OpenAI Astra 攻克十大数学难题46年铁壁一朝击穿2000美元改写数学史2026年8月第一周AI 圈最炸裂的消息不是新模型刷榜而是一份数学手稿OpenAI 下一代模型 Astra 连破十道「菲尔兹奖级」数学难题其中高维球体堆积的上界指数在卡了 46 年后首次被推动。更震撼的是62 页的解题思路手稿《How the Ideas Came Together》每一个字都是 AI 自己写的人类没插手一句。一、事件回顾从内部公告到 62 页手稿8 月 2 日OpenAI 内部员工放出消息下一代模型 Astra 在十个长期悬而未决的数学难题上取得突破。两天后一份 62 页的「核心手稿」《How the Ideas Came Together》正式公开OpenAI 团队宣称其中没有一个字是人工修改的——AI 阅读了自己原始的思维链CoT和最终成文的数学论文针对每道题重构了四件事哪些想法最初指出可行路径、哪些有分量的方法撞上障碍、什么样的视角切换让底层结构露出、决定性的洞察如何构成完整论证。配套发布的还有 249 页论文合集和一整套 Lean 4 形式化证明证书Apache 2.0 开源。Lean 是莱布尼茨式的「机器可验证数学语言」仓库里 sorry 计数为 0意味着十道证明的每一个形式化步骤都被计算机验证通过。而这一切的推理成本按 Sol API 费率计算只有约 2000 美元——平均每道题 200 美元大约是一名研究生一个周末的劳务费。十道难题覆盖极广高维球体堆积、二元码与球面码、构造显式非 sofic 群推翻自 Gromov 1999 年提出 sofic 性以来的核心开放问题、推翻 Connes 刚性猜想、算术电路下界、量子并行重复定理、最近向量问题的近似困难性、Ehrhart 体积猜想以及厄尔多什问题清单中的第 146、180、183 号。每一项都至少开放了十年多数问题的研究历史更为悠久。其中讨论度最高的莫过于高维球体堆积——它足够「接地气」又足够「反直觉」。值得一提的还有这则新闻的传播节奏成果公布前Altman 已在华盛顿向白宫官员和国会议员预览了 Astra公布时 OpenAI 刻意强调「AI 参与数学研究正在带来科技公司无法单独回答的问题」。把科研能力直接摆到政策制定者面前这在过去的大模型发布中并不常见。二、焦点案例高维球体堆积的 46 年铁壁问题本身很「接地气」往一个箱子里塞同样大小的球最多能塞多满三维空间答案是水果摊上「垒橙子」的堆法人类花了四百年才在开普勒猜想的框架下完成证明2022 年数学家 Maryna Viazovska 因解决 8 维和 24 维球体堆积问题摘得菲尔兹奖。但真正的难题是当维度趋向无穷大堆积密度的上界到底在哪1978 年两位苏联数学家给出了一个上界指数0.5991。此后整整 46 年全世界最聪明的数学家连小数点后第三位都没能撼动。Astra 将其推到了 0.6044005442916776954……即密度上界写成 2^-(0.6044…o(1))d。指数越大上界越紧——这是 1978 年以来该指标首次实质改进。我们用一段 Python 直观感受一下「46 年铁壁被推动」意味着什么def upper_bound(d, exponent): 高维球体堆积密度上界: 2^(-alpha*d) return 2.0 ** (-exponent * d) for d in [10, 50, 100, 500, 1000]: old upper_bound(d, 0.5991) # 1978 年上界 new upper_bound(d, 0.6044005442916777) # Astra 新上界 print(fd{d:5d} 旧上界{old:.3e} 新上界{new:.3e} 比值{new/old:.4f}) # 输出: # d 10 旧上界1.572e-02 新上界1.516e-02 比值0.9639 # d 50 旧上界9.608e-10 新上界7.996e-10 比值0.8322 # d 100 旧上界9.232e-19 新上界6.393e-19 比值0.6925 # d 500 旧上界6.706e-91 新上界1.068e-91 比值0.1593 # d 1000 旧上界4.497e-181 新上界1.141e-182 比值0.0254 delta 0.6044005442916777 - 0.5991 print(f指数提升 Δα {delta:.6f}) print(fd1000 维收紧倍数 ≈ 2^(Δα·d) {2 ** (delta * 1000):.2f}) # 指数提升 Δα 0.005301 # d1000 维收紧倍数 ≈ 2^(Δα·d) 39.41小数点后第三位的推进在高维指数效应下被放大成 1000 维时 39 倍的上界收紧。这就是数学里「指数的力量」。顺带一提这个问题的应用价值并不抽象球体堆积与纠错码、格密码如最近向量问题、通信理论深度绑定高维空间里「怎么塞最密」与「怎么编码最抗噪」在数学上是同一件事。这也是为什么 1978 年的上界被称做「铁壁」——它挡住的不是某个偏理论的角落而是一整片应用数学的地平线。三、拆解 Astra 的推理路径手稿最有价值的地方不是结论本身而是完整还原了 AI 的推理路径。以球体堆积为例论证分三步。第一步找到方法的「天花板」Astra 首先确认Cohn–Elkies 线性规划这套经典方法存在一个不可逾越的极限。它最初用 Cauchy–Schwarz 不等式估计函数的负质量分布推了半天只能做到半径 √d/(2√π)。卡住之后AI 做出关键判断问题不在于常数没调好而在于全局范数结构根本无法记录负质量的空间位置。这不是「差一点」的问题而是「方向错了」。第二步视角切换——Mellin 变换登场Astra 放弃原思路转向 Mellin 变换配合调和测度。