一篇已经通过同行评审的数学论文，真的就万无一失了吗？
罗格斯大学的数学家 Lisa Carbone 分享了她使用 AI 辅助研究的经历。她长期研究无限维代数与对称性，这是一门为高能理论物理提供工具的数学分支，目标直指一个老问题，如何把爱因斯坦的引力理论和量子力学统一起来。
她和同事花了几年时间完成一篇论文。在投稿前，她决定用 Gemini 3 的 Deep Think 模式做一次 “额外检查”。本意只是做事实核查和逻辑验证，没想到模型直接指出 “命题 4.2 在数学表述上不成立” 这样的专业核查结果。它甚至给出了三条理由，说明围绕某个核心命题的推导存在内在矛盾。
这篇论文已经过同行评审。按常理说，逻辑漏洞早该被发现。Carbone 起初并不认同，试图反驳。但模型没有顺着她的思路调整答案，而是坚持给出完整推理。她花了些时间逐条核对，最后确认模型是对的！
而这项研究处在学科前沿，几乎没有现成资料可供 “学习” 或参考。Gemini 3 Deep Think 并不是复述已有知识，而是从数学结构本身出发，检验推理是否自洽。某种程度上，它做的正是训练有素的数学家在做的事。检查定义是否精确，推导是否越界，结论是否超出了前提。
最终，他们发现原本的完整结论确实站不住脚，但一个更简洁的版本是成立的。问题没有被推翻，而是被修正。
这件事并不在于证明 “AI 比人强”。数学研究本来就是在反复试探和纠错中前进。但它给了我们一个其实，当研究走到极窄的前沿领域时，多一个不带立场的审阅者，会发生什么。
在理论物理和高等数学这样的领域，一个隐藏的逻辑漏洞可能会影响后续大量工作。能更早发现问题，意味着节省时间，也意味着少走弯路。
如果有一天我们真的接近自然界所有基本力的统一理论，它背后可能不仅是人类的直觉和创造力，也包括机器在关键时刻指出的那一句：这里不对！
