在数学家和理论物理学家中，人工智能引发了各种反应。有些人认为它与他们的工作无关；另一些人则担心它可能会侵犯他们领域中最具创造性、智力回报最高的方面。然而，真相正在浮出水面，我们在伦敦数学科学研究所及其他地方所做的工作表明，情况更为微妙。人工智能并不是取代数学科学中的人类创造力，而是在增强它。软件现在能够逐行检查证明，并发现曾需要数月人工审查才能找到的错误。它可以系统性地搜索反例——测试一个猜想是否真的成立或以意想不到的方式失败。它还可以在一个论证中提出中间步骤，建议有用的辅助结果，帮助弥合已知与尚需证明之间的差距。人工智能攻克80年前的数学挑战——研究人员震惊。在实验领域，原型“人工智能科学家”开始自动化发现周期的部分环节，但它们仍然受到物理世界要求的限制：混合试剂、培养细胞、等待反应以及处理数据中的噪声。数学和理论物理面临的瓶颈要少得多。“实验”便宜、快速且数字化，数学数据——从质数到抽象结构（如流形）的属性——干净且丰富。致力于数学推理的人工智能系统开发公司在过去一年中报告了稳定的进展。位于加利福尼亚州帕洛阿尔托的软件公司Harmonic的系统Aristotle帮助解决了几道由丰产数学家保罗·厄尔德什提出的问题——这些问题虽然易于表述，但著名地难以解决。位于同样在帕洛阿尔托的一家初创公司Axiom Math宣布，它的人工智能工具找到了许多专业数学家尚未解决的研究级问题的解。同时，美国加利福尼亚州旧金山的科技公司OpenAI和位于伦敦的Google DeepMind的模型已解决了“第一次证明项目”中的几个挑战，这是一组困难的数学问题，用以测试人工智能系统是否能生成新的可验证结果。在这里，我们举出了过去几年在这一快速发展的领域中取得进展的例子，概述了人工智能为理论领域的科学家和数学家提供的机会——并邀请研究人员通过使用人工智能来参与他们的工作。研究流程在理论物理和数学中，研究人员将创造性的洞察和严谨的逻辑推理交织在一起以进行发现——但这一过程仅部分得以理解，且尚无单一解释来说明突破是如何发生的。为清晰起见——在不提出明确模型的情况下——我们将这一过程分成几个重叠的阶段：设定议程、形式化思想、提出猜想以及解决和验证结果。这个框架并不完美，但提供了一种有用的方法来评估人工智能在哪里已经做出贡献、面临何种挑战以及如何解决这些挑战。设定议程。在研究中，决定哪些问题值得提问是最具人性化的行为之一。这些问题可能源于外部领域——通过现实问题或与邻近学科的接触——也可能源于内部，因为理论根据其自身的内在逻辑和审美标准发展。这些来源相互交织：具体问题可以产生新概念，而抽象理论可以重塑和深化原始问题。今天的人工智能系统对这一更广泛的背景的访问有限。因此，它们缺乏直觉和“品味”：对问题的来源、何时切合时宜以及如何融入学科不断发展的结构的感觉。例如，物理学家阿尔伯特·爱因斯坦在注意到经典力学与麦克斯韦方程（描述电与磁相互作用的方程）在处理光波时的矛盾之后，发展了他的特殊相对论。一条有希望但尚未充分探索的方向是建立能够使用研究人员选择的标准来帮助排序和优先考虑潜在问题的人工智能系统。例如，人工智能可以在扫描大型数学数据库（如在线整数序列百科全书）或预印本存储库（包括arXiv）时遵循这些标准，以识别被忽视的联系和各领域之间的结构性相似之处。以这种方式使用，人工智能可能会加深我们对科学家如何识别发现的丰饶方向的理解。 formalizing ideas. 许多重要思想在能够被精确定义之前就已经形成。一例经典例子是由理论物理学家理查德·费曼提出的路径积分，它通过想象所有可能发生的方式来描述量子系统，并将其结合在一起。