OpenAI公开62页核心手稿！AI连破十大「菲尔兹奖级」难题

新智元报道 十大「菲尔兹奖级」成果，AI证明过程全公开了！ 今天，OpenAI重磅放出一份长达62页的「核心手稿」，详细展示了GPT的完整推演。 官方终于「盖章」，完成这一惊人突破的，正是「下一代主力模型」。 若以GPT-5.6 Sol API计费标准算，烧掉的所有Token成本，仅2000美元。 AI证明手稿一出，全网再次被点燃了。 所有人都在盲猜，「这绝对就是传说中的GPT-6」！还有人连连惊叹，2000美元竟解锁了十个历史级成就。 GPT 破十大世纪难题 仅2000美元 两天前，OpenAI内部员工放出一篇博客，直言下一代模型Astra攻克了十大数学难题。 一张清单图摆出，震惊了所有人。 覆盖了高维球体堆积、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。 当时，官博挂出了249页的论文合集和一整套Lean 4形式化证书。 但直到今天，一份62页的手稿正式公开，名叫《How the Ideas Came Together》——这些想法是怎么凑到一起的。 传送门：https://cdn.openai.com/pdf/reasoning-walkthroughs.pdf 它的「摘要」只有一小段，但信息量却大得惊人—— 这份笔记由AI模型独立撰写，OpenAI团队完全没有插手。 AI读了原始的CoT，以及最终成文的数学论文，然后针对每一道题重构出四件事： 哪些想法最初指出了一条可行的路径； 哪些看起来很有分量的方法撞上了真正的障碍； 什么样的视角切换让底层结构露出来； 决定性的洞察最后是怎么构成完成论证的。 全网热议难题 高维球体堆积，46年没人动 十道题里，全网关注度最高的，是高维球体堆积。 抛开高深的名字，问题本身其实通俗易懂：往一个箱子里，塞一堆一样大的球，最多能塞多满？ 三维空间的答案早就有了，就是水果摊上「垒橙子」那种堆法。 但到了几百维、上千维，人类只能给出一个「上界」——最多不可能超过多少。 这个上界的指数，卡在0.5991上，从1978年算起，46年没有实质推进。 而Astra，直接把它推到了0.6044005442916776954…，密度上界写成 2^-(0.6044…+o(1))d。 关键是，它怎么推开的？ 首先，Astra在推演过程中，确定了Cohn–Elkies线性规划这套方法本身的极限。 AI最初的思路是，用Cauchy–Schwarz去估计一个函数的负质量，做了半天，只能做到半径√d/(2√π)。 卡住之后，它给出了一个判断：障碍不是常数没优化好，是全局范数根本记不住负质量落在哪里。 于是， Astra决定更 换视角：改用 Mellin变换，外 加调和测度。 但，为什么是它？ 因为对径向函数来说，傅里叶变换本质上是Hankel变换，它的核只依赖空间半径和频率半径的 乘积 。 在Mellin这一侧，这件事就变成了一个极其简单的操作： 反射，加一个显式的相位。 这里还有一个精妙的地方：那个相位因子在实轴上模长恒等于1， 在实轴上什么都看不出来 。 但它往复平面外延拓时，携带的正是范数不等式丢掉的那部分高维信息。 推到极限时，调和测度收敛成一个logistic密度，而它的对数位势精确等于digamma函数，积分出来正好是log(π/2)。 1/π这个阈值，就是从这儿出来的。 有个细节特别能说明它知道自己在干什么： 调和测度的总质量是(1−σ)/2， 不是1 。手稿专门写了一句： 太早把这个核换成概率密度，会改掉指数常数。 下界拿到了，还得构造出一个真正达到它的函数。 高斯给了对的傅里叶对称性，但鞍点位置不对。 做法是乘上一个偶的形变，让鞍点移动而不破坏对称性。把可用的阻尼吃满之后，得到一个「理想剖面」。 它的鞍点位移积分靠 Wallis乘积 算出来，正好等于−(1/2)log(π/2)。 这个数把高斯的半径1/√(2π)精确地搬到了 1/π 。 下界预测的半径，和上界构造出的半径，在这里对上了。 手稿中，还有个特别具体的细节： 构造辅助函数时，远处需要补一块正的阻尼。 而这块补丁 必须加在一整个区间上，不能加在单点上，因为 加在单点会撞上共振频率。 非sofic群，难点是「多」和「一」 第二道热题，便是27年没人构造出来的「非sofic群」。 曼彻斯特大学数学家Thomas Bloom直言，「在构造类成果里，这比之前的单位距离猜想反例更重大」。 「sofic群」这一概念，是由阿贝尔奖得主、俄罗斯数学家Mikhail Gromov于1999年提出。 在希伯来语中，sofic代表着「有限」。 用大白话讲，一个群是不是sofic，问的是这么件事： 这个无限大的、抽象的结构，能不能被一堆「足够大的有限洗牌操作」近似地模拟出来？ Astra给出了一个显式构造，答案是：存在一个无限的、有限表现的「非sofic群」。 手稿里最有价值的，是它写清楚了真正卡住的地方—— Kun定理给的是许多个扩张图，而Kun–Thom定理要的是一个。 「多」和「一」之间那道坎，是整章的核心难点。 AI把这个称为「关键的错配」（the crucial mismatch）。 它给了一个特别干脆的例子说明为什么不能随便挑一台： 在两份完全相同的Q并起来（Q⊔Q）上，「交换两份」这个操作跟扩张的K作用 精确交换 ——但它 不保持任何一个分量 。 也就是说，那些「近似中心的东西」可以在分量之间来回跳，你根本抓不住。 在这之前还有一条更早的弯路： 想把property (T)直接转成混合性。这需要一个lazy或者反二部的平均集，因为一个二部图可以在−1附近有谱，尽管它在1处有Kazhdan间隙。 修正平均确实治好了这个谱问题，但 治不了「到底选哪个分量」 。 为此， Astra 先试了一版方案：把组件大小取对数、在随机平移的网格上分箱，再换成有界中位数比较。 但是这条路失败了，通过经验总结AI得出： 要平均的，永远是分量规模的一个有界单调函数，绝不能是无界的规模本身。 因此，最终版本以这个「本质原则」进行了重写。 在每个环境扩张分量A里，取一个顶点加权的中位数m_A，然后定义 f(x) = M(x) / (M(x) + m_A) M是分量规模。这个f永远在0和1之间，而且1/2恰好是每个A上的中位数。 这个f的好处，在于它把一个失控的量变成了一个受控的量。 关键在于生成元是置换——只挪位置、不增不减，走一圈总变化必然是零；而每步最多掉一点点，两边就都被压成可忽略。 再按高度切开、对小的一侧用扩张性，两头一夹： f几乎处处等于1/2 。 也就是同一范围里所有块的规模被夹得几乎一样大，这才能一一对上号。 最终收尾时，还剩一小片区域。 Astra 的处理很反直觉：挑一片 尽可能大 的坏区域整个扔掉——正因为挑的是最大的那片，才反过来证明它其实小到可以忽略。 Gromov的问题，27年后有了答案。 其余八道题的AI证明过程，感兴趣的伙伴可参阅： https://cdn.openai.com/pdf/reasoning-walkthroughs.pdf 「奇点」降临，倒计时 手稿公开第一时间，OpenAI强化学习大佬Mo Bav