需求驅動新數學命題
當科學問題開始反向生成數學
系列 ：AI 時代的科學生產相變：五個未來命題篇次 ：第四篇作者 ：Neo.K機構 ：EveMissLab／一言諾科技有限公司版本 ：v1.0日期 ：2026-08-02性質 ：未來命題／可反駁猜想狀態 ：概念模型與研究綱領注意 ：本文不主張當前 AI 已能穩定自主創造成熟的新數學理論，也不主張此發展必然發生。本文提出的是一個可逐步觀察、量化與反駁的未來命題。
摘要
第三篇「數學反向輻射命題」假設一個重要前提：某個科學問題所需要的數學結構已經存在 ，AI 的主要工作是跨越學科與術語邊界，發現並配送這套既有數學。
但更強的情況是：
Q ↮ M i , ∀ M i ∈ M , Q
\not\leftrightarrow
M_i,
\qquad
\forall M_i\in\mathcal M, Q ↔ M i , ∀ M i ∈ M , 其中 Q Q Q M \mathcal M M 現有數學表達能力本身不足以有效描述、壓縮、預測或解釋該問題。
本文提出「需求驅動新數學命題」（Demand-Driven Mathematics Conjecture, DDMC）：若 AI 科學系統具備跨領域表示、結構診斷、概念生成、形式推導、反例搜尋與科學驗證能力，則未來部分新數學可能不再主要由數學內部問題自行驅動，而會由外部科學中的「結構缺口」直接誘發。
其核心循環為：
Science → Structural Deficit → New Mathematics → Science \boxed{
\text{Science}
\rightarrow
\text{Structural Deficit}
\rightarrow
\text{New Mathematics}
\rightarrow
\text{Science}
} Science → Structural Deficit → New Mathematics → Science 這不只是 symbolic regression、自動找方程或參數擬合。強版本的 DDMC 要求 AI 產生可重用的新形式結構，例如新的狀態變數、新不變量、新運算、新表示、新對象，甚至一個能產生自身定理與跨問題轉移能力的小型理論。
若此命題成立，數學與科學的關係將由「數學提供既有工具」進一步演化為「科學需求持續生成新的數學語言」。
1. 從數學反向輻射到數學生成
第三篇的基本形式是：
Q D → α S Q → Match S M → β M D . Q_D
\xrightarrow{\alpha}
S_Q
\xrightarrow{\operatorname{Match}}
S_M
\xrightarrow{\beta}
M_D. Q D α S Q Match S M β M D . 這表示 AI 從領域問題 Q D Q_D Q D M \mathcal M M M M M
第四篇研究的是匹配失敗：
Match ( S Q , M ) < θ . \operatorname{Match}(S_Q,\mathcal M)
<\theta. Match ( S Q , M ) < θ . 這裡的 θ \theta θ
匹配失敗至少可能有三種原因：
數學存在，但 AI 沒找到；
數學存在，但現有表示無法辨識；
現有數學真的不足以有效承載該結構。
只有第三種才是本文真正關心的情形。
因此不能把：
Search Failure \text{Search Failure} Search Failure 直接等同於：
Mathematical Deficit . \text{Mathematical Deficit}. Mathematical Deficit . 需求驅動新數學必須先通過「既有數學充分性檢查」。
2. 核心命題：Demand-Driven Mathematics Conjecture
本文提出：
D D M C = Demand-Driven Mathematics Conjecture \boxed{
\mathrm{DDMC}
=
\text{Demand-Driven Mathematics Conjecture}
} DDMC = Demand-Driven Mathematics Conjecture 其弱形式為：
當既有數學無法有效描述某些科學問題時，AI 能夠提出新的形式表示或數學對象，使問題得到更好的壓縮、推理、預測或解釋。
其中「新的形式表示」不能只是換符號。
至少需要滿足部分下列條件：
產生新的可重用狀態變數；
產生新的 invariant；
定義新的 equivalence relation；
定義新的 operator；
建立新的 composition rule；
建立新的空間、幾何、代數或動力系統對象；
形成新的推理閉包；
對多個不同實例有重用價值；
能從定義中推出此前未直接寫入的結果。
因此 DDMC 關心的不是：
AI 找到答案 \boxed{
