当地时间10月26日,OpenAI在官网同时放出三项"发现":其内部前沿模型声称证明了所有维度的局部光滑猜想,并由此连带解决挂谷(Kakeya)猜想与Stein限制猜想;声称证伪了提出近三十年的指数时间假设(ETH);还声称给出了四维杨-米尔斯理论与量子色动力学(QCD)的严格数学存在性证明,触及千禧年大奖难题的关键部分。先把最重要的状态钉死:截至10月28日,这三项成果没有一项通过正式同行评审,全部停留在"OpenAI称"的阶段。而对普通人来说,这起事件真正的价值恰恰藏在"先声称、后核验"的整个过程中——AI生成越来越便宜,验证和理解越来越贵,把科学共同体正在用的这套"机器出成果、人类做复核"的工作流搬进日常学习,才是借力AI最高效的姿势。界面新闻知乎
局部光滑猜想由普林斯顿的Christopher Sogge在1991年提出,说人话,它回答的是"波在某个点集中放大之后,这种集中只能短暂维持"。它是调和分析的一块关键骨牌:若全维度成立,从"一根针转遍所有方向需要多大空间"的挂谷猜想(1917年提出)到Bochner-Riesz猜想的整条链会一起成立。此前人类走得最远的进展,是2019年Larry Guth、王虹与张瑞祥攻下二维情形,2025年王虹与Joshua Zahl用一篇127页论文解决三维集合版挂谷猜想——王虹也因此方向的工作,在2026年7月的国际数学家大会上捧回菲尔兹奖。按OpenAI的说法,模型在10月18日生成全维证明,次日把6个核心定理写成了Lean形式化——Lean是一台逻辑检查器,证明被翻译成它的形式语言后,机器能逐行确认推导没有疏漏。但"机器检查通过"不等于"数学家确认":这份手稿被直接放上GitHub,没有指定任何复核小组,学界至今无人正式接单。小红书新智元知乎
三张答卷,走到了三个不同的核验阶段
走得最规范的是ETH。这项1999年提出的假设,是过去三十年理论计算机科学"证明某问题不可能更快"的常用前提。OpenAI宣称其内部模型在10月16日给出了反例——一个精确计算布尔公式解个数的新算法,10月17日完成Lean形式化,代码和论文随后在GitHub以开源许可证发布。挑头复核的,正是当年提出假设的两位学者Impagliazzo、Paturi与MIT的Ryan Williams,三人公开信开篇就直言"我们的参与不应被视作对该声称的背书",并要求不签保密协议、不收报酬、公开全部原始数据。即便反例最终成立,它给出的也只是亚指数时间算法——仍是超多项式量级,远谈不上实用。OpenAI联合创始人Greg Brockman自己也补了一句:“P大概率仍然不等于NP。”知乎知乎
震动最大但处境最尴尬的是局部光滑猜想,原因如上——卷子摊在桌上,判卷人还没出现。争议最大的是杨-米尔斯:OpenAI对这一项采纳了外部小组建议的第三种发布方式,材料暂不公开,交给诺贝尔物理学奖得主David Gross牵头的五人团队先行理解消化。这一闭门安排随即招致普林斯顿高等研究院托管的"数学与人工智能顾问组"(AGMAI)公开反对——其成员包括菲尔兹奖得主Timothy Gowers、Martin Hairer和Edward Witten等人,点名要求OpenAI立即公开自然语言证明和Lean代码。还要注意概念边界:这次只涉及千禧年难题"杨-米尔斯存在性与质量间隙"中的存在性部分,质量间隙并未解决,OpenAI自己也没有宣称拿下千禧年难题——"AI攻克千禧年难题"这类转写已经在传播链里出现,是错的。知乎早报知乎
学界的警惕不是空穴来风
10月6日,OpenAI曾一口气公开七百多篇模型生成的数学手稿,一天之内就有3篇被撤回、14篇被修补,仓库说明自己也写着:未经Lean形式化的结果"可能有问题"。更微妙的是机器检查与人类理解之间的缝隙:今年10月,剑桥与伦敦国王学院的三位学者专门发布预印本,指出此前纳维-斯托克斯问题的自然语言证明与其Lean形式化之间存在至少两处脱节——机器只能保证"被形式化的那个命题"证得对,不能保证它就是人类想问的题,更不能保证给人读的那篇论文自洽。这正好是MIT数学家Andrew Sutherland那句"我们应该要收据"的场景。知乎
这套流程,普通人怎么搬到自己的学习里
给AI的答案分三级。第一级"声称"(一篇通稿、一句回答),第二级"机器或数据可查"(代码、原始数据、可复算的过程),第三级"独立专家背书"。这次三项成果全部停在第一级。用同样的标尺量AI给你的每个答案:哪些是它说的,哪些是可以顺着查到的,哪些是连它自己也拿不出凭据的。把这三格在笔记里分开写,比记住任何一个具体结论都值钱。
让AI当出稿的人,你做审稿的人。别只要答案:让AI写出完整推导、编出例题、给出反例,然后你去找茬——试着推翻它、换个条件重算一遍、再用自己的话复述。七百多篇手稿一天内撤三补十四说明,第一稿水平的内容直接当定论用,连OpenAI自己都躲不过这个错误率。而对学习者来说,找茬和复述这两个动作本身,就是留存率最高的学习。
重要结论追到一手来源。这次真正可核验的材料——自然语言论文与Lean证明——都在OpenAI官网和GitHub仓库里,任何人都可以直接下载审阅。而传播链每往下走一层就失真一档:一个"存在性"半题被转写成"AI攻克千禧年难题"。平时让AI给答案时,顺手让它给出处,再顺着出处找到原文或第二个独立信源;AI说得越斩钉截铁,越值得多查一步——同一个模型的自我背书不算独立复核,换个模型、换个信源交叉,才叫收据。小红书
把省下来的时间花在批改上,而不是刷更多答案。《莱顿宣言》在2026年6月就已点破这场结构性变化:生成一个看似可行的推导越来越便宜,而读懂、挑错、讲清含义的成本反而被指数级放大的信息垃圾挤压得越来越高。用AI把答案搜集的时间压缩掉,把省下的时间投到"吃透、挑错、讲给别人听"上,才是站在趋势同一边的学法。知乎
社区里有个被大量点赞的玩笑:"真正的顶刊是GitHub。"这话说对了一半——材料确实前所未有地公开,但审稿的活儿还是人的。对普通人而言,会用AI的人,就是把自己当成这场顶级审稿的实习生:AI负责快,你负责真。眼下三项成果的最终裁决还要等数学家们把数千行推导吃透,没有明确时间表;但上面这四步不依赖裁决结果——无论这次是成真还是被推翻,"把声称和结论分开"都是AI时代最保值的学习能力。