Meta Muse Spark 數學論文：六篇研究，誰完成了證明？（2026）

2026 年 10 月 2 日，Meta AI Research 在官網發布〈Solving Open Research Problems Together〉，展示數學家與 Muse Spark 合作完成的六篇研究論文。這批 Muse Spark 數學論文 最值得追問的，並不是模型「會不會做數學」，而是它在哪些環節提供了幫助、最後由誰承擔證明責任，以及已有其他團隊先提出哪些答案。

先看原文的六項成果，再核對論文與同期研究，最後判斷這件事對 AI 輔助研究意味著什麼。

Muse Spark 數學論文：六篇成果怎麼來的？

Today, we’re sharing six such papers from that collaboration. Five present answers to previously open research questions.

中文：Meta 說，這次公開六篇合作論文，其中五篇回答此前尚未解決的研究問題。

Meta AI Research，〈Solving Open Research Problems Together〉

原文說，研究團隊使用 Muse Spark 1.1 與 1.2 的 Thinking Mode，在一般 meta.ai 聊天介面中探索，不使用特製研究框架。數學家主導選題與論證，另一組數學家檢查成果；論文以邊註標示人類主寫和 AI 輔助段落。這是人類研究者與模型合作的作品，不能改寫成模型獨力產出六個證明。

領域	論文的具體成果	模型扮演的角色
機率	給出高斯點橢球精確擬合的臨界門檻；門檻正上方與正下方有定論，恰在門檻上的情形未涵蓋。	探索證明策略、修訂論證。
偏微分方程	在徑向、負能量等條件下，證明一類波動解會在有限時間內崩潰。	協助計算和檢驗候選論證。
群論	以 384 階群反駁「半阿貝爾群必為單項群」的猜想。	產生 GAP 搜尋程式尋找反例。
最佳化	刻畫一類三邊循環鬆弛何時精確：三個兩兩交集區都各只有一個元素。	提出機率化視角、反例與證明方向。
算術物理	把曲線上的高度函數與弦論雙點函數接起來。	提出候選證明並草擬技術段落。
演化代數	用三維反例推翻原猜想，並提出以子空間為核心的替代條件。	提出反例及候選刻畫。

這六篇的「解題」性質並不相同：有門檻定理、有限時間爆破解析、兩個反例、鬆弛條件，也有跨領域等式的建立。原文的「五篇回答此前開放問題」是 Meta 對這批工作的分類，不能把每篇都簡化成同一種競賽式通關。

三幅圖說明：模型提供線索，證明仍要收斂到可檢查的命題

橢球擬合：臨界值不是「AI 準確率」

在高維空間放入隨機高斯點，問題是能否找到一個橢球精確穿過每個點。Meta 論文摘要把門檻寫為點數約等於維度平方的四分之一：低於門檻時，高機率存在精確擬合；高於門檻時，高機率不存在。這是特定數學模型中的漸近定理，不是 Muse Spark 解題成功率。

波動崩潰：結論只在論文條件內成立

第二篇論文處理的是質量臨界雙諧非線性薛丁格方程。論文摘要明定徑向、負能量、至少二維等條件；圖示中的波峰變高只是幫讀者想像「有限時間爆破」，並非普遍物理系統都會如此。

群論：程式找到候選者，數學家核對性質

在群論論文中，Muse Spark 寫出 GAP 搜尋程式，團隊找到 SmallGroup(384, 20127)。論文摘要列出 384 階反例；完整 PDF 還提供搜尋及檢查輸出。程式可以縮小搜尋範圍，但「找到一個群」與「證明它具備所需性質」是兩個不同步驟。

先後順序要對帳：至少三個問題已有獨立進展

最關鍵的對照來自高斯橢球問題。Misiakiewicz 與 Wen 的預印本於 2026 年 8 月 10 日公開，摘要明確宣稱證明同一個銳利門檻。另有 8 月 12 日的團隊工作，以及 8 月 27 日更廣泛的普適性結果。Meta 論文本身逐一列明這些同期成果。因此「Meta 團隊也得到一份不同路徑的證明」成立；「Meta 首先解決這題」則不成立。

群論一題，Meta 論文記錄 AI agent Nilradical 在 9 月 16 日提出另一個反例。演化代數一題，Hu 與 Wen 的預印本也提出反例。獨立撞題既不抹去 Meta 論文中不同方法或附加定理的價值，也提醒我們區分「對問題有貢獻」與「第一次回答問題」。

這批研究真正顯示了什麼？

我同意：把模型放進專家研究流程，確實能擴大可嘗試的思路。這六篇提供比數學競賽分數更具體的案例：生成搜尋程式、構造反例、探索證明、連結兩個領域。論文公開 AI 使用聲明和人類／AI 段落標記，也讓外界有材料追查責任鏈。這與 AI 參與改進研發流程的討論一樣，關鍵都在可追溯的人機分工。

我存疑：六篇完成的成果，無法推出模型面對任意未解問題的成功率。選題、研究者投入、修正次數與驗證成本都影響結果；只看成品，不能算出平均每題需要多少嘗試，更不能把人類複核的工作算成模型單獨能力。另一篇模型評測分析也提醒我們，單一漂亮分數背後需要看樣本與比較條件。論文與預印本提供可檢查的主張，但本文沒有對全部數學證明進行獨立形式化驗證。

更值得觀察的是下一輪研究能否同時公開問題提出時間、模型版本、失敗路徑、修正紀錄與獨立審查結果。若這些資訊越來越完整，我們才能把「有幫助的研究搭檔」與「穩定可靠的解題系統」分得更清楚。對正在用 AI 做研究的人，先把模型當成候選想法與程式的產生器，再讓領域專家檢查每個關鍵推論，並主動搜尋是否已有同期成果。