围绕 722 篇数学手稿的讨论尚未结束，OpenAI 又公布了三项新的跨学科研究结果。这一次，最受关注的不只是数学问题，还包括一个在理论计算机科学中被广泛接受近 30 年的基础假设。
10 月 26 日，OpenAI 宣布在数学、计算机科学和物理学三个方向取得新成果：证明所有维度下的局部光滑化猜想、证伪指数时间假设（Exponential Time Hypothesis，ETH），以及为包括量子色动力学（QCD）在内的四维量子场论建立严格的数学存在性证明。OpenAI 总裁 Greg Brockman 在 X 上将其称为三项重大科学发现，并表示 AI 开始帮助人类增进对宇宙的理解。
不到三周前，OpenAI 刚公开由内部模型生成的 722 篇数学手稿，涉及 372 个成果族和 17 个研究方向。此前外界从这批材料中梳理出 30 道最受关注的经典难题，四维挂谷猜想就是其中之一。如今，挂谷问题再次出现，但这次最引发理论计算机科学界讨论的，是另一个缩写：ETH。
OpenAI 宣称证伪 ETH
理解 ETH，可以先看一个简单例子。假设一把密码锁的每一位只能取 0 或 1，已知若干限制条件，例如第一位和第二位不能同时为 0，第二位或第三位至少有一位为 0，第一位、第三位和第四位不能全部为 1。问题在于，是否存在一组数字能同时满足全部条件。
在计算机科学中，这类只有 0 和 1 两种取值的选择可表示为布尔变量，对应「真」和「假」。如果把每条限制写成由不超过三个变量或其否定通过「或」连接的逻辑条件，再判断是否存在一组赋值让所有条件同时成立，就得到经典的 3-SAT 问题。
四位密码最多只需检查 16 种组合，但如果密码长度变成 100 位，可能组合数会增加到 2^100。即便更高明的算法不必逐一枚举，面对一般的 3-SAT 问题，计算机究竟能快到什么程度，始终是理论计算机科学中的核心问题。
1990 年代末，Russell Impagliazzo、Ramamohan Paturi 和 Francis Zane 提出了指数时间假设。其核心观点是，不存在一种能够在亚指数时间内解决所有 3-SAT 问题的算法。换句话说，无论算法如何改进，都无法把最坏情况下的运行时间降到 2^{o(n)} 这一量级，其中 n 表示布尔变量数量。
此后近 30 年，ETH 逐渐成为理论计算机科学的重要基础假设。研究者常以它为前提，推导图算法、数据库查询和计算生物学等领域的计算时间下界，已有数百篇论文依赖这一假设建立条件性的困难性结论。
OpenAI 这次公开的证明称，其内部模型针对固定宽度的 CNF 布尔公式构造出一种确定性算法，不仅能判断是否存在满足条件的赋值，还能精确计算满足条件的赋值数量。以前述密码问题为例，前者只需找到一组可行解，后者则要算出究竟有多少组密码满足全部条件。
更关键的是运行速度。对于子句数量与变量数量成比例的相关问题，OpenAI 给出的运行时间界为 2^{O(n/√log n)}，略去多项式因子后，这属于亚指数时间。如果证明成立，就意味着 ETH 被证伪。
这并不等于所有困难问题都能被快速解决，但过去被视为无法跨越的一道理论边界，可能已被突破。
更具戏剧性的是审查这项成果的人选。OpenAI 邀请了加州大学圣迭戈分校的 Impagliazzo、Paturi，以及麻省理工学院的 Ryan Williams 组织外部研究团队。前两人正是 ETH 的原始提出者，Williams 长期研究算法与计算复杂性下界。
近 30 年前提出这一假设的研究者，如今将亲自参与检查 AI 给出的反证。根据 OpenAI 公布的时间线，模型在 10 月 16 日生成 ETH 的自然语言反证，次日完成 Lean 形式化，并于 10 月 26 日正式公布结果。Williams 等人随后宣布组织开放、独立的审查。
一个被理论计算机科学界广泛使用近 30 年的假设，如今可能被 AI 改写，而它的提出者正与同行一起检验这份证明。