\text{AI 找到答案}
} AI 找到答案 而是：
AI 發現「原本的數學語言不夠」，並創造新的數學語言。 \boxed{
\text{AI 發現「原本的數學語言不夠」，並創造新的數學語言。}
} AI 發現「原本的數學語言不夠」，並創造新的數學語言。 3. 什麼不算「新數學」
這個界線必須非常嚴格。
如果沒有這一節，任何 curve fitting 都能被誇大成「AI 創造數學」。
3.1 參數擬合不算
例如：
y = a x 2 + b x + c y=ax^2+bx+c y = a x 2 + b x + c 而 AI 找到最好的 a , b , c a,b,c a , b , c
這是 parameter estimation，不是新數學。
3.2 在固定 grammar 中找到新方程，不一定算
若系統的 expression grammar 已預先限定：
{ + , − , × , ÷ , sin , cos , exp , ∂ t , ∇ , … } , \{+,-,\times,\div,\sin,\cos,\exp,\partial_t,\nabla,\ldots\}, { + , − , × , ÷ , sin , cos , exp , ∂ t , ∇ , … } , 而 AI 在這個語法空間中搜尋到一條未知 governing equation，這是重要 scientific discovery，但其數學語言仍主要是預先存在的。
3.3 新 notation 不算
把：
f ( x ) f(x) f ( x ) 改寫成：
Φ [ x ] \Phi[x] Φ [ x ] 不構成新數學。
3.4 大量公式拼接不算
複雜度不等於概念新穎性。
一個長達十頁的公式，如果完全可還原成已知語言中的普通組合，也不自動構成新理論。
4. 數學創新的六級尺度
為避免概念膨脹，本文提出暫定的 Mathematical Novelty Level：
M N L ∈ { 0 , 1 , 2 , 3 , 4 , 5 } . \boxed{
\mathrm{MNL}\in\{0,1,2,3,4,5\}.
} MNL ∈ { 0 , 1 , 2 , 3 , 4 , 5 } . MNL-0：參數與數值發現
在既有模型中求值、估參或最佳化。
MNL-1：既有語法中的方程／定理發現
找到此前未知結果，但完全使用既有形式語言。
MNL-2：新變數／新不變量／新分解
AI 發現一組此前未被研究者使用的有效 state variables、order parameters、conserved quantities 或 canonical decomposition。
此時已開始碰到「概念生成」，但仍可能只是既有數學中的新表示。
MNL-3：新運算或新形式結構
定義此前未被使用的：
operator；
relation；
metric；
product；
quotient；
transformation rule。
且該結構能被重複使用。
MNL-4：新數學對象／小型理論
形成：
T = ( D , A , O , R ) , \mathfrak T
=
(D,A,O,R), T = ( D , A , O , R ) , 其中：
D D D A A A O O O R R R
並可以推導非平凡 propositions。
MNL-5：可獨立發展與跨域轉移的理論
新理論不只解原始科學問題，還能：
產生自己的 open problems；
推出新的定理族；
被重新用於其他問題；
與既有數學建立非平凡連接；
即使離開原始應用，也具有數學研究價值。
DDMC 的強版本至少要求穩定出現：
M N L ≥ 3. \boxed{
\mathrm{MNL}\ge3.
} MNL ≥ 3. 5. 數學結構缺口
設科學問題為 Q Q Q
它需要某組結構能力：
R ( Q ) = { r 1 , r 2 , … , r k } . \mathcal R(Q)
=
\{r_1,r_2,\ldots,r_k\}. R ( Q ) = { r 1 , r 2 , … , r k } . 例如：
描述非平穩狀態；
同時保留局部與全域資訊；
表示拓撲改變；
允許不確定性；
支援 composition；
保留 causal structure；
支援可計算 prediction。
現有每套數學形式 M i M_i M i
C ( M i ) . \mathcal C(M_i). C ( M i ) . 如果不存在單一或可接受組合 M ∗ M^* M ∗
R ( Q ) ⊆ C ( M ∗ ) , \mathcal R(Q)
\subseteq
\mathcal C(M^*), R ( Q ) ⊆ C ( M ∗ ) , 就可能出現 Mathematical Structural Deficit：
Δ m a t h ( Q ) > 0. \boxed{
\Delta_{\mathrm{math}}(Q)>0.
