数学发现的“笔记本革命”：Axplorer 把 PatternBoost 塞进 MacBook，2.5 小时就找到 Turán 4-圈极值
TypeScript 的用户态文本测量引擎，名叫 Prete
你有没有过这种经历？面对一个经典极值组合问题，明明知道“好解”藏在海量搜索空间里，却只能靠枚举随机生成，然后挑最好的那几个？N 稍微大一点，候选数量就爆炸到比宇宙原子还多。传统优化算法卡在局部最优，超级计算机又不是人人都有。数学家最常问的那个问题——“我该从哪儿开始？”——其实暴露了整个领域的痛点：AI 明明能辅助发现，却被高门槛和巨额算力挡在了门外。
Axiom 团队最近开源了 Axplorer（发音 explorer），一个生成式 AI 工具，专门用来“狩猎”有趣的数学对象。它本质上是 PatternBoost 论文（2024 年 François Charton 等人的工作）的极致高效实现，却把原来需要超级计算机、跑几周的东西，压缩到普通笔记本带 GPU 就能几小时搞定。核心理念很简单：AI 不需要懂全部数学理论，它只要学会“好候选”的统计分布，就能不断迭代出更优的构造。
这就像一位学徒雕塑家。师傅只给他看历代大师雕出的最完美作品（初始好样本），学徒通过反复观察，渐渐掌握了“什么形状最美”的隐形规律。然后他自己动手雕新作品，再把最接近完美的半成品交给老师傅微调（局部搜索），挑出最好的继续教下一轮。循环几次，学徒雕出的作品就超越了随机试错的水平。Axplorer 正是把这个“学徒+雕塑家”协作流程工程化了。
具体流程只有五步，却环环相扣：
- 一次性生成初始数据：用问题专属算法随机生成大量合法候选，打分后保留最好的，作为模型的“教材”。
- 训练模型：把候选编码成有限词汇的序列，用 decoder-only Transformer 预测下一个 token，让模型学会“好解”的模式。
- 采样新候选：用训练好的模型从随机种子开始生成新序列。
- 局部搜索：新生成的东西可能违反约束或不是局部最优，用专属算法修复并优化。
- 筛选迭代：把新候选打分，和已有数据合并，保留最好的重新训练。如此自改进。
很多人以为 AI 自己就能搞定一切，但 Axplorer 证明：真正的发现力，来自生成模型提供全局探索起点 + 局部搜索完成精确打磨的默契协作。没有局部搜索，哪怕训练到后期，大部分 AI 生成的解依然违法约束，最优解根本找不到。
Axiom 团队在效率上做了两处反直觉却致命的优化，才让笔记本跑通成为可能。
第一处是编码方式的革命。原 PatternBoost 用密集编码，把图表示成完整的邻接矩阵——N=30 的图里要描述几百个“非朋友”关系，大部分是零。模型注意力机制是二次复杂度，这些“虚空”描述浪费了大量算力。Axplorer 改用稀疏编码，只描述实际存在的边，就像社交网络里只列出“谁和谁是朋友”，其他默认不存在。结果：在 N=30 的 square-free graph 问题上，密集编码跑 30 个 epoch 才找到 81 条边的次优解，稀疏编码 4 个 epoch 就找到 85 条边的理论最优，候选数量从 1500 万骤降到 200 万。
第二处是“温度陷阱”的反常规调度。传统优化里通常先探索后利用，而 Axplorer 先用低温度（比如 0.6）强迫模型聚焦已知最好的搜索空间，快速收敛；等到生成样本开始重复、 diversity 下降时，再提高温度注入探索性。这种“先利用再探索”的策略，和教科书完全相反，却实测最有效。
为了让你直观看到差距，我把原 PatternBoost 和 Axplorer 在 Turán 4-圈问题（N=33）上的表现做成对比表：
| 维度 | 原 PatternBoost | Axplorer | 提升效果 |
|---|---|---|---|
| 所需候选数量 | 1.165 亿 | 260 万 | 近 45 倍 |
| 训练时间 | 数周（超级计算机） | 2.5 小时（单张 L4 GPU） | 近 100 倍 |
| 云成本 | 高昂 | 约 3 美元 | 极致低 |
| 编码方式 | 密集（描述全部关系） | 稀疏（只描述实际边） | 注意力效率指数级提升 |
| 温度策略 | 固定或传统先探索 | 先低温度利用 → 再升温探索 | 更快收敛 + 保持多样性 |
Axplorer 已经在三个经典极值组合问题上验证了自己：Turán 4-圈（N≤40 最优解一天内找到）、球面无 5 点（N=7~11 匹配最优）、等腰三角形自由集（N=64 刷新最优，N=100 竞争力极强）。这些问题搜索空间都大到暴力枚举不可能，传统方法易卡局部最优，而 Axplorer 用极低算力就给出了答案。
很多人忽略了一点：数学发现从来不是靠蛮力堆候选，而是靠“学会好分布”+“聪明微调”的闭环。Axplorer 把这个闭环做成了即插即用工具。你只需要 conda 建环境，一条命令就能跑完整训练；想自定义问题，也只需在 notebook 里定义三件事——对象长什么样、什么规则违法、怎么局部修复——剩下 tokenization、训练、搜索策略全由 Axplorer 接管。
开源仓库已经上线：https://github.com/AxiomMath/axplorer
里面还有两个现成问题模板，直接 fork 就能玩。Axiom 的野心很清晰：把 AI 数学发现的门槛从“研究级”拉到“研究生就能上手”。未来，每位数学家都能在笔记本上构造自己的反例、验证猜想、甚至发现新结构。
这波操作真正让我震撼的，是它把“AI 辅助数学”从实验室 demo 变成了人人可及的生产力工具。数学仍是人类的事业，但工具进化后，人类能探索的边界被指数级放大了。下一个重大构造、下一个反例、下一个猜想突破，或许就来自某个普通研究生的 MacBook。
去试试吧，把你手头那个卡了很久的极值问题喂给 Axplorer。数学狩猎的未来，已经不在超级计算机机房，而在你桌上的这台笔记本里。
我是紫微AI，我们下期见。
（完）