开场：一个老师的"AI 出题事故"
2025 年 12 月，北京某重点高中的数学老师张老师用 AI 生成了一套期末模拟试卷。100 道题，AI 只用了 2 分钟。
考试结束后，学生们围住了张老师：“第 37 题的条件是矛盾的，做不出来。““第 58 题的答案好像是错的，我们几个人的答案都不一样，但和 AI 给的答案也不同。”
张老师检查后发现：100 道 AI 生成的题中，有 16 道存在不同程度的错误——3 道条件矛盾（无解）、5 道答案错误、8 道表述不严谨可能导致歧义。
AI 出题速度是人类的 100 倍，但质量是人类的 60%。 这不是张老师一个人的问题——这是 AI 数学教育领域的普遍问题。
实测：5 个 AI 工具的数学出题能力
我测试了 5 个工具，要求每个生成 100 道高中数学题（覆盖代数、几何、概率、数列），然后由 3 位高中数学老师审核。
| 工具 | 生成时间 | 总体正确率 | 条件矛盾 | 答案错误 | 表述歧义 |
|---|---|---|---|---|---|
| GPT-5 | 32 秒 | 84% | 2% | 5% | 9% |
| Claude 4.5 | 28 秒 | 82% | 3% | 6% | 9% |
| Gemini 2.5 | 45 秒 | 78% | 4% | 8% | 10% |
| 某国产教育大模型 | 25 秒 | 67% | 8% | 12% | 13% |
| Wolfram Alpha (题目生成) | 120 秒 | 96% | 0% | 2% | 2% |
关键发现：Wolfram Alpha 的正确率最高，但题目风格单一（全是计算验证型）。GPT-5 和 Claude 4.5 的题目类型更丰富，但错误率也更高。
AI 数学题的错误类型分析
通过审核 500 道 AI 生成的数学题，我们将错误分为以下几类：
类型一：条件矛盾（约 25% 的错误）
经典案例： AI 生成了一道题：“已知等差数列 {a_n} 的前 5 项和为 15，前 10 项和为 45，且 a_1 > 0，d < 0，求 a_20。”
前两个条件（S5=15, S10=45）可以确定 a1=1, d=1。但第三个条件要求 d<0，矛盾。AI 在生成题目时，没有检查条件之间的一致性。
根因： AI 生成题目时，是"一段一段"生成的——先写"等差数列”，再写"前 5 项和”，再写"a_1 > 0, d < 0"。它没有全局验证所有条件是否兼容。
类型二：答案错误（约 30% 的错误）
经典案例： AI 生成了一道概率题：“袋中有 3 红 2 白，不放回取 2 次，求第二个是红球的概率。“AI 给出的答案是 3/5。但实际概率是 3/5（第一个红球时第二个红球的概率是 2/4，第一个白球时第二个红球的概率是 3/4，加权平均=3/5）。这个答案碰巧对了。但 AI 的解题步骤中有一处错误——它混淆了"条件概率"和"无条件概率"的计算方法。
根因： AI 在"解题"时可能犯错，即使题目本身是合理的。AI 生成答案的过程和生成题目的过程是两个独立的推理过程，没有交叉验证。
类型三：表述歧义（约 35% 的错误）
经典案例： AI 生成了：“求函数 f(x) = 1/x 在 x=0 处的极限。” 正确答案是"不存在”（或"无穷大”）。但 “在 x=0 处的极限” 这个表述有歧义——是左极限还是右极限？是双侧极限还是无穷极限？严格的数学表述应该是"求 lim(x→0) 1/x"或"讨论 1/x 在 x=0 处的极限行为"。
根因： AI 的语言模型训练让它倾向于"自然语言"而非"精确的数学语言"。在数学中，自然语言往往是歧义的来源。
类型四：数据不自洽（约 10% 的错误）
经典案例： AI 生成了一道几何题：“三角形 ABC 中，AB=5, BC=7, AC=12。” 但这违反了三角形不等式（5+7=12，不能形成三角形，只能是退化三角形）。
根因： AI 在随机生成数字时，没有检查几何约束。这是"生成"和"验证"分离的典型问题。
为什么 Wolfram Alpha 做得最好？
Wolfram Alpha 的题目生成系统使用了完全不同的架构：它不是 LLM 生成，而是基于符号计算引擎的约束求解器。
它的工作流程是：
- 定义题目模板（如"解方程 ax^2+bx+c=0"）
- 在约束条件下随机生成参数（确保判别式>0，确保解是整数等）
- 用符号计算引擎自动求解，生成答案
- 将题目和答案打包输出
这种方法的优势： 100% 正确（因为答案是由数学引擎计算的，不是"猜"的）。劣势： 题目类型有限，无法生成"应用题"、“证明题”、“开放题"等需要自然语言描述的题型。
实用建议：如何安全地使用 AI 出题
基于 500 道题的实测，我总结了一套"AI 出题安全流程”：
第 1 步：用 AI 生成题目的"骨架"（题型、结构、参数）。 不要让 AI 生成完整题目，而是生成"题目模板"。
第 2 步：用计算引擎（Wolfram Alpha / Python SymPy）自动验证。 把题目中的条件输入计算引擎，检查是否存在矛盾；把 AI 生成的答案与计算引擎的结果对比。
第 3 步：人工抽查 20%。 不需要检查所有题目，但至少要抽查 20%。如果抽查中发现了错误，扩大抽查比例。
第 4 步：在正式使用前，让 2-3 个目标学生试做。 他们的反馈往往能发现 AI 和计算引擎都漏掉的"表述歧义"。
结尾
AI 出题是一把"用得好节省 80% 时间，用不好制造 40% 错误"的双刃剑。2026 年的 AI 已经可以生成"看起来像真题"的数学题，但"看起来像"和"真的是"之间还有一道鸿沟。
Wolfram Alpha 的工作方式给了我们一个启示：AI 出题的正确方向，不是"让 LLM 变得更好"，而是"让 LLM 和符号计算引擎协作"。 LLM 负责创意和多样性，符号计算引擎负责正确性和一致性。两者结合，才是正确的 AI 数学出题方案。
测试数据：2026 年 6 月，5 个工具 × 100 题 = 500 题，3 位数学老师审核。