AI科学革命！OpenAI发布62页核心手稿 破解十大菲尔兹奖级数学难题

徽声在线独家报道

AI领域迎来里程碑时刻！十大「菲尔兹奖级」数学难题被AI攻克，完整证明过程首次全面披露！

近日，OpenAI震撼发布一份长达62页的「核心研究手稿」，详细展示了GPT系列模型在数学推理领域的突破性进展。

官方正式确认，完成这一壮举的正是备受瞩目的「下一代主力模型」，其推理成本仅需2000美元（按GPT-5.6 Sol API计费标准计算）。

这份AI证明手稿的发布，立即在科技界引发强烈反响。

业界普遍猜测，这或许就是传说中的GPT-6原型机，更有专家惊叹：2000美元竟能解锁如此重大的科学突破！

AI攻克十大数学世纪难题

成本仅2000美元

两天前，OpenAI内部技术博客透露，其下一代模型Astra成功破解了十大数学难题。

当相关清单公布时，整个数学界为之震动。

这些难题涵盖：高维球体堆积、二元码与球面码、群论、Connes刚性猜想、算术电路下界、量子并行重复、最近向量问题、Ehrhart体积猜想、多色Ramsey数、极值图论等前沿领域。

此前，OpenAI已发布249页的论文合集和全套Lean 4形式化验证证书。

而此次正式公开的62页手稿《How the Ideas Came Together》，详细记录了这些突破性想法的演化过程。

完整文档下载：https://cdn.openai.com/pdf/reasoning-walkthroughs.pdf

手稿摘要虽简短，但信息量巨大——

该笔记完全由AI模型自主撰写，OpenAI研究团队未作任何干预。

AI通过分析原始思维链(CoT)和最终数学论文，为每道题目重构了四个关键维度：

1. 最初指引可行路径的核心想法

2. 遭遇实质性障碍的重量级方法

3. 揭示问题本质的视角转换

4. 构成完整论证的决定性洞察

焦点难题解析：高维球体堆积

46年未解的数学谜题

在所有难题中，高维球体堆积问题最受关注。

这个看似简单的问题：如何在一个箱子里最密集地堆放相同大小的球体？实则蕴含着深刻的数学原理。

三维空间的情况早已解决，就像水果摊上「垒橙子」的堆叠方式。

但在数百维、上千维的空间中，人类数学家仅能确定一个「上界」——即最大可能密度不超过某个值。

这个上界的指数卡在0.5991已达46年之久，自1978年以来毫无实质性进展。

而Astra模型将其突破至0.6044005442916776954…，密度上界精确表示为 2^-(0.6044…+o(1))d。

突破性解法解析：

Astra首先确定了Cohn–Elkies线性规划方法的理论极限。

AI最初尝试用Cauchy–Schwarz不等式估计函数负质量，但只能达到半径√d/(2√π)的精度。

在遇到瓶颈后，AI做出关键判断：障碍不在于常数优化，而在于全局范数无法捕捉负质量分布。

于是，Astra创新性地采用Mellin变换结合调和测度的新方法。

为何选择这种组合？

对于径向函数，傅里叶变换本质上是Hankel变换，其核仅依赖于空间半径与频率半径的乘积。

在Mellin变换框架下，这简化为极其简单的操作：反射加显式相位调整。

这里有个精妙之处：相位因子在实轴上模长恒为1，在实轴上完全无法察觉其作用。

但当扩展到复平面时，它恰好携带了范数不等式丢失的高维信息。

在极限情况下，调和测度收敛为logistic密度，其对数位势精确等于digamma函数，积分结果正好是log(π/2)。

1/π这个关键阈值由此诞生

一个细节充分证明AI的深度理解：

调和测度的总质量是(1−σ)/2，而非1。手稿特别强调：过早将核函数替换为概率密度会改变指数常数。

获得下界后，还需构造达到该界限的函数

高斯函数提供了正确的傅里叶对称性，但鞍点位置不准确。

解决方案是引入偶数形变，使鞍点移动而不破坏对称性。充分利用阻尼后，获得「理想剖面」。

其鞍点位移积分通过Wallis乘积精确计算，结果为−(1/2)log(π/2)。