从三维、四维结果推进到所有维度的挂谷问题
把视线转回数学，挂谷问题并不陌生。在此前 722 篇手稿的报道中，这个起源于「一根针如何转遍所有方向」的问题已被反复提及。它后来延伸出高维集合的维数猜想，并与调和分析、偏微分方程建立了深刻联系。
2025 年，王虹和 Joshua Zahl 解决了三维挂谷集合猜想。此前，OpenAI 的第 074 号成果族还声称进一步证明三维挂谷极大猜想和四维挂谷维数猜想，但当时这两份手稿尚未对应 Lean 形式化证明。
这一次，OpenAI 选择了另一条路径。新成果首先针对的是数学家 Christopher Sogge 于 1991 年提出的局部光滑化猜想（Local Smoothing Conjecture）。这一猜想研究波在传播过程中如何聚焦：某个瞬间，波可能在局部异常集中；但如果把一段时间内的表现放在一起观察，这种极端集中的状态无法长期维持。
可以把它理解为水面上相遇的波纹。某一时刻，波峰可能在某个位置叠加得很高，但随着波继续传播，最极端的峰值会很快变化。局部光滑化要做的，是用精确不等式说明时间平均能带来多少额外的规则性。
这并非单纯讨论波的数学游戏。波方程的行为、傅里叶分析中的限制估计，以及挂谷集合的几何结构，背后存在一套彼此牵连的理论框架。
2019 年，Larry Guth、王虹和张瑞祥证明了二维空间下的局部光滑化猜想。OpenAI 现在宣称，其模型找到一种新的辅助偏微分方程，并据此把证明推进到所有空间维度。按照 OpenAI 的说法，这一结果进一步解决了所有维度下的挂谷猜想与 Stein 限制猜想。
从此前围绕三维、四维的特定结果，到这次声称通过局部光滑化给出覆盖所有维度的统一结论，变化相当明显。
时间线也很紧凑。OpenAI 表示，模型在 10 月 18 日得到证明，10 月 19 日完成 Lean 形式化。自然语言手稿和形式化证明已经公开。与 ETH 不同，OpenAI 没有为数学部分指定先行审查小组，而是直接公开材料，由研究者自行组织解释和复核。
OpenAI 公开的局部光滑化猜想 Lean 形式化证明说明，涵盖所有二维及以上空间中的局部光滑化估计，并证明相应维度下挂谷集合具有完整的 Hausdorff 维数。
物理学部分指向 QCD 与杨—米尔斯存在性
如果说 ETH 讨论的是计算究竟能有多快，挂谷和局部光滑化讨论的是空间与波的性质，那么第三项成果已经直接触及现代物理学描述微观世界的基础。
量子色动力学描述夸克和胶子之间的强相互作用。物理学家用它研究质子、中子以及构成它们的更基本粒子，相关计算和实验构成了现代粒子物理的重要支柱。
但这里存在一个长期难题：一套理论可以在物理计算和实验中表现得非常成功，要把它严格构造成满足数学公理的量子场论，则是另一回事。
在四维时空里，粒子之间的相互作用、不同尺度上不断出现的量子涨落，以及如何从近似计算走向严格定义，使构造性量子场论长期面临巨大的数学困难。
OpenAI 这次声称，内部模型沿着数学物理学家 Tadeusz Balaban 的构造性量子场论研究路线，建立了某些包含规范场与费米子的四维相互作用量子场论的严格存在性证明，其中涉及 QCD，以及一种容纳标准模型规范场和费米子的统一扩展。
这项工作还包含纯 Yang–Mills 理论的存在性证明。2000 年，克雷数学研究所将「杨—米尔斯存在性与质量间隙」列为七大千禧年数学难题之一。该问题要求的不只是证明量子杨—米尔斯理论存在，还要证明其具有正的质量间隙。OpenAI 这次宣布的部分是存在性，并未宣布解决质量间隙。
物理学部分最受关注的，还有接手研究的科学家名单。2004 年诺贝尔物理学奖得主 David Gross 将牵头一个工作组，成员包括 Michael Douglas、Arthur Jaffe、Igor Klebanov 和 Nikita Nekrasov。Gross 因渐近自由相关工作获奖，而渐近自由正是理解强相互作用在极短距离下行为的关键；Jaffe 则与 Edward Witten 共同撰写过杨—米尔斯千禧年难题的正式表述。
