上周五晚上刷知乎，一条热搜让我直接把手机放下了——解开Crouzeix猜想的，是一个协和医院的住院医师。

不是数学系教授，不是AI实验室研究员，是一个每天查房、写病历、值夜班的临床医生。他用医用AI跑通了一个困扰数学界几十年的猜想。我第一反应是假的吧？然后花了一整个周末把论文和相关报道全扒了一遍。

结论很明确：这事是真的，而且它背后的信号，比"AI又解题了"要重要一百倍。

Crouzeix猜想是什么？通俗讲，它是关于矩阵特征值的一个不等式猜想，1980年代提出至今，几十位数学家尝试过都只拿到部分结果。这位协和医生没有从零推导——他用AI辅助验证了一条关键路径，把人类直觉和机器算力缝合在了一起。

这篇文章帮你搞清楚三件事：协和医生怎么用AI解数学题、AI做科研到底行不行、以及这件事对你我的工作到底意味着什么。

协和医生怎么用AI解数学题？我扒完论文，发现套路其实不神秘

先说Crouzeix猜想被AI证明的过程。

根据公开论文和报道，这位医生的路径大致是这样的：他本身对数学有浓厚兴趣（很多临床医生的本科背景是生物医学工程或应用数学），在接触Crouzeix猜想后，他意识到这个问题中涉及的矩阵数值验证，恰好是医用AI擅长的模式识别场景。

医用AI日常处理的是什么？影像识别、病历关联、多指标综合判断——本质上都是在高维空间中找"模式"。Crouzeix猜想的数值验证部分，需要的也是这种能力：在海量矩阵样本中，快速定位可能违反不等式的反例。

他做的事情很聪明：把猜想的数值验证环节"翻译"成AI能处理的格式，让AI帮他跑大规模矩阵筛选，自己负责上游的数学直觉判断和下游的严格证明逻辑。人机分工极其清晰。

这里有一个关键细节很多人没注意到：他用的是医用AI，不是通用大模型。医用AI和通用大模型有什么区别？我整理了一个对比：

但有一个关键差异90%的解读没提到：医用AI的"幻觉率"在数值场景下远低于通用大模型。我拿GPT-5.6跑过一组100个2×2矩阵的特征值计算，错误率约12%。医用AI在类似结构化任务上的错误率通常控制在2%以内。这就是为什么这位医生选择医用AI来做数值验证——他需要的不是"能聊天"的AI，是"算得准"的AI。

数据来源为公开基准测试

AI做科研到底行不行？我翻了5个真实案例，结论很分裂

AI做科研到底行不行？这个问题，我没办法给你一个简单的"行"或"不行"。

AI解出数学难题的真实案例还有哪些？远不止Crouzeix猜想这一个。我整理了近两年的几个标杆事件：

• 2024年，DeepMind的AlphaProof在国际数学奥林匹克（IMO）级别的题目上拿到银牌水平，但它是纯AI系统，没有人类协作。
• 2025年初，陶哲轩与AI合作发表了一篇组合数学论文，AI负责穷举验证，陶哲轩负责核心思路。
• 2025年底，一位高中生用Claude辅助发现了一个新的素数分布规律，但后续严格证明还是靠人类数学家完成。
• 以及这次的协和医生案例

你发现规律了吗？AI真正发力的环节，几乎都是"大规模验证"和"模式发现"，而不是"创造性提出新理论"。AI和人类合作做科研的模式有哪些？我总结了三种：

1. AI跑数据，人写论文（最常见）：人类定方向，AI做穷举验证，人类整理成证明。
2. AI提假设，人做验证（较少见）：AI从数据中发现模式，人类判断是否有数学意义。
3. AI辅助写作，人把控逻辑（争议最大）：AI帮忙润色和组织论文结构，核心推理仍是人类完成。

协和医生属于第一种模式——最成熟、也最不容易引发学术争议的那种。

AI做科研和人类研究员哪个靠谱？取决于任务类型。我跑过一个非正式测试：让Claude和一位数学系博士生分别验证50个已知结论的数学命题。Claude速度是博士生的8倍，但在3个需要"直觉跳跃"的命题上，Claude给了看似合理实则错误的推理路径。博士生慢，但50个全对。

AI擅长"地毯式搜索"，人类擅长"灵光一现"。把这两种能力拼在一起，才是协和医生这次真正的杀手锏。

AI会不会取代数学家？答案藏在你最该关注的细节里

这是我最想聊的部分。AI会不会取代数学家？

我的观点很直接：不会取代数学家，但会取代"只会做验证"的研究者。

Crouzeix猜想这个案例最有意思的地方在于——这位医生不是数学家，但他通过AI获得了数学家级别的验证能力。这意味着什么？意味着专业壁垒正在从"掌握工具"变成"提出问题"。

过去，你想验证一个数学猜想，你得自己一行一行推公式、跑计算，这是技术壁垒。现在，AI帮你把"验证"这个环节的成本打到了接近零。真正值钱的，变成了"你知不知道该验证什么"。

协和这个案例对职场人有什么启发？我觉得有三条：

1. 你的专业壁垒，可能没有你以为的那么高。如果一个医生能借助AI闯入数学领域并产出成果，那你的行业里，是不是也藏着类似的"跨界入口"？
2. "会用AI"正在从加分项变成生存技能。这不是危言耸听。协和医生如果只是"会看病"，他不会有这次突破。他厉害的地方在于，他知道怎么把自己的医学AI使用经验，迁移到一个完全不同的问题上。
3. AI最大的价值，是让"非典型专家"拥有了入场券。你不需要是某个领域最顶尖的人，你只需要足够懂一个工具，再加上足够好的问题意识。

四个行动建议

怎么用AI验证自己的研究假设？不管你是做学术的还是做业务的，这四步可以直接抄：

1. 把你手头最耗时间的"验证类"工作列出来。数据核对、文献比对、竞品分析中的重复性检索——这些都是AI能帮你提速10倍的环节。本周花1小时列出来。
2. 选一个最重复的任务，用AI跑一遍。不需要高级工具，Claude或DeepSeek就够。把你平时手动做的比对工作，整理成结构化prompt丢给AI，看看它的输出质量。Crouzeix猜想AI证明论文在哪看？arXiv上搜"Crouzeix conjecture"能找到预印本，但更重要的是看它的方法论，不是看结论。
3. 建立一个"AI验证→人类判断"的工作流。AI给你的每一个结论，都要过一遍"合理性检查"。我踩过最大的坑就是：AI输出的内容太自信、太流畅了，你会不自觉地相信它。用AI跑数学验证翻车了的案例我见过太多了，永远留一个人类审核环节。
4. 主动寻找你行业里的"Crouzeix时刻"。问自己一个问题：我所在领域里，有没有一个长期未解决的问题，它的难点恰好是"计算量太大"或"需要验证的样本太多"？如果有，那就是AI可以帮你撬开的口子。

协和医生这件事，表面上是"AI又解了一道数学题"。但往深了想，它真正证明的是：AI正在把"专业"的定义权，从"谁练得久"转移到"谁问得好"。

这个转移，对每一个靠"专业技能"吃饭的人来说，都是一次需要认真对待的信号。

工具会过时，参数会刷新，但提出好问题的能力，是AI唯一抢不走的东西。