} Δ math ( Q ) > 0. 這裡 Δ m a t h \Delta_{\mathrm{math}} Δ math
未來可以把它操作化成多目標成本：
Δ m a t h = f ( E r e s i d u a l , C d e s c r i p t i o n , C p r o o f , C c o m p u t a t i o n , C t r a n s f e r , C e x c e p t i o n ) . \Delta_{\mathrm{math}}
=
f(
E_{\mathrm{residual}},
C_{\mathrm{description}},
C_{\mathrm{proof}},
C_{\mathrm{computation}},
C_{\mathrm{transfer}},
C_{\mathrm{exception}}
). Δ math = f ( E residual , C description , C proof , C computation , C transfer , C exception ) . 其中例如：
E r e s i d u a l E_{\mathrm{residual}} E residual C d e s c r i p t i o n C_{\mathrm{description}} C description C p r o o f C_{\mathrm{proof}} C proof C c o m p u t a t i o n C_{\mathrm{computation}} C computation C t r a n s f e r C_{\mathrm{transfer}} C transfer C e x c e p t i o n C_{\mathrm{exception}} C exception
DDMC 的核心直覺是：
當現有數學對某類科學問題持續產生高結構缺口，新的數學形式可能成為更便宜的總體表示。
6. 需求驅動數學生成流程
本文提出候選流程：
D D M G = Demand-Driven Mathematical Generation . \boxed{
\mathrm{DDMG}
=
\text{Demand-Driven Mathematical Generation}.
} DDMG = Demand-Driven Mathematical Generation . 完整流程為：
Q → S Q → Δ m a t h → Θ 1 , … , Θ m → Formalize → Derive → Test → Select . Q
\rightarrow
S_Q
\rightarrow
\Delta_{\mathrm{math}}
\rightarrow
\Theta_1,\ldots,\Theta_m
\rightarrow
\operatorname{Formalize}
\rightarrow
\operatorname{Derive}
\rightarrow
\operatorname{Test}
\rightarrow
\operatorname{Select}. Q → S Q → Δ math → Θ 1 , … , Θ m → Formalize → Derive → Test → Select . 其中 Θ j \Theta_j Θ j
Stage 1：Scientific Structure Extraction
從資料、模型、觀察與失敗模式中提取：
S Q . S_Q. S Q . Stage 2：Existing-Mathematics Exhaustion
搜尋：
M . \mathcal M. M . 避免把「沒搜尋到」誤判成「不存在」。
Stage 3：Deficit Diagnosis
找出現有數學具體缺失什麼：
R ( Q ) − C ( M ∗ ) . \mathcal R(Q)-\mathcal C(M^*). R ( Q ) − C ( M ∗ ) . Stage 4：Concept Synthesis
生成新的：
variables；
invariants；
relations；
operators；
spaces；
compositional rules。
Stage 5：Internal Mathematical Closure
不能只在一個案例上工作。
候選結構必須形成自己的：
Definitions → Lemmas → Theorems → Counterexamples . \text{Definitions}
\rightarrow
\text{Lemmas}
\rightarrow
\text{Theorems}
\rightarrow
\text{Counterexamples}. Definitions → Lemmas → Theorems → Counterexamples . Stage 6：Scientific Return
把新理論再投回原始問題：
Θ → Q . \Theta
\rightarrow
Q. Θ → Q . 若不能提高解釋、預測、壓縮或控制能力，就很難說需求真的產生了有效新數學。
Stage 7：Transfer Test
最後測試：
Θ → Q ′ . \Theta
\rightarrow
Q'. Θ → Q ′ . 若 Q ′ Q' Q ′
7. 現實前兆：我們距離「新數學」還有多遠？
截至 2026 年，已有幾類研究開始靠近 DDMC 的低階版本，但尚不足以說強版本已成立。
7.1 自動發現 governing equations
Symbolic regression 已能從資料中搜尋可解釋方程。2026 年 Scientific Reports 的 physics-informed symbolic regression 工作顯示，大語言模型與領域知識可以被整合進 symbolic regression，以改善方程發現的適應性與科學合理性。
這證明：
Data → Mathematical Expression \text{Data}
\rightarrow
\text{Mathematical Expression} Data → Mathematical Expression 可以部分自動化。
但它通常仍在既有 expression grammar 中工作，因此主要屬於：
M N L ≈ 1. \mathrm{MNL}\approx1. MNL ≈ 1. 7.2 自動發現狀態變數
2026 年 npj Artificial Intelligence 發表的「Automated discovery of operable dynamics from videos」直接從影片中自動發現低維、可操作的狀態表示與 differentiable vector field，而不要求預先指定傳統狀態變數。
這比單純擬合方程更接近：
Concept / State-Variable Discovery . \boxed{
\text{Concept / State-Variable Discovery}.
