认知智能全国重点实验室发布新一代AI4Math智能体MathCopilot

9月3日,GPT-6 Astra 的发布再次刷新了AI数学能力的上限。10月6日,OpenAI一次性发布了722份AI生成的数学证明手稿,覆盖372组数学猜想结果。随着AI在定理证明、形式化数学和猜想辅助生成等方面不断取得进展,“AI能否参与数学研究”已不再是核心问题。当前我们值得追问的是:当AI在形式化证明与证明辅助方面能力持续增强时,数学研究的目标和组织方式应如何调整?
9月12日,陶哲轩、Peter Scholze 等 25 位菲尔兹奖得主联合发表声明 《A Severe Misalignment of AI in Mathematics》,指出当前AI与数学研究之间正在出现一种“错位”:数学的目标从来不只是得到一个True / False 的答案,更重要的是理解问题、形成洞见,并让新的数学思想能够被交流、检验和继承。换句话说,数学研究不应该只是一次答案生成,而是一个持续提出问题、分析问题、修正错误、验证结论、积累知识和传播知识的过程。新的问题是AI如何正确或恰当的进入数学家的研究过程。
基于这一认识,认知智能全国重点实验室跨学科研究团队研发的新一代 AI4Math 智能体 MathCopilot 正式上线。团队希望探索的是如何让 AI 成为数学研究中的紧密协作者:不仅参与知识检索、路线探索、实验验证、证明构造与错误修复,同时把研究过程中的知识和成果持续沉淀下来。MathCopilot把数学家、AI 智能体与 Lean 组织进同一条持续、透明、可干预的研究流程中,不仅仅以“自动生成答案或证明”当作终点。
在线体验:https://mathcopilot.cn/
说明文档:https://mathcopilot.cn/help
让AI协作参与数学探索的过程
今天的大模型可以给出令人惊艳的证明手稿,但真正的数学研究从来不是“输入一道题,输出一份证明”。一个猜想往往要经历几十次甚至更多轮修改:换一条路线、补一个引理、调整一个假设、推翻某个中间结论,再从失败中继续往前走。MathCopilot 关注的正是这一点。
它是研究如何让数学家与 AI 协同推进一个尚未完成的问题。在数学科研中,数学家需要不断做几类判断:问题应该如何表述,哪些定义和假设是必要的,哪些证明路线值得继续,以及一个已经得到的结果能否在之后的工作中被复用。
MathCopilot 将这些关键判断和对研究过程的控制权保留给数学家,同时把证明拆解、资料检索、代码生成、错误修复和研究记录组织到同一个持续项目中。数学家不仅可以查看结果,还可以随时改写某一步推理、补充或删除假设、调整证明结构、暂停当前路线,甚至推翻已有方案重新开始;AI 则围绕这些修改继续展开和尝试。
MathCopilot四项核心能力
围绕这一协作过程,MathCopilot 提供四项核心能力,支持数学家根据研究需要组织任务,并在推进过程中持续查看进展、调整路线。

能力一:把数学问题展开为清晰的研究路线——交互式路线探索
面对一个数学研究问题或尚未成形的想法,MathCopilot 可以帮助数学家梳理条件与目标、分析关键困难,并探索和比较可能的研究路线。系统可以将相关研究过程整理为直观的蓝图(Blueprint),呈现关键步骤及其联系。
数学家既能把握整体路线,也能围绕某个环节与 AI 智能体讨论,调整假设、补充引理或选择新的路线;AI 智能体则围绕这些修改继续展开和尝试,让研究路线清晰、便于交流,并能随着探索不断调整。
能力二:帮助数学家构造证明并修复错误——步骤级推理与 Lean 验证
对于研究路线中需要证明的结论,证明构造的严谨性尤为重要。大模型能够提出证明路线、展开推理,但也可能遗漏关键步骤,或给出看似合理却存在错误的推理。
MathCopilot 将 AI 智能体的资料搜索能力与 Lean 证明内核结合,对形式化后的证明进行严格的步骤级验证,帮助数学家发现证明缺口、检查推理的正确性,为相关结论提供可靠的形式验证依据。
Lean 的验证反馈还可以推动 AI 智能体补全证明、修复错误。数学家能够查看各步骤的验证状态,并对问题表述、假设和证明结构作出判断。遇到困难时,可以修改局部推理、补充或替换引理,也可以调整当前路线,再由 AI 智能体继续构造证明,使错误修复与路线探索相互促进。
能力三:把研究积累转化为可复用的知识——知识检索与知识库构建
路线探索与证明构造离不开已有知识,研究中形成的新成果也需要持续沉淀。MathCopilot 可以围绕研究主题检索相关文献,从论文、讲义和教材中整理定义、定理与数学方法,帮助数学家建立不同主题的知识库。研究中形成的新定义、引理和相关成果也可以持续收录,让文献知识与自身的研究成果相互连接,为后续工作提供材料。
数学家可以检索已有结论、查看来源,并将相关知识用于新的问题;AI 智能体也能借助知识库辅助后续推理,减少反复查找和整理材料的工作。知识库区分待完善的内容与已通过形式验证的结果,让数学家清楚哪些结论已有验证依据、哪些仍需补全证明,使研究中沉淀的知识和成果能够在之后的工作中被复用。