为什么是这个工具对径向函数而言傅里叶变换本质上等价于 Hankel 变换其核函数只依赖空间半径与频率半径的乘积在 Mellin 变换视角下这个乘积结构变成极其简洁的操作——反射加上一个显式相位因子。最精妙之处在于相位因子在实轴上模长恒为 1实轴上什么信息都看不到但一旦延拓到复平面它就携带了范数不等式丢失的那部分高维几何信息。推到极限处调和测度收敛为 logistic 密度其对数位势精确等于 digamma 函数积分结果恰好是 log(π/2)阈值 1/π 由此而来。手稿里还有一个极能说明问题的细节调和测度的总质量是 (1−σ)/2 而不是 1AI 特意标注「过早把这个核替换为概率密度会破坏指数常数」——它完全理解每一步操作对最终结果的影响。我们也用数值验证一下这个核的性质import numpy as np from scipy.integrate import quad def logistic(x): 调和测度的极限密度: 1/(4·cosh²(x/2)) return 1.0 / (4.0 * np.cosh(x / 2.0) ** 2) mass, _ quad(logistic, -50, 50, limit200) print(f∫ logistic(x) dx {mass:.8f}) # ∫ logistic(x) dx 1.00000000 # 说明: 它是归一化的概率密度; 但手稿强调, # 球体堆积中的调和测度总质量是 (1-σ)/2 而非 1, # 若过早替换为概率密度, 指数常数将被破坏第三步下界构造——高斯不够需要「形变」拿到上界后还要构造一个真正能达到上界的函数。高斯函数有正确的傅里叶对称性但鞍点位置不对。Astra 的做法是在高斯函数上乘一个偶函数形变因子让鞍点移动但不破坏对称性把所有可用阻尼用满后得到一个「理想剖面」。鞍点位移积分通过 Wallis 乘积精确计算结果等于 −(1/2)log(π/2)——这个数字把高斯函数给出的半径 1/√(2π) 精确搬运到 1/π上下界严丝合缝。其中「高斯是傅里叶/Hankel 变换不动点」这个性质正是整个论证的基石我们可以在三维里数值验证import numpy as np from scipy.integrate import quad from scipy.special import jv def hankel_gauss(s, n3, flambda r: np.exp(-np.pi * r ** 2)): 径向函数的 n 维傅里叶变换 Hankel 变换 order n / 2 - 1 integrand lambda r: f(r) * jv(order, 2 * np.pi * s * r) * r ** (n / 2) val, _ quad(integrand, 0, 30, limit300) return 2 * np.pi * s ** (1 - n / 2) * val for s in [0.5, 1.0, 1.5, 2.0]: num hankel_gauss(s) print(fs{s:.1f} Hankel{num:.6f} 理论 e^(-πs²){np.exp(-np.pi*s**2):.6f}) # s0.5 Hankel0.455938 理论 e^(-πs²)0.455938 # s1.0 Hankel0.043214 理论 e^(-πs²)0.043214 # s1.5 Hankel0.000851 理论 e^(-πs²)0.000851 # s2.0 Hankel0.000003 理论 e^(-πs²)0.000003 # 误差在 1e-16 量级: exp(-πr²) 是 Hankel 变换的不动点 ✓四、AI 做数学范式革命还是营销叙事冷静看待这则新闻也伴随着质疑。Gary Marcus 指出数学恰好是 AI 的主场因为它同时满足两个条件——可以用符号工具验证且可以低成本生成海量保证正确的合成数据这并不意味着 AI 能解决开放世界问题。目前十项结果的正式同行评审尚未完成学界态度谨慎MLQ 的报道也强调「形式化证书 ≠ 人类意义上的理解」。但积极信号同样明确密码学家 Chris Peikert 评价其中一项结果「可能正确、原创且优雅」Noam Brown 称之为「科研推理的重大一步」。OpenAI 在署名问题上也展示了新伦理如果证明完全由 AI 生成就不应署名为人类作者。值得注意的是Connes 刚性猜想方面还出现了独立并行工作——研究者 Shuoxing Zhou 借助 GPT-5.6 也构造出了反例两条路径殊途同归说明这并非偶然的运气。把视野拉远这恰好踩中 2026 年的两条主线智源研究院发布的年度十大 AI 技术趋势中「AI Scientist 成为 AI4S 北极星」与「从幻觉到欺骗AI 安全迈向机制可解释」并列上榜ICM 2026 上陶哲轩的演讲题目干脆就是《Mathematics in the Age of AI》学界甚至出现了《莱顿宣言》讨论 AI 与数学的边界。从 5 月的厄尔多什单位距离猜想反例到这次十连击再到「AI 阅读自己的思维链并撰写解题手稿」——机器正在从「辅助工具」变成「科研协作者」。手稿最动人的地方在于那是一台机器用可读的语言向人类解释它如何发现了人类没发现的数学。放在一年前这完全是科幻。五、结语46 年的铁壁被 2000 美元击穿平均每道题 200 美元——成本曲线比性能曲线更值得警惕。当「发现」的边际成本趋近于零数学家的价值将加速从「找到答案」转向「提出好问题、判断什么值得证明」。Astra 尚未公开发布十项结果等待同行评审但方向已经清晰AI 与数学的关系正在从「工具与使用者」走向「双人舞」。对开发者而言这或许是最值得跟进的技术拐点——毕竟下一个被 AI 改写的领域可能就是你的领域。
)