这次的发布方式也与前两项不同。OpenAI 透露，模型早在 9 月 9 日就生成了杨—米尔斯存在性证明，9 月 18 日又生成 QCD 相关证明。由于材料复杂且篇幅庞大，公司一直等到 10 月 16 日完成杨—米尔斯存在性的 Lean 形式化，才推进外部合作。
物理工作组选择先整理、理解并撰写自己的研究文本，暂时不公开 AI 生成的原始证明。也就是说，这项最接近现代物理学基础的成果，目前仍需由专家组把长篇证明转化成同行能够阅读、判断和继续使用的研究材料。
OpenAI 开始区分「生成证明」与「形成科学理解」
回看这三项成果，值得关注的不只是问题本身的分量，还有 OpenAI 处理这些成果的方式。
10 月 6 日公布 722 篇手稿时，OpenAI 采用的是集中公开模式：论文、证明文件、结果目录和部分模型推理摘要一并放入 GitHub。数学家可以直接阅读，但也随之面对一个现实问题：数百份横跨不同学科的手稿，究竟由谁来检查、由谁来解释，又如何判断其中哪些包含真正的新思想。
这不只是工作量问题。此前那批手稿公开后，有三份因证明中的符号错误被撤回。另一方面，即便有 Lean 形式化，学术界仍需确认形式化定理是否准确对应原始猜想，以及证明中到底引入了哪些可迁移到其他问题的新方法。
OpenAI 现在对这些 AI 产物使用了一个新的表述：原始研究数据。
这种定位把「产生证明」与「形成科学理解」分开。前者可以由 AI 先完成；后者则需要研究者复核论证、重写解释、追溯已有工作、判断贡献，并把新工具纳入学科现有知识体系。
因此，10 月 26 日公布的三项成果，对应了三种不同安排：
- 数学部分直接公开，由社区自行组织研究；
- 计算机科学部分公开证明，同时邀请 ETH 原始提出者和领域专家组织独立审查；
- 物理部分先交给专家团队整理，待其完成研究文本后再决定如何发表。
OpenAI 同时提出几条合作原则：外部成员自愿、独立参与，不签署保密协议，也不因模型发现而替 OpenAI 争取学术署名；他们应当因自己完成的解释、证明整理和后续研究获得认可。公司还承诺支持独立审查，并在此前宣布向 Simons Foundation 的相关计划投入 500 万美元，用于研讨会、学术会议和研究项目。
三种发布方式背后，其实指向同一个问题：当 AI 能在短时间内生成大量前沿研究成果，科学界该如何消化这些新知识。
直接公开证明，可以让更多研究者立即参与，但也意味着庞大的审查工作需要由社区自行承担。先交给专家团队，则能集中力量整理复杂成果，但也让部分研究者比其他同行更早接触到材料。
OpenAI 显然也意识到了这一点。相比 10 月初一次性公开 722 篇数学手稿，这次它不仅公布研究结果，也开始尝试为不同学科建立相应的审查和合作机制。
ETH 的故事提供了一个颇具象征性的场景。近 30 年前，Impagliazzo 和 Paturi 参与提出这一假设，此后数百篇论文以它为前提，探索计算问题的复杂性边界。如今，OpenAI 的模型声称找到了反证，而这两位科学家正与同行一起重新审视这个曾由他们参与建立的理论基础。
对 OpenAI 而言，模型已经完成证明的生成和形式化。对科学界而言，真正的研究工作仍在继续：审查算法、理解证明中的新方法，以及判断这些结果将如何影响后续研究。
从 722 篇数学手稿到如今横跨三个学科的研究成果，OpenAI 展示的已不只是 AI 能产出多少证明，也开始触及一个更现实的问题：当 AI 持续提出新的科学结论，人类如何把这些结论转化为真正可以理解、验证和继续发展的知识。
本文来自微信公众号「机器之心」（ID：almosthuman2014），作者为「关注AI的」。
