AI的"数学直觉"从何而来？
2026年，AI在数学竞赛中的表现令人咋舌。在IMO（国际数学奥林匹克）级别的题目上，AI模型已经可以拿到银牌水平。但AI是怎么"想"出这些解法的？它的"数学直觉"从何而来？
一个常见的误解是：AI在"理解"数学，然后"推导"出答案。但真实情况是：AI在"模式匹配"海量数学文本，然后"生成"最可能的答案。 AI的"数学直觉"，本质上是"统计直觉"——它为这道题找到了训练数据中"最相似的题目"，然后生成了"最相似的解法"。
解剖AI的数学推理过程
我们设计了一个实验来解剖AI的数学推理过程。我们给AI一道"看似简单但实际有陷阱"的数学题，然后要求AI"逐步展示思考过程"。
题目：一个袋子里有3个红球和2个蓝球，从中随机抽取2个球（不放回），求第二个球是红球的概率。
AI的推理过程：
- 第一步：计算总共可能的抽取方式——P(5,2) = 20种
- 第二步：计算第二个球是红球的情况——需要分类讨论
- 第三步：第一个球是红球（概率3/5），第二个球是红球（概率2/4）——概率为3/5 × 2/4 = 6/20
- 第四步：第一个球是蓝球（概率2/5），第二个球是红球（概率3/4）——概率为2/5 × 3/4 = 6/20
- 第五步：总概率 = 6/20 + 6/20 = 12/20 = 3/5
AI给出了正确答案：3/5。但有趣的是，AI的推理过程中包含了"排列"（P(5,2)）和"分类讨论"等复杂方法。而一个聪明的数学家会直接说：“第二个球是红球的概率，等于第一个球是红球的概率，因为对称性，所以答案是3/5。”
AI选择了"复杂的正确方法"，而不是"简洁的优雅方法"。这说明AI的推理不是"理解"驱动的，而是"模式匹配"驱动的——AI找到了训练数据中类似题目的解法，然后"复制"了那个解法，即使那个解法并不是最优的。
AI数学推理的"烙印效应"
我们进一步发现，AI的数学推理存在"烙印效应"——AI会倾向于使用训练数据中"最常见"的解法，而不是"最优"的解法。
实验：我们准备了100道代数题，每道题都至少有3种不同的解法（解法A：标准解法，解法B：巧妙解法，解法C：暴力计算）。我们让AI（GPT-5、Claude 4.5）分别解答这些题，记录AI选择的解法。
结果：
- AI选择"标准解法A"的比例：约70%
- AI选择"巧妙解法B"的比例：约15%
- AI选择"暴力计算C"的比例：约15%
AI明显偏好"标准解法"——因为训练数据中，“标准解法"出现的频率最高。AI的"数学直觉"不是"这个解法最聪明”，而是"这个解法最常见"。
AI数学推理的"天花板"
天花板一：AI无法"压缩"推理。 人类数学家可以"压缩"推理——看到问题的本质，跳过中间步骤，直达结论。AI的推理是"展开"的——每一步都需要显式地生成。这种"展开式推理"在处理复杂问题时，会导致"上下文窗口溢出"。
天花板二：AI无法"转换视角"。 人类数学家可以"转换视角"——从代数角度、几何角度、拓扑角度等多个视角看同一个问题。AI的视角是固定的——它只能从训练数据中"最常见的视角"看问题。
天花板三：AI无法"判断简洁性"。 人类数学家追求"简洁美"——一个简洁的证明被认为是"更美"的。AI没有"审美"——它无法判断哪个证明更"简洁"或"更美"，它只能按照"概率"选择。
结语
AI的"数学直觉"是一种"统计直觉"——它从海量数学文本中学习到了"什么解法在什么情况下最常用"，然后将这种"统计规律"应用于新的题目。这不是"理解数学"，而是"复现模式"。
金句：AI的数学推理，本质上是一台"超级模式匹配机"。它不是"理解"了数学，而是"记住"了数学。这两者之间的差距，就是AI和人类数学家之间的差距。