} Concept / State-Variable Discovery . 可以視為接近 MNL-2 的重要前兆。
7.3 AI 正在自動設計科學方法本身
AgenticSciML 讓多個 AI agents 共同提出、批判與改進 SciML architecture、loss formulation 與 training strategy。
這意味著 AI 已開始從：
使用既有模型 \text{使用既有模型} 使用既有模型 走向：
修改研究方法空間 . \text{修改研究方法空間}. 修改研究方法空間 . 它仍不是新數學理論，但已跨過「只解固定問題」的界線。
7.4 自主科研循環開始出現
Robin 與 Co-Scientist 類系統已展示：
literature search；
hypothesis generation；
experiment proposal；
data analysis；
hypothesis update；
可以被整合進半自主甚至高度自動的研究循環。
這提供 DDMC 所需的外層 scientific feedback loop。
7.5 數學界本身已開始討論 AI 的概念創造
2026 年 Barkeshli、Douglas 與 Freedman 的文章直接把「AI 是否能自主發現新的 mathematical concepts」列為數學 AI 下一階段的重要問題之一，並試圖從 proof / structure space 的全域視角理解未來數學發現。
這仍是研究願景，不是已完成能力；但顯示「AI 生成新概念」已經從科幻敘事進入正式數學方法論討論。
8. 為什麼科學需求可能特別容易催生新數學
純數學內部的新概念通常由：
未解猜想；
理論不統一；
反例；
推廣需求；
結構美感；
技術瓶頸；
等因素驅動。
外部科學則增加另一種壓力：
Reality refuses to fit our current formal language. \boxed{
\text{Reality refuses to fit our current formal language.}
} Reality refuses to fit our current formal language. 當：
observations ≫ existing representation capacity , \text{observations}
\gg
\text{existing representation capacity}, observations ≫ existing representation capacity , 研究者通常會：
加參數；
加例外；
疊模型；
引入 empirical correction；
建立新的 effective theory。
AI 若能同時看到大量領域與大量數學，可能更早偵測到：
問題不是「參數還沒調好」，而是「表示空間本身選錯了」。
這個判斷是 DDMC 的關鍵。
9. 從「模型選擇」到「語言選擇」
今天的自動科學大多還是在做：
Model Selection . \boxed{
\text{Model Selection}.
} Model Selection . 例如從一組候選方程中找最佳者。
DDMC 更強的形式要求：
Language Selection . \boxed{
\text{Language Selection}.
} Language Selection . 甚至：
Language Construction . \boxed{
\text{Language Construction}.
} Language Construction . 也就是 AI 不只問：
哪一條方程最好？
而開始問：
為什麼我們一定要用這些變數？
為什麼狀態空間要是這種空間？
為什麼 composition law 必須如此？
是否存在更自然的不變量？
是否應該把「物件」本身重新定義？
一旦 AI 能穩定問並回答這些問題，才真正進入需求驅動數學生成。
10. 新數學必須有「內部生命」
一個只為某筆資料打造的奇怪公式，很容易 overfit。
因此本文提出：
Internal Mathematical Life Test . \boxed{
\text{Internal Mathematical Life Test}.
} Internal Mathematical Life Test . 候選理論 Θ \Theta Θ
有清楚 objects；
有 definitions；
有 nontrivial examples；
有 counterexamples；
有 composition / transformation；
可推出非直接編碼於原始資料的 propositions；
可形成 conjectures；
可被形式化；
能與既有數學建立映射；
在離開原始資料後仍保有結構意義。
換句話說：
Scientific usefulness ≠ mathematical autonomy . \boxed{
\text{Scientific usefulness}
\neq
\text{mathematical autonomy}.
