刚刚，数学核爆！OpenAI突然「屠榜！722篇手稿一夜公开，逼近黎曼猜想，数学家炸锅了！

摘自 深科技首席 深科技

OpenAI数学核爆！722篇手稿突然公开，数学界炸锅了

数学界，今晚可能真睡不着了。

就在刚刚，OpenAI干了一件相当疯狂的事：

突然公开「math」项目库，一口气放出722篇数学手稿，覆盖372个结果家族。

更夸张的是，其中绝大多数成果来自OpenAI一个尚未公开的内部前沿模型。

OpenAI披露，整个测试涉及大约4000个数学问题，绝大多数结果采用相同流程产生，平均每项结果只消耗大约3小时ChatGPT Pro级thinking compute。

此前OpenAI还表示，其内部模型已经解决100多个长期未解的开放数学问题。

什么概念？

过去一个数学家可能研究几年、十几年甚至一辈子的问题，现在AI开始按「小时」计算。

数学圈这次真的坐不住了。

1、OpenAI直接扔出722篇数学手稿
这次OpenAI不是发一两篇论文，而是直接扔出了一个「数学成果库」。

官方GitHub仓库目前收录722篇数学手稿，整理成372个结果家族，覆盖数论、代数几何、凸几何、理论计算机科学等多个领域，同时提供预印本、推理材料以及部分Lean形式化证明。

不过，这里必须强调：

722篇手稿，不等于722个数学难题已经被攻克。

OpenAI自己也明确提醒，这批成果处于不同验证阶段，并不是所有结果都完成了Lean形式化验证，部分尚未形式化的结果仍可能存在问题。

更准确的说法是：OpenAI突然把数百篇AI生成的前沿数学成果摆上桌，其中涉及100多个长期未解的开放问题。

接下来，轮到全球数学家疯狂「验货」了。

解决难题的列表。

2、只要3小时，最吓人的其实是速度
真正让数学家后背发凉的，其实不是722这个数字。

而是——3小时。

OpenAI披露，绝大多数结果来自同一个尚未发布的内部模型，平均每项结果大约消耗3小时ChatGPT Pro级thinking compute。

当然，这绝不意味着「3小时解决一个世纪难题」。不同问题的难度完全不同，很多成果也仍然需要人工验证。

但一个更加值得关注的趋势出现了：

数学研究可能第一次拥有「规模化生产」的能力。

过去，一个数学家盯着一个问题慢慢啃几年；未来，一套AI系统可能同时面对几千个开放问题，批量搜索证明路径。

数学研究正在出现一种类似「并行计算」的新模式。

3、逼近黎曼猜想

这次最容易被误传的，就是「OpenAI证明了黎曼猜想」。

目前还不能这么说。

OpenAI公开的成果涉及黎曼ζ函数无零点区域等解析数论前沿问题，其中部分工作还经过了人工审查和可读性编辑。

它距离完整证明黎曼猜想仍然不是一回事。

但这件事真正炸裂的地方在于：OpenAI已经不满足于让AI参加数学竞赛，而是直接让内部模型进入真正的开放数学研究。

黎曼猜想被称为现代数论「皇冠上的明珠」。过去几年，AI数学最受关注的是IMO能拿多少分；现在问题已经变成：

AI能不能发现人类从来没有发现过的新数学？

这完全是两个时代。

4、难题扎堆

继续往OpenAI的项目库里翻，画风越来越离谱。

霍奇猜想相关问题、Mahler猜想、乘法函数相关性、Basic-SDP阈值NP困难性等一批前沿问题，都出现在这次公开成果中。

其中，Basic-SDP相关成果尤其值得关注。

简单理解，现实世界中的芯片布线、物流调度、图着色等大量优化问题都与NP-Hard问题有关。过去理论计算机科学中，一个关键问题是：能否摆脱「唯一游戏猜想（UGC）」这个重要假设，在更经典的框架下证明Basic-SDP近似能力的理论边界？

OpenAI公开的相关手稿，正是在尝试突破这一壁垒。

另一边，AI还杀进了霍奇猜想相关领域。

公开材料涉及CM阿贝尔簇、K3曲面等非常前沿的代数几何问题。OpenAI甚至特别说明，部分成果属于没有完全采用标准批处理流程的重点研究项目。

这已经不是AI在「刷题」。

而是在直接进入数学科研无人区。

5、数学家急了

然后，真正的吃瓜部分来了。

早在今年8月，OpenAI就曾召集约40位全球数学家讨论一个听起来像科幻电影的问题：

如果AI开始在纯数学领域超过人类，我们怎么办？

当时OpenAI已经透露，其内部模型可能突破了大量长期开放问题。

一些数学家既兴奋又担忧，并建议OpenAI不要只通过推文、博客或者简单上传文件宣布重大数学成果，而应该遵守更严谨的学术规范，给同行留下充分验证和消化的时间。

结果没过多久——

OpenAI直接往GitHub扔了722篇手稿。

数学家打开仓库，大概只剩一个问题：

「这得审到什么时候？」

6、人类验卷

这其实才是整个事件最值得讨论的地方。

过去数学研究最大的瓶颈是什么？

找不到答案。AI时代可能完全反过来。

未来最大的瓶颈可能变成：答案太多，人类来不及验证。

如果AI一天能够同时挑战几十甚至几百个数学问题，而一篇复杂数学论文需要几名专家花几周甚至几个月检查，那么数学研究可能第一次出现「生成速度超过验证速度」的情况。

这会直接冲击传统数学界的运行方式。

论文怎么发表？同行评审怎么做？AI发现的新定理由谁署名？如果两家AI实验室同时解决同一个问题，发现权属于谁？如果AI给出一个人类暂时看不懂、但Lean能够验证的证明，我们到底算不算真正「理解」了这个定理？

这些问题，可能比某一道数学题本身更加麻烦。

7、数学已死？

所以，现在说「数学已死」，显然还太早。

更可能发生的是：数学家的工作方式正在被AI彻底重构。

过去，数学家的核心能力是提出问题、寻找证明。

未来可能变成：提出真正重要的问题，让AI搜索证明，再由人类判断证明是否正确、理解机器发现的新结构，并从海量AI成果中寻找真正重要的数学。

数学家不会突然消失。

但「不用AI的数学家」，可能会越来越难受。

从IMO金牌，到开放数学问题，再到一次性公开722篇数学手稿，AI数学正在跨过一道非常重要的分界线：

它正在从「数学解题工具」，向「AI数学研究者」进化。

真正让数学界睡不着的，也许不是某一道世纪难题突然被AI解决。

而是所有人突然发现——

过去人类几十年一个个啃的问题，未来可能被AI成批送到数学家面前。

722篇手稿，或许只是第一批。

接下来最忙的可能不是AI。

而是负责「验卷」的人类数学家。