收益：
- 能够利用人工智能寻找证明的思路和方法（直接、反证、归纳、反证）并自检每个逻辑步骤的有效性
- 能够识别证据差距、隐含假设和“明显”、“不妨碍普遍性”等表述背后的不合理跳跃
- 在不确定主张的真实性的情况下，能够在依靠证据之前寻找反例来区分流畅性和有效性。
数学证明是从公认的公理和先前证明的定理以逻辑步骤精确推导出主张。证明是数学最严格的产物：一个无效的逻辑转换、一个遗漏或隐含的假设（我们称之为“间隙”）会反驳整个证明。人工智能非常擅长生成令人信服的文本作为证据——而这正是它危险的原因。看起来令人信服的文本并不是有效的证明。在本单元中，您将学习如何使用人工智能作为校样起草合作伙伴以及如何检查每个逻辑步骤。
前两个定义。证明草图是一个摘要，给出了证明的主要思想和框架，但并未填写每个细节。证明差距是一个飞跃，其中证明说“如下”，但实际上并没有证明它的合理性。使用人工智能时最大的风险是说服性句子所掩盖的空白：文本是流畅的，充满了“因此”和“显然”等连词，但其间的跳跃并未得到实际证明。
证据证明人工智能的优点和缺点
人工智能在证明方面做得很好：（1）唤起已知定理证明的标准思想，（2）建议哪种方法（归纳法、矛盾法、直接法、反证法）可能适合证明。它的弱点是：确保原始或微妙证明的每一步实际上都是有效的。人工智能可以产生看似正确但实际上错误的“错误证明”——例如，它可以在归纳步骤中跳过基本情况，或者它可以说“不破坏一般性”，但做出实际上破坏一般性的假设。
所以证明中的黄金法则：用AI来寻找并概述证明的思想；亲自检查每个逻辑步骤的有效性。在“接受”证明之前，请确保每个“因此”实际上是有效的。
一步一步：检查证据
1. 澄清主张和假设。正在证明什么？在什么假设下？如果这些是模糊的，那么证明也是模糊的。
2.了解证明方法。直接、矛盾、归纳、反证？了解该方法的结构要求（例如，在归纳中，基本案例 + 归纳步骤至关重要）。
3. 质疑每一个“因此”。在每个逻辑转换中，“这真的是前面步骤的结果吗？”问。最阴险的差距隐藏在“明显”、“容易看出”、“不失一般性”等表述后面。
4. 寻找隐含的假设。证明是否依赖于一个不言而喻的假设？例如，可能会默默地接受一个数字是正数或一个函数是连续的。
5. 尝试一个反例。如果这种说法是错误的，那么反例就会推翻它。在接受证据之前，请测试该主张在简单的特殊情况下是否确实正确。
6. 咨询采购机构。将已知定理的标准证明与可靠来源（教科书、同行评审来源）进行比较。
提示：证明中的“不失一般性”这句话是一把双刃剑。有时它实际上是有效的（如果存在对称性），有时它是一个隐藏的错误。 AI经常使用这个表达方式。每次都为自己辩护“通用性并没有真正被打破”；不要相信人工智能的话。
证明方法和陷阱
证明方法
结构
最常见的人工智能陷阱
直接
假设 → ... → 结论
跳过中间的一步
矛盾
假设相反→发现矛盾
矛盾并不真实
感应
基本情况+步骤
忘记基本情况
反证
Ø结论→Ø假设
错误否定
反例（反驳）
单一反例
反例无效
三个迷你箱子
案例 1 — 不完整的基本案例。一位老师让AI通过归纳法证明了公式“1 + 2 + ... + n = n(n+1)/2”。 AI正确地编写了归纳步骤，但从未检查基本情况（n=1）。老师问：“基本情况在哪里？”他问道；人工智能补充道。没有基态，感应无效； 30 秒的检查保存了证据。
情况 2 — 秘密除以零。一名学生看到了一个可笑的“证明”，比如“对于每一个 a，b，a = b”，他问人工智能“这里错误在哪里？”他问道。 YZ 正确地证明了证明一步除以 (a − b)，并且在假设 a = b 的情况下，这是除以零。在这里，人工智能作为审计员是成功的；但学生还是亲手验证了这一步。
