OpenAI再抛三项科学突破：数学证明、ETH与QCD，谁来验算？

不到一个月前，OpenAI刚公布数百份手稿，称其解决了一批长期悬而未决的数学问题。如今，它又宣布在数学、计算机科学和物理学领域取得三项重大进展。这次值得关注的，不只是结果有多惊人，还有这些AI生成的成果该由谁核验、如何公开。

数学：一份证明，牵动多个经典猜想

这次数学成果的核心，是欧几里得空间中波动方程的局部光滑性问题。OpenAI称，模型给出的证明借助一个辅助偏微分方程，在所有不低于二维的空间中，证明了索格（Sogge）的波动方程局部光滑性猜想。

按照OpenAI的技术说明，这一结果还能推出角谷（Kakeya）极大函数猜想与维数猜想，并在猜想所预测范围的内部，得到斯坦（Stein）的球面限制性估计。公司在概括成果时则称，模型证明了各维度的局部光滑性猜想，进而解决了所有维度的角谷猜想和斯坦限制性猜想。

这些问题在数学界分量很重。据《The Verge》报道，就在几个月前，纽约大学教授王虹因解决三维角谷猜想，获得了国际数学联盟颁发的菲尔兹奖。

不过，OpenAI宣布获得证明，并不意味着相关结论已经完成学界核验。公司表示，数学顾问建议它直接公开模型输出，让研究者自行梳理和解释；此次发布也沿用了10月6日公开模型输出的做法。

计算机科学：挑战指数时间假说

计算机科学方向的声明同样惊人：OpenAI称，一项新结果推翻了长期被广泛认为成立的指数时间假说（ETH）。这一假说于1999年提出，是计算复杂性研究中的重要假设。

具体而言，论文给出了一种确定性算法，能够在亚指数时间、以多项式空间，精确计算固定子句宽度的合取范式（CNF）公式有多少个满足赋值。OpenAI称，将算法用于3-SAT这一情形，就足以反驳指数时间假说。

负责审查和解释证明的，是一个由三位计算机科学家牵头的独立工作组：加州大学圣迭戈分校的罗素·因帕利亚佐（Russell Impagliazzo）、拉马莫汉·帕图里（Ramamohan Paturi），以及麻省理工学院教授瑞安·威廉姆斯（Ryan Williams）。其中，前两位也是1999年提出这一假说的研究者。

应工作组要求，相关材料立即向公众开放，供更多人检查。报道发布当天，AI生成的论证文稿及Lean形式化证明已在GitHub公布；工作组参与核验，不等于已经确认结论成立。

物理学：完整材料尚未公开

相比之下，物理学成果还没有完整发布。OpenAI将其描述为一项“数学上严格的存在性证明”，涉及四维时空中包含规范场和费米子的某些相互作用量子场论，其中包括量子色动力学（QCD），以及粒子物理标准模型的一种统一完备理论。

OpenAI表示，大卫·格罗斯（David Gross）将牵头指导这项工作的后续推进。团队成员还包括迈克尔·道格拉斯（Michael Douglas）、阿瑟·贾菲（Arthur Jaffe）、伊戈尔·克莱巴诺夫（Igor Klebanov）和尼基塔·涅克拉索夫（Nikita Nekrasov）。

这也体现了本轮发布方式的变化：计算机科学和物理学成果，都有外部专家参与指导，OpenAI将他们称为“shepherds”，可理解为引导成果接受审查与解读的人。数学成果则依照顾问建议，直接交由研究共同体研究和解释。

比突破更难的，是建立可信的核验规则

引入专家，并没有消除争议，OpenAI也承认这种方式可能带来问题。据报道，由OpenAI组建的AGMAI数学顾问小组刚在前一天明确建议：AI公司不应采用指定部分人士优先获取模型输出的做法。

顾问们担心，这会造成获取机会不平等，让未经充分检验的成果借用专家声誉，也可能引入人员选择上的偏差。他们建议，未来AI实验室应将输出发布到学术资料库，同时提供Lean形式化证明、问题选择过程等信息，并为理解和核验成果的研究者提供经费支持。

计算机科学工作组也向学界发布了公开信，征求如何审查此次主张、如何建立AI成果研究规范的意见。信中提出了三个更广泛的问题：

• 提前获取AI成果、披露利益冲突，以及利用未发表材料开展后续研究，应遵循什么规则？
• 除了发现本身，检查、修正、简化、解释和扩展成果的工作，应如何获得相应认可？
• 当研究方法和方向发生变化时，如何支持学生与研究者，同时保留质疑结果、提出新想法所需的理解力与判断力？

这些问题指向同一个现实：AI可以快速产出复杂论证，但把论证变成学界能够理解、检验和继续使用的知识，仍需要大量工作。成果如何公开、核验劳动由谁承担、贡献如何分配，已经成为这轮科学声明的一部分。

编辑观察： 三项主张若经得起检验，影响都可能十分深远；现阶段，判断应跟着公开材料和核验进度走。AI生成证明的速度越快，学术界就越需要让核验过程可追溯，并给予检查、修正和解释成果的人足够支持与认可。对这类由AI驱动的研究流程，云栈社区上的开发者也已经有不少讨论：核验、复现与贡献归属，可能比模型跑出一个结果更难。

来源：The Verge

原文链接：https://www.theverge.com/ai-artificial-intelligence/1019143/openai-eth-kaseya-science-math-physics