攻克千禧年难题之后：斯坦福推出After42，让AI学会提出“值得研究”的问题

在道格拉斯·亚当斯的科幻作品《银河系漫游指南》里，超级计算机“深思”耗时750万年，最终计算出“生命、宇宙以及一切”的终极答案是42。这体现了人类对机器解决问题能力的一种诗意想象。

近期，前沿人工智能开始在部分定义清晰、长期悬而未决的开放式问题上取得进展。数学领域有研究宣称解决了纳维尔斯托克斯千禧年难题和准黎曼猜想；计算机科学领域，有成果反驳了指数时间假设；物理学领域，则出现了量子色动力学存在性的证明，并在宇宙弦引力辐射方面有了新发现。

这些突破引发了学术界的忧虑。如同陶哲轩所指出的那样，一些“高质量且具有丰富研究潜力的开放问题”正以一种“不可持续的方式被消耗”。随着人工智能加速解决已有问题，如何识别新的研究课题、判断哪些方向值得投入，变得尤为关键。毕竟，可提出的问题数量庞大，但真正值得深入探究的却少得多。

那么，人工智能能否更进一步，参与发现新问题，甚至提出人类专家认为有研究价值的新方向？

在这项研究中，斯坦福大学Percy Liang教授团队与合作者推出了After42，旨在让人工智能提出被人类专家认可为值得研究的问题。

他们并未要求模型一次性生成所谓“值得研究”的问题，而是让模型从研究者提供的较为宽泛的目标出发，阅读相关文献，生成大量候选问题，再通过检索、尝试求解、批评和修改，逐步筛选出更成熟的研究方向。

论文链接：https://after42.org/research/can-ai-propose-interesting-research-questions/

After42的核心理念是，好的研究问题往往需要在探索过程中逐步成形。研究者在证明、计算或实验过程中，可能会发现最初的问题不够精确，甚至意识到真正值得研究的现象存在于其他方向。因此，After42将尝试求解纳入问题生成流程，让模型在探索问题的过程中持续检验和调整初始设想。

具体操作上，系统首先构建研究资料包，包含文献综述、相关论文、现有成果和开放问题。在此基础上，多个智能体协同提出候选问题，系统随后检查这些问题是否与已有研究重复、是否已被解决，以及是否存在难以修正的表述缺陷。

通过初步筛选的问题将进入多轮迭代。求解智能体尝试寻找证明思路、构造反例或发现可计算的结构，其他智能体则根据求解过程中获得的反馈修改问题。模型评审器负责初步比较修改前后的版本，另一个检查智能体则进一步核实问题是否已有答案、定义是否清晰，以及相关判断是否缺乏依据。

图｜After42的工作流

在构建模型前，大多数提案通过了新颖性和难度检查，但专家认为仅有3%的提案是值得研究的。

图｜构建模型前的提案专家评价

在数学、统计学、理论计算机科学和物理学五个子领域中，29名专家对系统生成的135个最终问题进行了评估。其中，45个问题被认为有趣且值得继续研究，占比约33%，相比初始提案阶段的3%有了显著提升。

不过，不同领域的评估结果存在明显差异。随机结构相变方向有33个问题获认可，占比47%；在线算法方向有4个问题获认可，占12个问题的33%；黑洞振铃方向有3个问题获认可，占8个问题的38%；统计学方向有5个问题获认可，占35个问题的14%。等离子体物理方向则没有获得专家认可的问题。

在随机结构相变方向，研究团队还对比了初始提案与经过多轮开发后的最终问题。结果显示，初始提案中仅约3%获得专家认可，经过迭代开发后，这一比例提升至约33%。

图｜各子领域专家评估表现

然而，大多数问题都建立在已有研究之上。研究团队将简单组合定义为直接基于现有工作提出问题，例如重新组合或修改既有研究中的元素，或在已知对象上向前推进一步。在数学领域，70个最终问题中有61个属于此类。当然，组合已有成果也能产生有价值的问题，其中一些现有研究的延伸还获得了专家认可。

图｜数学领域，AI提出的最终问题仍然高度依赖已有研究

研究团队还发现，模型的作用并不仅仅是润色文字。某个问题最初研究近似最优路径的配分函数，模型在尝试求解后发现，关键结构可能来自最优路径附近的一组低成本绕行。问题随后被改写为，研究这些局部结构是否构成泊松过程，以及所有近似最优路径是否能够由它们组合而成。这意味着，模型并未停留在原问题的表面形式，而是通过求解过程定位了可能真正控制系统行为的局部结构。

在另一个案例中，模型最初试图从大型连通分量中寻找几何随机图与Erdős–Rényi随机图之间的差异。进一步分析后，系统发现三角形等局部结构可能更关键，于是将问题改写为，加入少量随机三角形后能否用Erdős–Rényi图近似几何随机图。这一步将问题从“比较两类图的整体差异”收缩为“少量局部结构是否足以解释差异”，研究对象因此更具体，也更容易验证。

图｜几何随机图与Erdős–Rényi随机图的比较示意

研究人员还测试了人工智能能否判断哪些问题最值得关注。四个模型与九名专家分别对一批问题进行排序。模型选出的名单与专家共识具有一定一致性，但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。这表明，人工智能可以帮助研究人员扩大搜索范围、筛选候选方向，并在尝试求解的过程中暴露问题的薄弱之处。但它还不能替代研究者对问题价值的判断。

当然，这项研究仍存在一些局限性。首先，After42展示的能力反映了截至2026年9月的模型水平，随着模型迭代，相关结果可能很快发生变化。其次，目前缺乏可靠的自动化工具来评估研究问题是否值得研究，因此研究主要依赖有限数量的专家进行判断，评估范围也相对有限。

此外，专家认为一个问题有趣且值得研究，只能作为判断其潜在价值的早期参考，尚不足以证明它最终能够产生重要成果。过度依赖现有专家的判断和研究共识，也可能使一些尚未受到广泛关注的重要方向被忽略。

在研究方法上，After42目前主要依赖已有文献和研究人员设定的目标，尚未将新的数据、模拟或实验结果纳入问题开发流程，现阶段的试点也仅覆盖理论研究领域。未来，研究团队还需要引入更多经验证据，并将这一方法拓展至实验科学，以进一步检验其适用范围和实际价值。

目前，研究团队已将After42中经过专家评估的问题公开发布，并将持续维护这一开放资源，供科研社区讨论、完善和深入探索这些问题，从而推动人工智能逐步融入科研实践。

本文来自微信公众号“学术头条”（ID：SciTouTiao），作者：学术头条，36氪经授权发布。