數學的開放研究問題和奧林匹亞競賽題有個關鍵差異：前者沒有答案 key，也沒有人保證某條路走得通。Meta 在 2026 年 10 月 2 日發表了六篇與數學家合作的論文，其中五篇回答了過去一直沒有解答的研究問題，而這些工作用的是一般人也能接觸到的 meta.ai 聊天介面，加上 Muse Spark 1.1 和 1.2 的 Thinking Mode，沒有搭建任何客製化的研究工具。細節都寫在 Meta 的公告裡（Solving Open Research Problems Together）。
為什麼這批論文值得 builder 看
如果你在打造 AI 產品，這批論文真正值得注意的，不是「AI 解了數學難題」這個標題，而是整個協作是怎麼被組織起來的。Meta 在公告中列出了四條原則：一組數學家主導研究方向並和模型一起探索想法；第二組數學家獨立審查成果；每篇論文明確標示哪些段落主要由研究者撰寫、哪些由 AI 撰寫；每篇論文都註明它建立在前人的哪些研究之上。
這四條原則幾乎可以直接搬到任何需要 AI 參與、又需要可信度的知識型工作上。第一條是「人設定問題邊界」，模型在邊界內迭代；第二條是把驗證交給沒有參與生成的人；第三條是貢獻標註；第四條是引用透明。工程世界有類似的思路——先鎖住測試案例，再允許 prompt 或模型變動，我在改 prompt 或換模型之後，你的 agent 需要一套鎖住的測試案例裡寫過類似的分工邏輯：先定義「什麼算對」，再讓 AI 動手。
六篇論文各自的形態
六篇論文的協作方式其實不盡相同，這點對設計 AI 工作流的人特別有參考價值：
- 機率論（Gaussian ellipsoid fitting）：Muse Spark 協助發展和修改證明策略，由 Aykut Arslan 指導，另外四位數學家覆核。
- 偏微分方程（wave collapse）：模型幫忙做計算、測試論證、修訂證明，問題選擇和關鍵證明構想由 Leonard Dinh 決定。
- 群論：模型生成了 GAP 數學軟體的搜尋程式，找到一個 384 階的反例，推翻 Kida 在 2024 年提出的猜想。這是典型的「AI 寫工具、人驗證結果」。
- 優化：模型用機率重新框定問題、找出反例、發展證明策略，Arslan 和 Kien Trung Le 負責補洞。
- 算術物理：模型協助連接數論與 p-adic string theory 兩個領域，甚至起草了三個核心技術章節，再由研究者檢查修正。
- 非結合代數：模型根據研究者的 prompt 生成反例，Barei 之後檢查、精煉並重寫。
值得注意的是，其中兩篇（群論和非結合代數）是反例驅動的。找反例是一種可以被程式化搜尋的任務，模型在這類工作上顯然特別有效——這對你決定「該把哪段工作流交給 AI」是個有用的訊號。
同時段有人在解同一批問題
還有一個容易被忽略的細節：Meta 完成工作後發現，其他獨立團隊也宣布了部分相同問題的解法。例如群論那篇，一個名為 Nilradical 的 AI agent 在 2026 年 9 月 16 日報告了同一猜想的不同反例；機率論那篇則提到了三組在 2026 年 8 月獨立發表的相關工作。多篇論文都明確承認了這些平行貢獻。
對 builder 來說，這說明「AI 輔助研究」已經不是單一實驗室的優勢，而是一種正在擴散的工作方式。你的差異化不會來自「有沒有用 AI」，而是來自問題選擇、驗證流程和社群信任。
保留一點距離
這些結果全部來自 Meta 自己的公告，數學社群對這些論文的後續評價，供應的素材裡並沒有涵蓋。另外，Meta 也坦承這次的重點不是量產論文，而是幫研究產出「別人能理解、能繼續做下去」的洞見。如果你想評估自己產品的 AI 協作流程，最實際的下一步，也許就是照抄那四條原則，看看你的團隊有沒有辦法對每個交付物回答同樣四個問題。