能力四:将数学方法转化为可运行的算例——算例设计、分析与报告
在路线探索和理论分析的过程中,实验验证可以帮助数学家从具体算例中观察现象、检验方法。MathCopilot 可以围绕研究目标辅助设计算例,将相关方法转化为计算代码并开展计算实验,帮助数学家观察不同条件下的结果、比较方法表现,为进一步分析提供依据。
系统还可以整理实验结果,生成分析表格、可视化图像和报告,帮助数学家更直观地理解算例表现、总结实验发现。这些发现可以进一步用于调整研究路线、提出新的问题,也便于数学家讨论方法的适用条件和完善成果表达,让实验验证与理论分析相互启发。
这些能力可以根据研究需要灵活配合。数学家可以从文献或算例中获得新的启发,也可以在证明构造遇到困难时重新比较路线,在同一持续项目中不断展开尝试,并将相关知识、成果与研究记录沉淀下来。
MathCopilot 在真实数学任务中做了什么?
真正进入数学研究任务,需要面对更长的证明任务、更复杂的领域对象,以及跨越数章节不断增长的依赖关系。MathCopilot 针对数学证明的真实场景做了一些实验工作:
案例一:PDE数值方法研究中的分析证明——从研究命题到完整Lean工程
Mathcopilot 已在偏微分方程数值方法理论分析研究方面取得了一些创新成果;如:针对二维区域上的P_k空间,构造了一种特殊的投影算子;借助该算子,在具有周期性重复结构的非均匀网格上,严格证明间断Galerkin(DG)有限元方法的最优误差估计;同时,给出了其超收敛点和超收敛的阶。
在本项工作中,为了实现最终定理的严格证明,系统需要逐步建立 DG 方法、有限元空间、投影算子、Sobolev 分析等代码框架,以及它们与 Mathlib 基础分析库之间的接口,在此基础之上才能构建误差估计、超收敛性质分析等完整的证明链。
这项研究的原始描述只有4页,但为了把其中的研究级数学知识完整构建,并转换成Lean语言,最终系统形成了16个Lean文件,使用了近11,000行形式化代码。该过程构建了一整层可复用的数学表示与领域接口,这些基础一旦建立,又可以继续服务后续的研究任务。
案例二:教材形式化——把数学知识沉淀成可复用的Lean知识库
除了单个定理和研究问题,MathCopilot 还在尝试处理另一类更长程的任务:把一本完整数学教材逐步转化为可验证、可复用的 Lean 知识库。团队以《遍历理论及其应用》为对象,对教材中的定义、定理、命题、推论、例子和注记等不同数学内容进行来源提取、Lean 翻译、语义审计和形式化证明。
这里的关键并不是简单“把公式翻译成 Lean”,而是确保形式化后的命题仍然忠实于原书,再逐步补全证明,并将验证后的结果沉淀为后续章节可以继续调用的知识。整个流程强调“先保证来源忠实,再冻结命题,最后完成证明和依赖检查”。目前,项目已整理并翻译 610 个教材命题,累计形成5,626个声明、376个完整Lean文件和132,288 行有效证明代码;其中大量的代码并不是教材中直接出现的定理,而是为了证明这些定理而引入的子定理和引理。
持续更新成果,逐步开放共享
如果你是数学研究者,可以用它梳理和重构证明路线、直接修改局部论证、替换假设或引理、验证形式化结果,并把重复的技术修复交给智能体。如果你正在学习 Lean,可以在蓝图与代码之间来回查看:一个数学步骤为什么需要这些定义,它依赖哪些引理,错误又如何被逐步消除。
如果你关注 AI for Math,可以把它视为一个可观察的人机协作实验场:在真实项目里与AI智能体、知识库和证明内核共同工作。
MathCopilot 希望把 AI 的生成能力、数学家的判断力与形式验证的确定性,放进同一张工作台。现在,你就可以带着你的数学问题来试一试。
立即体验:https://mathcopilot.cn/
说明文档:https://mathcopilot.cn/help
论文: MathCoPilot: An Interactive Theorem Proving and Knowledge Base System for Mathematical Research
链接:https://arxiv.org/pdf/2607.14582
认知智能全国重点实验室AI for Math团队介绍: 认知智能全国重点实验室AI for Math方向由领军科学家叶向东院士带领,成员来自计算机科学与技术学院、人工智能与数据科学学院、数学科学学院等。其中,计算机与人工智能团队聚焦人工智能与数学的交叉研究,重点探索大模型认知推理、强化学习、智能体以及AI4Math等方向。研究成果在TPAMI、TKDE、ICML、NeurIPS、ICLR、KDD等国际顶尖学术期刊和会议上发表多篇论文,获得多个国际会议的最佳/优秀论文奖。团队成员获得ICML 2024 Challenges on Automated Math Reasoning冠军等AI数学推理方向等多个竞赛冠军;数学动力系统团队长期深耕拓扑动力系统与遍历理论研究,聚焦系统结构、熵与混沌、多重遍历、动力系统与数论交叉等核心方向,在幂零因子与饱和定理、多重遍历定理与多重回复性、Sarnak猜想、遍历优化等问题上取得了一系列标志性成果。代表性成果发表于 Invent. Math.、JEMS、CPAM、MAMS 、Adv. Math.等国际重要数学期刊。核心成员获国家自然科学奖二等奖,第十四届、第十八届陈省身数学奖及安徽省科学技术一等奖等重要奖励;数学科学计算团队长期聚焦算法设计、理论分析,及其交叉应用。近年来,重点开展微分方程的高精度、高保真、高效数值方法的分析研究,尤其是与机器学习、大模型等新兴技术的交叉融合,在科学计算领域的国际高水平期刊SIAM J. Sci. Comput.、 SIAM J. Numer. Anal.、 Math. Comp.、J. Comput. Phys.等学术论文多篇,并应用于核聚变、医疗、交通流等领域。