} Scientific usefulness = mathematical autonomy . DDMC 的強版本要求兩者逐漸同時出現。
11. 候選評分：不是「新」就有價值
如果 AI 能大量產生新定義，馬上會出現另一個問題：
Definition Explosion . \boxed{
\text{Definition Explosion}.
} Definition Explosion . 任何人都可以隨便定義十萬個新 operation。
所以新數學的價值不能只看 novelty。
可定義候選價值：
V ( Θ ) = f ( N , U , C , P , T , R ) , V(\Theta)
=
f(
N,
U,
C,
P,
T,
R
), V ( Θ ) = f ( N , U , C , P , T , R ) , 其中：
N N N U U U C C C P P P T T T R R R
真正值得保留的 DDMC 產物應滿足：
V ( Θ ) > τ . \boxed{
V(\Theta)>\tau.
} V ( Θ ) > τ . 否則只是概念垃圾場。
12. 數學需求壓力
可以定義某個科學領域 D D D
P m a t h ( D , t ) . \boxed{
P_{\mathrm{math}}(D,t).
} P math ( D , t ) . 它可由以下現象提高：
模型例外數量增加；
不同尺度之間無法統一；
現有變數無法穩定預測；
不同理論彼此無法 composition；
大量 empirical patch；
關鍵現象只能模擬、無法解釋；
新資料持續破壞既有模型。
DDMC 預測：
當：
P m a t h ( D , t ) P_{\mathrm{math}}(D,t) P math ( D , t ) 長期高於某種結構閾值時，具有概念生成能力的 AI 會增加新形式結構的探索。
因此：
P m a t h ↑ ⇒ R c o n c e p t g e n e r a t i o n ↑ . P_{\mathrm{math}}\uparrow
\quad\Rightarrow\quad
R_{\mathrm{concept\ generation}}\uparrow. P math ↑ ⇒ R concept generation ↑ . 這是一個可被未來實證研究的方向。
13. 需求驅動新數學率
為使 DDMC 可觀察，可以定義：
R D D M ( t ) = N v a l i d a t e d n e w m a t h e m a t i c a l s t r u c t u r e s i n d u c e d b y s c i e n t i f i c d e m a n d s ( t ) N v a l i d a t e d n e w m a t h e m a t i c a l s t r u c t u r e s ( t ) . \boxed{
R_{\mathrm{DDM}}(t)
=
\frac{
N_{\mathrm{validated\ new\ mathematical\ structures\ induced\ by\ scientific\ demands}}(t)
}{
N_{\mathrm{validated\ new\ mathematical\ structures}}(t)
}.
} R DDM ( t ) = N validated new mathematical structures ( t ) N validated new mathematical structures induced by scientific demands ( t ) . 這個量目前幾乎無法可靠測量，因為「新數學結構」與「需求誘發」都還缺乏標準化標記。
但未來若數學研究平台與 autonomous science runtime 具有完整 provenance，就可能記錄：
Problem → Deficit → Concept Generation → Formal Theory . \text{Problem}
\rightarrow
\text{Deficit}
\rightarrow
\text{Concept Generation}
\rightarrow
\text{Formal Theory}. Problem → Deficit → Concept Generation → Formal Theory . 此時數學概念的「生成來源」第一次可能成為可機器統計的研究資料。
14. 一個更實用的指標：跨問題存活率
很多新概念只在原始問題有效。
因此定義：
S t r a n s f e r ( Θ ) = # { Q ′ : Θ 在獨立問題 Q ′ 中產生有效結果 } . \boxed{
S_{\mathrm{transfer}}(\Theta)
=
\#\{Q' : \Theta\text{ 在獨立問題 }Q'\text{ 中產生有效結果}\}.
