“Claude 证明 S6 复结构引热议”——看到这个热搜标题时，我的第一反应不是兴奋，而是警惕。S6 复结构是几何里一个流传了几十年的开放问题，几代数学家反复尝试过、反复踩空过。如果它真的被一个大模型用几屏推导“终结”了，那它值得上的不该是热搜，而是数学年鉴。所以，真正值得讨论的其实不是“AI 到底行不行”，而是“当 AI 宣布证明了一个定理，我们该用什么样的流程去检验它”。为了不被热搜带节奏，我把这件事拆成三个问题来看：S6 复结构问题为什么这么难，大模型做数学证明的真实边界在哪里，以及普通人怎么用 Claude Code 这类工具，把数学探索变成可验证、可复现的工程流程。

1. 热搜背后的数学问题，到底卡在哪一步

1.1 什么是六维球面的“复结构”

先用最朴素的话解释 S6 是什么。它就是六维空间里，到原点距离恒为 1 的所有点组成的集合，是一个六维实流形。所谓“复结构”，指的是我们希望把它当成“复三维”的东西来看待：局部上能用三个复数坐标去描述它，而且不同局部坐标之间的换算必须是全纯函数。

可以打一个比方：这相当于给球面画一套导航地图。每张地图都覆盖球面的一部分，地图之间重叠的区域必须能“解析地拼起来”——不是简单的平滑拼接，而是坐标变换要强到复分析里的所有工具都能直接使用。S2 是最经典的例子，它上面的复结构就是黎曼球面。数学家早就证明，在所有偶数维球面里，只有 S2 和 S6 有可能承载“几乎复结构”，其余的都被拓扑工具排除了。S2 已经有明确的复结构，S6 却一直悬而未决：既没人能构造出它上面的复结构，也没人能证明它一定不存在。这个状态，就是“开放问题”四个字的准确含义。

1.2 近复结构与可积性：为什么要多走一步

S6 的问题卡在“近复结构”和“复结构”之间，这两者不是一回事。

在任意一点的切空间上，如果定义一个线性变换 J，满足 J² = -I，就相当于在切空间里给定了一个“乘以虚数单位”的操作。如果能在每一点都光滑地装上这样一个 J，就得到了一个近复结构。S6 有一个非常著名、也非常优美的近复结构，它来源于八元数（Cayley 数）的乘法构造，几乎是教科书级别的经典内容。

但近复结构只是局部的线性数据。要让所有局部地图拼成一个真正的复流形，这些线性数据必须彼此相容，不能产生“扭结”。Newlander-Nirenberg 定理给出了精确判据：一个近复结构能成为复结构，当且仅当它的 Nijenhuis 张量处处为零。换句话说，局部线性结构必须满足一个全球性的相容条件。而八元数给出的那个漂亮近复结构，它的 Nijenhuis 张量并不为零——所以这条路没有走到终点。真正的问题是：S6 上是否存在另一个近复结构，它的 Nijenhuis 张量恰好处处为零？到今天，这仍然是一个没有公认答案的问题。

1.3 一个规律：越老的问题，越容易产出“证明”

S6 复结构问题还有一个特点：隔一段时间就会有人宣布“证明完成”，但最终往往都在细节里被找到漏洞。这个规律并不奇怪。这类问题的约束条件大多来自拓扑与几何的交叉地带，用的工具又非常专门，推导链一旦拉长，中间任何一个隐藏假设都可能导致结论崩塌。更麻烦的是，很多局部结论“看起来非常对”，直到把它放到另一个局部坐标系里做交叉验证，才会发现量词顺序、依赖顺序，或者某处看似无害的“不妨设”已经出了问题。

所以，当“Claude 证明了 S6 复结构”这个热搜出现时，专业背景的人第一反应通常不是激动，而是向推导过程要证据，而不是向结论要兴奋。这就引出了第二个问题：大模型到底能在证明里扮演什么角色。

2. 大模型做数学证明：能力边界在哪里

2.1 它擅长的：草稿、翻译、小规模运算

先给一个尽量公允的判断：Claude 这类大模型在数学上不是没有能力，只是它的能力形态和“证明定理”这件事并不完全匹配。

在实际使用中，它表现最好的场景是：把一个抽象问题翻译成可计算的形式。比如，你有一个复杂的代数恒等式，手推容易出错，可以让它生成一段展开、化简、验证的代码；你有一个数论猜想，可以让它生成一个小范围穷举搜索的脚本；你对某个概念的理解有歧义，可以让它用更直白的语言复述定义，再配合例子确认。这些事情本质上是利用大模型的模式联想和符号操作能力，把“想起来很费力”变成“跑起来很便宜”。

这里需要先立一个原则：AI 生成的内容默认是草稿，不是结论。只有经过独立检查，它才能进入你的判断链条。

2.2 它为什么能“自信地犯错”

但大模型本质上是一个语言模型，它优化的是“下一段文本看起来合理”，而不是“每一步都严格使用公理”。这是两个完全不同的目标。后果就是：它非常擅长生成流畅的、看起来像证明的文本，却无法保证每一步在逻辑上成立。