案例 3——令人信服的虚假证据。一名工科学生用人工智能证明了不等式。文字流畅，令人信服，但一步求平方根时，忽略了正根和负根的可能性，只取正根。学生在每一步提出疑问时都发现了这个差距。当添加附加条件（变量的积极性）时，证明变得有效。
四个可复制模板
1）索取校样草稿（想法）：
哪种方法适合证明以下命题（直接法、反证法、归纳法、反证法）？只需给出主要思想和证明的框架，不要写出完整的证明。索赔：[此处]
2）循序渐进，合理证明：
用[方法]证明以下断言：[断言]。写下每个步骤所依赖的公理/定理/定义。请勿使用“清楚地”或“容易地”等表达方式；充分证明每次转变的合理性。如果归纳，请分别显示基本情况和归纳步骤。
3）证明漏洞搜寻：
看看下面的证明。只需寻找逻辑差距、隐含假设和不合理的跳跃即可。检查每个“因此”是否确实遵循前面的步骤。写下您发现的每个间隙以及它所在的步骤。证明：[此处]
4）搜索反例：
我想测试以下声明是否正确：[claim]。首先在简单的特殊情况下测试它；尝试找到一个反例。如果你找到反例，请展示出来；如果找不到，请列出你尝试过的情况（但这不是证据，只是寻找证据）。
弱提示/强提示
弱：“证明 √2 是无理数。”
结果：标准证明出现了，但是一个步骤（例如“那么 p 是偶数”）可能会毫无理由地被跳过，而你不会注意到。
Strong：“通过矛盾证明 √2 是无理数。写下您在每一步中使用的假设；还证明中间断言的合理性，例如‘如果 p² 是偶数，则 p 是偶数’。最后，清楚地表明矛盾到底出现在哪里。”
结果：每一个中间主张都有道理，矛盾根源清楚，不留任何漏洞。
常见错误
- 混淆流畅性和有效性。有说服力的文字并不是有效的证明；每一步都必须受到监督。
- 在感应中跳过基态。人工智能经常忘记基本情况；仅有诱导步骤是不够的。
- 毫无疑问地接受“不失一般性”。该语句可能是一个潜在错误；每次都辩解一下。
- 没有看到隐含的假设。诸如正性、连续性、非零等假设可能会悄悄地渗透到证明中。
- 相信证据而不尝试反例。如果断言是假的，那么证明也是假的；首先在简单的情况下检验该主张的真实性。
注意：人工智能甚至可以为实际上错误的主张提供“证据”——因为它产生文本，但它不能保证逻辑有效性。如果您不确定某个主张的准确性，请先寻找反例。虚假主张的“证据”必然存在漏洞；你的工作就是找到这个差距。
总之
证明是数学最严格的产物，人工智能可以产生令人信服但无效的“证明”。利用AI寻找证明思路和方法；亲自检查每个逻辑步骤的有效性。寻找“明确”和“不带偏见”等短语背后的关键案例、隐含假设和漏洞。如果您不确定某个主张的真实性，请在相信证据之前尝试举一个反例。流畅性并不等于有效性。
应用任务
选择一个标准定理（例如“两个偶数之和是偶数”或“√2 是无理数”）。让AI用第二个模板一步步证明。然后再次给出与第三个模板相同的证明以进行差距搜索——让他检查自己的证明。然后手动查询每个“因此”：是否有一个基本情况，是否有一个隐含的假设，每个转换是否合理？找到并记下至少一个潜在的差距或改进点。
清单
- [ ] 我澄清了主张和假设。
- [ ] 了解了证明方法及其结构要求。
- [ ] 我验证了每个“因此”都来自前面的步骤。
- [ ] 我做了基本情况/隐式假设检查。
- [ ] 我在简单的案例中测试了该主张并寻找反例。
- [ ] 我将已知定理的标准证明与可靠来源进行了比较。