} S transfer ( Θ ) = # { Q ′ : Θ 在獨立問題 Q ′ 中產生有效結果 } . 弱 DDMC 可以只要求：
S t r a n s f e r ≥ 1. S_{\mathrm{transfer}}\ge1. S transfer ≥ 1. 強 DDMC 則要求 AI 生成的數學結構具有持續跨問題生命：
S t r a n s f e r ( Θ ) ≫ 1. S_{\mathrm{transfer}}(\Theta)
\gg1. S transfer ( Θ ) ≫ 1. 這是區分：
problem-specific hack \text{problem-specific hack} problem-specific hack 與：
new mathematics \text{new mathematics} new mathematics 的重要尺度。
15. 主要失敗模式
DDMC 可能完全不成立，或只能成立在很弱的版本。
15.1 Existing-Math Blindness
AI 沒找到既有數學，就錯誤發明一套重複理論。
15.2 Reinvention Explosion
AI 大量重新發明已知對象，只是名稱不同。
15.3 Concept Overfitting
新數學只為單一 dataset 量身打造。
15.4 Formal Beauty without Science
理論很漂亮，但沒有改善任何科學結果。
15.5 Scientific Utility without Mathematics
模型很好用，但無法形成可推導、可重用的形式結構。
15.6 Verification Collapse
AI 生成新公理、新定義與新運算的速度遠超人類與形式系統驗證能力。
15.7 Ontology Drift
不同 AI 不斷創造彼此不兼容的數學語言，導致知識碎片化。
15.8 False Novelty
新理論實際與既有理論等價，但 AI 與人類都暫時沒認出來。
這最後一點尤其重要：
Novel Representation ⇏ Novel Mathematics . \boxed{
\text{Novel Representation}
\not\Rightarrow
\text{Novel Mathematics}.
} Novel Representation ⇒ Novel Mathematics . 16. 新數學生成需要「反向翻譯器」
如果 AI 發明一套人類完全看不懂的新 formalism，理論上可能有用，但會產生新的認知斷層。
因此 DDMC 的成熟系統應同時產生：
Θ m a c h i n e \Theta_{\mathrm{machine}} Θ machine 與：
Θ h u m a n . \Theta_{\mathrm{human}}. Θ human . 前者可以是 AI 最方便操作的表示；後者則需要：
human-readable definitions；
canonical examples；
analogies；
diagrams；
theorem dependency maps；
historical relation；
simplified explanatory layers。
因此未來可能需要：
Mathematical Distillation Layer . \boxed{
\text{Mathematical Distillation Layer}.
} Mathematical Distillation Layer . 這與第一篇「證明工業化後的人類吸收瓶頸」直接重新連接。
17. 從需求驅動到共演化
如果 DDMC 長期成立，數學與科學可能形成共演化：
S t → M t + 1 → S t + 1 → M t + 2 → ⋯ S_t
\rightarrow
M_{t+1}
\rightarrow
S_{t+1}
\rightarrow
M_{t+2}
\rightarrow\cdots S t → M t + 1 → S t + 1 → M t + 2 → ⋯ 其中：
S t S_t S t M t M_t M t
科學的新觀察迫使數學擴張；
新數學又讓科學看到原本看不到的新問題。
因此：
Science ↔ Mathematics \boxed{
\text{Science}
\leftrightarrow
\text{Mathematics}
} Science ↔ Mathematics 不再只是工具關係，而可能成為：
Co-Evolving Formal System . \boxed{
\text{Co-Evolving Formal System}.
} Co-Evolving Formal System . 這也是第五篇「後學科科學耦合」的直接前置條件。
18. DDMC 的強弱版本
弱 DDMC
AI 能從科學問題中自動發現新的有效狀態變數、不變量或表示。
大致對應：
M N L ≥ 2. \mathrm{MNL}\ge2. MNL ≥ 2. 中 DDMC
AI 能生成新的運算、關係或形式結構，並在原問題中產生可驗證效益。
M N L ≥ 3. \mathrm{MNL}\ge3. MNL ≥ 3. 強 DDMC
AI 能由科學需求生成具有內部定理結構、可形式化、可跨問題重用的小型新理論。
M N L ≥ 4. \mathrm{MNL}\ge4. MNL ≥ 4. 極強 DDMC
需求驅動的新數學成為常態科學生產機制之一，且部分理論脫離原始應用後仍形成獨立數學領域：
M N L = 5. \mathrm{MNL}=5. MNL = 5. 本文只把弱版本視為已有初步技術前兆；中、強、極強版本仍屬未來猜想。
19. 可反駁條件
強 DDMC 若要成立，未來至少應觀察到：
AI 主動發現此前未被人類指定的新狀態變數或不變量；
新結構不是既有數學的簡單改名；
新結構可以形式化；
能推出超出訓練／輸入資料直接內容的新結果；
對原科學問題產生實際效益；
可以跨多個獨立問題重用；
至少部分結構被數學家視為值得獨立研究的對象；
概念生成可以重複出現，而非單一偶發案例。
反之，如果長期出現：
AI 只能在既有 grammar 中搜尋；
所謂新概念幾乎全是已知理論改名；
新 formalism 無法跨資料集；
科學家必須先提供真正的新概念；
AI 只能證明／應用，不能有效重構語言；
則 DDMC 的強版本應被拒絕。
20. 一個可能的未來平台模組
第二篇提出 Mathematical Research Runtime；第三篇提出 Mathematical Radiation Engine。
第四篇可以加入：
M F G = Mathematical Formalism Generator . \boxed{
\mathrm{MFG}
=
\text{Mathematical Formalism Generator}.
