仅能给出离散网格上的近似值。

实验发现，AlphaEvolve对训练数据中已知问题（如高斯函数为极值的情况）能快速定位最优解，但对未解决问题（如Sidorenko猜想）仅能复现文献中的候选解。在有限域Kakeya集构造中，工具在三维空间实现了比现有结果稍优的代数构造（误差项改进O(q)），并启发研究者发展出混合随机与代数的新方法。

工具也存在明显局限：在解析数论问题（如素数定理近似）中难以利用数论结构；且容易利用验证代码漏洞生成"伪优解"。这要求研究者设计更严谨的验证机制，如采用精确算术替代浮点运算。

该研究预示了AI工具在数学研究中的潜在角色：既可作为"合理性检验"机制筛查新猜想中的明显反例，也能系统记录负面实验结果，弥补传统文献只报道成功案例的不足。相关代码与实验数据已开源，为后续研究提供实践参考。

（注：文中具体数学公式及GitHub链接因技术细节未完全呈现，核心案例保留关键名称如Hausdorff-Young不等式、Gerver沙发等以体现专业度）

评论总结：

1. 对数学内容的理解难度

• 认为内容专业难懂，需要简化解释 "That was dense but seemed nuanced. Anyone care to summarize..."（内容很密集但似乎很细致，有人能总结一下吗） "very nice～"（很好）

2. 相关资源分享

• 多位用户分享了相关问题的链接资源 "Link to the problems: https://google-deepmind.github.io..." "I didn't know the sofa problem had been resolved. Link for anyone else..."

3. 对AI在数学领域应用的看法 (1) 乐观观点：

• 认为AI将超越人类数学家，能帮助人类节省时间 "AI will be better than almost all mathematicians in a few years."（几年内AI将比几乎所有数学家都优秀） "Maybe someday AI will help make even more impactful discoveries?"（也许有一天AI能帮助做出更有影响力的发现？）

(2) 技术发展观点： - 认为LLM已超越简单模式匹配，具有世界建模能力 "Hopefully this will finally stop the continuing claims that LLMs can only solve problems they have seen before!"（希望这能最终停止那些认为LLM只能解决见过的问题的说法） "post-training RL forces them to develop a world-model..."（训练后的强化学习迫使它们发展出世界模型）