13.3 AI 時代物理數學的協作#

前因：兩條自動化路線的交會#

• 數學：證明助手（Lean）+ 神經引導搜尋（姊妹篇 14.3）——結構與證明的機器化。
• 物理：資料驅動發現（符號迴歸、神經算子）、AI 猜測守恆律與對稱性（2020s，如從數據學 Lagrangian）。

兩者在「結構發現」上交會：對稱、守恆、對偶的偵測正是本書的主題。

構造#

三個協作層：

1. 發現層：從數據/模擬中學出守恆量、對稱群（Hamiltonian/Conjugate NN、Lagrangian learning）；從 knot 數據發現新不變量相關（2021）。
2. 證明層：AlphaProof 式的形式搜尋；物理恆等式（如某些超對稱指標）的機器驗證；數學物理的嚴格化管線（物理猜想 → 形式證明）。
3. 結構層：範疇論作為「可機讀的數學物理」——範疇化的對偶（幾何朗蘭茲、拓撲序的模範疇）天然適合形式語言。

graph TD
    A[物理數據] --> B[AI 學守恆/對稱]
    C[數學結構庫] --> D[AI 搜尋定理/反例]
    B --> E[新結構候選]
    D --> E
    E --> F[Lean/形式驗證]
    F --> G[物理理論的嚴格化<br>與數學的新定理]

後果#

1. 工作流變化：物理猜想的「數學嚴格化」時間軸可望壓縮（例如 SW 類結果的快速形式化）。
2. 教育：未來的物理數學家需同時讀懂：李群、模範疇、以及「AI 輸出的猜測的置信語言」。
3. 開放問題：AI 能否發現綱領（而非定理）？——本書的「綱領」概念（對偶的大規模化）是 AI 自動化數學的下一個考題。
4. 本書觀點：四百年雙螺旋的下一圈可能是三方螺旋：物理—數學—機器；本書教的是螺旋的「結構文法」，機器是新的執行者。

練習與思考#

1. 設計一個「從數據學對稱群」的玩具實驗（如振動頻譜中找 \(\mathrm{SU}(2)\) 特徵）。
2. 為什麼範疇論特別適合做「AI 可讀的數學物理」？