} MFG = Mathematical Formalism Generator . 整體架構變成：
Scientific Research Runtime \text{Scientific Research Runtime} Scientific Research Runtime ⇓ \Downarrow ⇓ Mathematical Radiation Engine \text{Mathematical Radiation Engine} Mathematical Radiation Engine 先搜尋既有數學。
如果失敗，再進：
⇓ \Downarrow ⇓ Mathematical Formalism Generator \boxed{
\text{Mathematical Formalism Generator}
} Mathematical Formalism Generator 然後執行：
Generate → Formalize → Prove → Test → Transfer → Distill . \text{Generate}
\rightarrow
\text{Formalize}
\rightarrow
\text{Prove}
\rightarrow
\text{Test}
\rightarrow
\text{Transfer}
\rightarrow
\text{Distill}. Generate → Formalize → Prove → Test → Transfer → Distill . 只有通過上述流程的候選形式，才進入可保存的 mathematical knowledge base。
21. 這會改變「應用數學」的含義
傳統應用數學常被理解為：
已有 Mathematics → Application . \boxed{
\text{已有 Mathematics}
\rightarrow
\text{Application}.
} 已有 Mathematics → Application . DDMC 指向另一種形式：
Application Need → Mathematics Formation . \boxed{
\text{Application Need}
\rightarrow
\text{Mathematics Formation}.
} Application Need → Mathematics Formation . 這並不是歷史上從未發生過。
微積分、機率、傅立葉分析、資訊理論、控制理論等數學／形式體系都曾與外部科學、工程需求形成強烈共演化。
DDMC 真正的新穎預測不是「需求可以產生數學」，而是：
這個過程可能被 AI 規模化、自動化與持續化。 \boxed{
\text{這個過程可能被 AI 規模化、自動化與持續化。}
} 這個過程可能被 AI 規模化、自動化與持續化。 原本需要少數特殊研究者跨越領域完成的概念創造，可能變成科研 runtime 中可重複執行的模組。
22. 從偶發天才連接到系統性結構搜索
人類歷史上的新數學經常來自少數人看到：
A ∼ B . A
\sim
B. A ∼ B . 或發現：
existing language cannot express C . \text{existing language cannot express }C. existing language cannot express C . AI 的潛在改變不一定是每一次直覺都比頂尖人類深。
它可能來自：
Massive Structural Search × Persistent Memory × Formal Verification × Scientific Feedback . \boxed{
\text{Massive Structural Search}
\times
\text{Persistent Memory}
\times
\text{Formal Verification}
\times
\text{Scientific Feedback}.
} Massive Structural Search × Persistent Memory × Formal Verification × Scientific Feedback . 因此原本是偶發事件的：
「這裡好像需要一種新的數學。」
未來可能變成可以系統性監測的訊號。
這就是 DDMC 最核心的未來預測。
23. 與前三篇的閉合
第一篇：
Proof Industrialization \text{Proof Industrialization} Proof Industrialization 讓大量候選理論可以被快速推導與驗證。
第二篇：
Research-Problem Industrialization \text{Research-Problem Industrialization} Research-Problem Industrialization 讓研究問題成為持續保存與更新的 Research State。
第三篇：
Mathematical Radiation \text{Mathematical Radiation} Mathematical Radiation 讓既有數學主動尋找科學應用。
第四篇進一步加入：
Demand-Driven Mathematics \boxed{
\text{Demand-Driven Mathematics}
} Demand-Driven Mathematics 當既有數學不足時，研究 runtime 可以嘗試擴張 formal language 本身。
所以目前鏈條為：
Proof → Research Runtime → Mathematical Routing → Mathematical Generation . \boxed{
\text{Proof}
\rightarrow
\text{Research Runtime}
\rightarrow
\text{Mathematical Routing}
\rightarrow
\text{Mathematical Generation}.