这个数值将高斯的半径1/√(2π)精确调整为1/π。

下界预测半径与构造半径在此完美吻合。

手稿还揭示一个关键实施细节：

构造辅助函数时，远处需要添加正阻尼。

但阻尼必须施加在整个区间而非单点，因为单点阻尼会导致共振频率问题。

非sofic群突破：破解27年数学难题

另一重大突破是构造出「非sofic群」，这个困扰数学家27年的难题。

曼彻斯特大学数学家Thomas Bloom评价：在构造类成果中，这比之前的单位距离猜想反例更具重大意义。

「sofic群」概念由阿贝尔奖得主、俄罗斯数学家Mikhail Gromov于1999年提出。

在希伯来语中，sofic意为「有限」。

通俗解释：

判断一个群是否为sofic，本质是问：这个无限抽象结构能否被「足够大的有限排列操作」近似模拟？

Astra给出了显式构造，证明存在无限的、有限表现的「非sofic群」。

手稿最宝贵的贡献是揭示了真正的障碍——

Kun定理提供多个扩张图，而Kun–Thom定理只需一个。

「多」与「一」之间的鸿沟，构成了核心难题。

AI将此称为「关键错配」（the crucial mismatch）。

它用一个简洁例子说明为何不能随意选择：

在两个完全相同的Q并集（Q⊔Q）上，「交换两份」操作与扩张的K作用精确交换，但不保持任何单个分量。

这意味着近似中心元素会在分量间自由跳转，无法被捕获。

更早的弯路：尝试直接将property (T)转化为混合性。这需要lazy或反二部平均集，因为二部图可能在-1附近有谱，尽管在1处有Kazhdan间隙。

修正平均确实解决了谱问题，但无法解决分量选择问题。

为此，Astra先尝试一种方案：对组件大小取对数、在随机平移网格上分箱，再转换为有界中位数比较。

但这条路失败了，AI总结出关键经验：

必须使用分量规模的有界单调函数作为平均基准，绝不能使用无界规模本身。

最终方案基于此原则重构：

在每个环境扩张分量A中，取顶点加权中位数m_A，定义

f(x) = M(x) / (M(x) + m_A)

其中M为分量规模。这个f值域在[0,1]之间，且1/2恰好是每个A的中位数。

这种设计将失控量转化为可控量。

关键在于生成元是置换操作——仅改变位置不改变数量，总变化必然为零；每步变化微小，两侧都可忽略。

再按高度分割、对小侧使用扩张性，两端夹逼：f几乎处处等于1/2。

这意味着同一范围内所有块规模几乎相同，实现精确匹配。

最终处理时，还剩一小片异常区域。

Astra采取反直觉策略：选择最大可能的异常区域整体移除——正因为选择最大区域，反而证明其可忽略不计。

Gromov提出的难题，在27年后终于得到解答。

其余八道题的完整AI证明过程，可参考：https://cdn.openai.com/pdf/reasoning-walkthroughs.pdf

技术奇点临近：AI科学革命进行时

手稿发布后，OpenAI强化学习专家Mo Bavarian发表长文感慨。

他开篇写道：这真是一个「超现实」时刻。

2021年，他和团队发布GSM8K数据集——包含8500道小学数学应用题，解题步骤仅需2-8步。

在GPT-2/3时代，AI连基础数学应用题都处理不稳，仅能勉强撰写邮件。

然而短短几年，大规模强化学习取得突破性进展，曾经看似不可逾越的技术障碍被逐一攻克。

这个进化速度，远超预期。

Mo Bavarian表示：「对我而言，这一刻比任何时候都更接近技术奇点」。

几年前，AI还在为小学应用题挣扎。

如今，2000美元的推理成本就能产生可能载入数学史的重大发现。

技术奇点的到来，或许比我们想象的更近。

参考资料：

https://cdn.openai.com/pdf/reasoning-walkthroughs.pdf

编辑：科技前沿观察员

我们，正在见证历史！

重磅！OpenAI下一代AI模型攻克10项菲尔兹奖级数学难题