在数学开放问题上，AI 犯的错误和人类草稿里的常见错误差不多：循环论证、隐藏假设、把特殊条件下的结论推广到一般、在无限与有限之间偷换极限、一个不小心就把“存在某个”和“任意一个”交换了位置。区别在于，人类草稿的作者通常知道自己可能错，会在关键处标注“待验证”；大模型不会，它会用同样肯定的语气表达“我建议尝试”和“我已经证明”。所以不要把“AI 说证出来了”当成结论，它只是在告诉你：有一段文本在统计意义上很像证明。

2.3 从“AI 草稿”到“数学定理”至少要过四关

我给自己定过一个判断框架：任何一条 AI 生成的数学论断，要变成可信的数学定理，至少要过四关。

第一关是机械检查。推导的每一行都能明确回溯到已知定义或定理，不存在模糊引用，不允许“显然可得”带过关键步骤。第二关是形式化验证。用 Lean、Coq 这类证明助手把关键推论编码，让机器逐条验证。这是目前最硬的一道门槛。第三关是独立复核。至少两名与该问题无关的研究者独立审阅关键步骤。第四关是实验复现。对小规模例子、边界情况做穷举或采样验证，确认没有明显反例。

这四关里，AI 目前能承担的主要是第一关的“草稿加速”和第四关的“实验自动化”，第二关和第三关仍然必须由人来完成。这个判断不只适用于 S6 复结构，对任何“AI 证明 X”的新闻都适用。

3. 更值得关注的变化：AI 正在把数学实验变成工程流程

3.1 为什么热搜边上会出现“claude code”

这次相关热搜词里出现了“claude code”和“claude code安装”，表面上看有点跳跃：一边是纯数学的 S6 复结构，一边是终端编程工具。但它们指向的其实是同一个趋势：大众真正感兴趣的，也许并不是“AI 有一天能证明定理”这个远景，而是“我现在能不能让 AI 在终端里帮我把实验跑起来、把验证流程搭起来”。

Claude Code 是 Anthropic 推出的终端编程助手。它和网页聊天的主要区别是：能够直接读写工作区文件、执行命令、根据报错信息修改代码，并且把一个多步骤任务拆开执行。对数学和科研场景来说，这个能力非常关键。因为数学实验的本质不是“问一个问题”，而是“跑一系列可复现的验证”。你需要的不是一个更聪明的聊天框，而是一个能配合你把实验流程沉淀下来的工具链。

3.2 用一条流水线替代“问一句答一句”

如果只把 Claude 当成聊天框来用，你得到的是碎片信息，很难沉淀。但如果把它接到终端工作流里，可以做这样一件事：

1. 把要验证的命题写进说明文档；
2. 让 Claude Code 生成一个符号计算或穷举搜索脚本；
3. 在本地跑小规模样例，检查输出是否符合预期；
4. 把异常的样例回灌给它，让它定位问题、修改脚本；
5. 把最终脚本、参数、输出和结论归档到实验目录。

这套流程的价值不在于省掉那几分钟，而在于它把“AI 参与了推导”这件事变得可审计。每次实验都有文件、有日志、有参数记录，任何结论都能回溯到具体的代码和运行结果。这恰恰是传统“随手写个脚本”的研究习惯里最容易被忽略的部分。

3.3 工程化思维对数学研究的长期影响

传统数学实验最常见的坑是：脚本写得很随意，变量名没有意义，不记录参数，不保存输出，三个月后连作者自己都难以复现。引入工具工程化之后，至少能获得三样东西：可复现的实验记录、可回滚的代码版本、可回顾的决策链条。这不会帮你证明 S6 复结构，但它会让每个人面对“AI 证明”类声明时，多一个最基础的检验手段：把实验过程交出来，我看脚本和日志，再看结论。

4. 用 Claude Code 做科研辅助：从安装到最小可用流程

4.1 安装与前置环境

先说安装。Claude Code 目前最常见的安装路径是 npm，这里给出一个通用写法，具体以官方文档为准：

npm install -g @anthropic-ai/claude-code

安装完成之后，运行：

claude --version

能输出版本号，说明安装成功。这里有三个容易踩坑的点。

第一，先确认 Node.js 版本满足官方要求，版本太老会导致安装失败或者运行异常。第二，如果 npm 安装过程出现权限报错，先检查当前用户对全局 node_modules 目录是否有写权限，而不是直接改用 sudo 硬装。第三，安装完成后建议先找一个空目录试运行，确认它能正常读写工作区文件，再进入正式项目。

注意：务必从官方文档出发，不要使用来路不明的安装脚本。首次运行需要登录和授权，授权范围要严格控制在你真正需要的工作区目录内，不要一上来就给全盘权限。

4.2 最小可用流程：验证一个数学小结论

用一个很小的例子说明完整流程。假设你想验证“前 n 个自然数的平方和等于 n(n+1)(2n+1)/6”。这个例子