[CL]《Accelerating Scientific Research with Gemini: Case Studies and Common Techniques》D P. Woodruff, V Cohen-Addad, L Jain, J Mao... [Google Research] (2026)

AI不再只是处理琐碎任务的工具，它正在跨越门槛，成为能够进行专家级数学发现的科研合伙人。

本文详尽记录了研究者如何通过Gemini Deep Think解决理论计算机科学（TCS）、物理学、经济学等领域的长期悬而未决的难题。这不仅是一份技术报告，更是一份人类与AI协同探索真理的实战手册。

以下是这份报告的核心洞察与启发：

1. 科学发现的新范式：Vibe-Proving
报告提出了一个非正式但极具启发性的术语：Vibe-Proving（氛围证明）。AI很难通过单次指令解决深奥的开放性问题，成功往往源于一种“对话式的迭代”。人类研究者提供高层级的直觉和“脚手架”，AI负责填充技术细节、验证引理。
AI不是在替代人类思考，而是在放大人类直觉的边界。

2. 最严苛的审稿人：识破密码学论文的致命伤
在密码学案例中，AI展现了惊人的对抗性评审能力。它通过多轮自我修正协议，识别出一篇声称取得重大突破的预印本论文（关于LWE构造SNARGs）中的致命漏洞。AI敏锐地察觉到论文定义要求的“完美一致性”与实际构造的“统计一致性”之间的细微偏差，而这种偏差足以让整个安全证明失效。
细节中的魔鬼，往往逃不过AI那双永不疲倦的眼睛。

3. 跨学科的“灵光一现”：连接互不相干的领域
AI最擅长的是在浩如烟海的文献中寻找隐秘的联系。在解决欧几里得斯坦纳树（Steiner Trees）的猜想时，AI提出引入冷门的Kirszbraun扩张定理。这种跨领域的知识迁移，往往是人类专家受限于专业细分而难以察觉的。
创新的本质，是让原本互不相干的知识在更高维度相遇。

4. 神经符号循环：会写代码的数学家
在物理学宇宙弦光谱的研究中，AI被嵌入了一个“神经符号”自动化循环：AI提出数学假设，自主编写Python代码进行数值验证，并根据报错信息（Traceback）自我修正。这种模式剪枝了80%的错误推理路径，让AI在数学推演中保持了极高的严谨性。

5. 效率的质变：8次提示写出一篇论文
著名理论计算机科学家Lance Fortnow进行了一项实验：利用集成AI的IDE，仅通过8次提示就从零开始完成了一篇关于复杂性类S2的完整论文。AI不仅独立发现了核心证明，还自主修正了推论中的错误假设。
当创作的摩擦力趋近于零，科学的重心将从生成想法转向验证想法。

6. 思考与未来：评审危机的到来
报告预言，随着AI极大地降低科研门槛，学术界将面临一场“验证危机”。传统的同行评审系统已难以应对海量的AI辅助成果。未来的方向必然是“形式化验证”——利用AI将非正式的数学推导自动转化为Lean、Coq等机器可校验的语言。

7. 总结：一位勤奋、博学但需要引导的初级合伙人
我们应当将AI视为一名极具天赋的“高级助教”。它拥有无限的精力和广博的知识，但仍存在确认偏误（倾向于支持用户的假设）。研究者的角色正在从“机械推导者”转变为“战略导演”和“逻辑审计员”。

科学发现的加速器已经启动，我们必须学会如何驾驭这股洪流。

arxiv.org/abs/2602.03837