AI 解题快把”好问题”吃光了，斯坦福的 After42 想让 AI 学会自己出题——起步 3%，迭代后 33%

AI 解题快把”好问题”吃光了，斯坦福的 After42 想让 AI 学会自己出题——起步 3%，迭代后 33%

2026 年是数学界被 AI 反复折叠的一年。

OpenAI 的 722 篇数学手稿、纳维-斯托克斯千禧年难题的突破、ETH 证伪、Siegel 零点被攻克——好消息是好消息，但里面藏着一个越来越紧迫的问题。

陶哲轩的原话：”优质且富有成果潜力的开放问题”，正在以一种”不可再生的方式”被不断挖掘。

不是比喻，是字面意义的不可再生。一个开放问题一旦被证明，它就没了。而整个数学界有价值的问题储备，是有限的。

你吃完一道菜，盘子就空了。如果你还能再吃，你得先有新的菜。

斯坦福的 Percy Liang 团队做了一个叫 After42 的项目——名字致敬《银河系漫游指南》里的超级计算机”深思”，它花了 750 万年算出”42″这个终极答案。

而 After42 要做的不是算出答案，而是——提出下一个值得问的问题。

过程比结果有意思：一个问题怎么被造出来

After42 不是让 AI 凭空蹦出一个”好问题”。它设计了一套完整的工作流：

第一步：建立研究资料包。 模型需要先阅读文献、已有成果和开放问题。它不能脱离知识基础来”想”问题。

第二步：多个 Agent 协同生成候选问题。 然后系统自动检查：这个问题跟已有研究重复吗？已经有人解了吗？表述有没有硬伤？

第三步：尝试求解。 这是整个流程里最关键的环节。系统没有把候选问题直接交卷，而是让 Solver Agent 去尝试求解——试图找证明思路、构造反例、发现可计算的结构。

第四步：根据求解反馈改写问题。 求解过程中暴露出来的”意外的困难”或”意外的结构”，被用来修正原来的问题。其他 Agent 再根据这些反馈修改问题本身。

第五步：模型评审和专家评估。

这套流程的核心洞察是：好问题不是在脑海里灵光一现冒出来的——是在求解的过程中被一步步修正出来的。

研究人员自己在做研究时就是这样。你开始一个题，做到一半发现原来的问题设错了，真正的解藏在另一个方向上。After42 把人类的这一套直觉，变成了一个可复用的系统化流程。

数字：3% → 33%

在五个子领域（数学、统计学、理论计算机科学、物理学）里，29 位专家对系统生成的 135 个最终问题进行了评估。

结果：

– 初始提案阶段： 专家认为”值得研究的”只占 约 3% – 多轮迭代开发后： 这个比例提升到了 约 33%（135 个里有 45 个被认为有趣且值得继续研究）

33% 不是一个令人难以置信的数字，但它说明了一个方向是对的：AI 在不断地求解、反馈、改写之后，提出好问题的能力提高了 10 倍。

更值得看的是不同领域之间的差异：

| 方向 | 问题数 | 认可率 | |—|—|—| | 随机结构相变 | 33/70 | 47% | | 黑洞振铃 | 3/8 | 38% | | 在线算法 | 4/12 | 33% | | 统计学 | 5/35 | 14% | | 等离子体物理 | 0/— | 0% |

没有模型生成的等离子体物理问题被认为值得研究。零。

这个差异本身就是一个值得研究的问题。

两个真实的改写案例，比数据更值钱

案例一：近似最优路径的配分函数。

模型一开始的问题是：计算近似最优路径的配分函数。在尝试求解的过程中，Solver Agent 发现真正的关键结构并不在全局配分函数里，而在最优路径附近的一组低成本绕行里。

问题被改写成了：这些局部结构是否构成一个泊松过程？所有近似最优路径是否能用它们组合出来？

这是典型的”中间发现改变了问题本身”——模型在求解中定位了可能真正控制系统行为的局部结构。

案例二：几何随机图 vs Erdős–Rényi 随机图。

模型最初是比较两类随机图的整体差异。求解过程中，Agent 发现三角形等局部结构可能比全局差异更关键。

问题被改写为：加入少量随机三角形后，能否用 Erdős–Rényi 图近似几何随机图？

这一步把问题从”比较两种图的整体差异”压缩成了”少量局部结构是否足以解释差异”——更具体、更可验证。

这两个案例揭示了一个被论文数字掩盖的真相：AI 出题的价值不只在于”提出新问题”，更在于”在求解过程里把模糊的直觉压成精确的分析”。

两条边界——AI 还可以，但还不可以

After42 的研究同时给出了 AI 提出好问题的能力上下限。

上限：模型生成的候选问题方向和专家共识具有一定一致性。

在让四个模型和九名专家分别对一批问题进行排序时，模型选出的名单和专家的整体共识是部分吻合的。

下限：模型很难选出只受到个别专家重视的问题。

即使提供某位研究者的背景信息，模型的排序也只能有限地接近个人偏好。

翻译成人话：AI 能找到”大部分人都觉得还不错”的问题，但它找不到”只有张三觉得超级重要”的问题。

陶哲轩能看出某个问题有潜力，是因为他有几十年的数学直觉，知道哪些”冷门方向”会在五年后爆炸。AI 没有这种”未来眼光”——它只能根据现有文献和专家共识来判断。

这意味着：如果所有人都认为某个方向不重要，AI 也会认为不重要——哪怕它是下一个大东西。

我的判断

第一，3% → 33% 的提升证明了方向是对的，但最关键的 67% 还没过去。

AI 在迭代求解中改进问题的能力是真实存在的。但如果一个问题在迭代后仍然被认为不值得研究（67%），说明不是”打磨不够”的问题，是”方向从一开始就偏了”。

判断方向的偏与不偏，目前还是人的活。

第二，”提出好问题”这件事，比”解出好问题”更难被 AI 规模化。

为什么？因为判断一个”好答案”是容易的——Lean 编译通过就是通过，实验可复现就是可复现。

判断一个”好问题”没有这样的验证函数。专家的评级是软性的、依赖背景的、有时是错误的不当回事的。

没有 ground truth 的任务，AI 规模化起来就慢。

第三，After42 真正的价值不在那 45 个通过专家评估的问题，在于它把”提出问题”从一个不可言说的天才直觉，拆成了可复现的系统化流程。

天才数学家能提出”黎曼猜想”——那不是流程能产出的事。

但一个研究生在写论文时不知道该做什么、一个研究组在规划下一年方向时不知道该往哪走——这些场景里，After42 的流程能提供初始候选方向、暴露求解过程中的卡点、给出下一个可验证的落脚点。

它不能替代那个在洗澡时灵光一闪的时刻。但它可以替你把”我不知道该研究什么”变成”这里有二十个候选方向，你要不要看看”。

这已经足够有价值了。

—

*项目：After42 — Stanford Percy Liang 团队* *论文：https://after42.org/research/can-ai-propose-interesting-research-questions/* *数据：29 位专家 / 135 个最终问题 / 5 个子领域* *初始认可率 3% → 迭代后 33%（45 个问题获认可）* *最高：随机结构相变 47%，最低：等离子体物理 0%* *背景：OpenAI 722 篇手稿催生的”问题枯竭”焦虑，陶哲轩原话引用* *来源：学术头条 / 36氪*