} Proof → Research Runtime → Mathematical Routing → Mathematical Generation . 第五篇才會問：
如果這些能力同時存在，傳統「學科」還是不是 AI 研究系統的基本組織單位？
24. 結論
本文提出的 Demand-Driven Mathematics Conjecture 並不是預測：
AI 很快就會任意發明新數學。
它提出的是一個更具體的未來命題：
當現有數學語言對科學問題產生可辨識的結構缺口時， \boxed{
\text{當現有數學語言對科學問題產生可辨識的結構缺口時，}
} 當現有數學語言對科學問題產生可辨識的結構缺口時， AI 可能逐漸具備主動生成新形式結構以填補缺口的能力。 \boxed{
\text{AI 可能逐漸具備主動生成新形式結構以填補缺口的能力。}
} AI 可能逐漸具備主動生成新形式結構以填補缺口的能力。 此過程的最低成熟鏈條是：
Scientific Need → Mathematical Deficit Diagnosis → Concept Generation → Formal Closure → Scientific Validation → Cross-Problem Transfer . \boxed{
\text{Scientific Need}
\rightarrow
\text{Mathematical Deficit Diagnosis}
\rightarrow
\text{Concept Generation}
\rightarrow
\text{Formal Closure}
\rightarrow
\text{Scientific Validation}
\rightarrow
\text{Cross-Problem Transfer}.
} Scientific Need → Mathematical Deficit Diagnosis → Concept Generation → Formal Closure → Scientific Validation → Cross-Problem Transfer . 如果只有新公式，還不夠。
如果只有新名字，也不夠。
如果只有一次性模型，更不夠。
真正的強 DDMC 需要新結構開始擁有自己的數學生命：
可以被定義、推導、反駁、重用與重新連接。 \boxed{
\text{可以被定義、推導、反駁、重用與重新連接。}
} 可以被定義、推導、反駁、重用與重新連接。 一旦這種過程可以被規模化，數學與科學的關係就會從：
數學工具被科學使用 \text{數學工具被科學使用} 數學工具被科學使用 轉向：
科學與數學持續共同生成彼此。 \boxed{
\text{科學與數學持續共同生成彼此。}
} 科學與數學持續共同生成彼此。 而這會直接把我們帶到系列最後一篇：
後學科科學耦合命題：AI 是否會重寫科學的領域邊界？ \boxed{
\text{後學科科學耦合命題：AI 是否會重寫科學的領域邊界？}
} 後學科科學耦合命題： AI 是否會重寫科學的領域邊界？ 參考背景
Barkeshli, M., Douglas, M. R. & Freedman, M. H. Artificial Intelligence and the Structure of Mathematics . arXiv:2604.06107, 2026.
Taskin, B., Xie, W. & Lazebnik, T. Knowledge integration for physics-informed symbolic regression using pre-trained large language models . Scientific Reports 16, 1614 (2026).
Huang, K., Cho, D. H. & Chen, B. Automated discovery of operable dynamics from videos . npj Artificial Intelligence (2026).
Jiang, Q. & Karniadakis, G. AgenticSciML: collaborative multi-agent systems for emergent discovery in scientific machine learning . npj Artificial Intelligence 2, 57 (2026).
Ghareeb, A. E. et al. A multi-agent system for automating scientific discovery . Nature 655, 497–505 (2026).
Accelerating scientific discovery with Co-Scientist . Nature (2026).Na, G. S. & Park, C. Machine Collective Intelligence for Explainable Scientific Discovery . arXiv:2604.27297, 2026.
Google DeepMind. Conjecture Machines: AI agents and the new validation bottleneck in science . 2026.
系列進度
4 / 5 \boxed{4/5} 4/5 下一篇：
《後學科科學耦合命題：AI 是否會重寫科學的領域邊界》