**十大「菲尔兹奖级」成果，AI证明全过程公开**
OpenAI今日重磅发布了一份长达62页的「核心手稿」，详细展示了模型的完整推演过程。官方正式确认，完成这一惊人突破的正是「下一代主力模型」。若按照GPT-5.6 Sol的API计费标准计算，烧掉的所有Token成本仅为2000美元。AI证明手稿一经发布，全网再次沸腾。众人纷纷猜测，这绝大概率就是传说中的「GPT-6」！更有网友惊叹，仅花费2000美元竟解锁了十个历史级成就。
**01、GPT攻克十大世纪难题，成本仅两千美元**
两天前，OpenAI内部员工发布博客，直言下一代模型Astra攻克了十大数学难题。一张清单图震惊了所有人，涵盖了高维球体堆积、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数以及极值图论。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。直到今天，一份名为《How the Ideas Came Together》的62页手稿正式公开。这份笔记由AI模型独立撰写，OpenAI团队全程未插手。AI阅读了原始的CoT及最终成文的数学论文，针对每一道题重构了四个关键环节：哪些想法最初指出了可行路径；哪些看似有分量的方法撞上了障碍；何种视角切换让底层结构显露出来；决定性的洞察是如何构成完整论证的。
**02、全网热议难题：高维球体堆积，46年未有突破**
在十道题中，全网关注度最高的是高维球体堆积问题。抛开高深的名字，问题本身通俗易懂：往一个箱子里塞一堆同样大小的球，最多能塞多满？三维空间的答案早已确认为水果摊「垒橙子」的堆法。但到了几百维、上千维，人类只能给出一个「上界」，即最多不可能超过多少。这个上界的指数卡在0.5991，从1978年起46年未有实质推进。而Astra将其推至0.6044005442916776954……，密度上界写成2的负0.6044次方加o(1)次方d。关键是它是如何突破的？首先，Astra在推演中确定了Cohn–Elkies线性规划方法的极限。AI最初尝试用Cauchy–Schwarz不等式去估计函数的负质量，做了很久只能做到半径根号d除以2倍根号pi。卡住后，AI给出了判断：障碍并非常数优化不到位，而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。为何选择它？因为对径向函数，傅里叶变换本质上是Hankel变换，其核只依赖空间半径和频率半径的乘积。在Mellin变换一侧，这件事就变成了极其简单的操作：反射并加上显式相位。这里有个精妙之处：该相位因子在实轴上模长恒等于1，在实轴上看不出端倪，但向复平面外延拓时，携带的正是范数不等式丢失的高维信息。推到极限时，调和测度收敛成一个logistic密度，其对数位势精确等于digamma函数，积分出来正好是log(π/2)。1/π这个阈值正是由此而来。有个细节特别能说明AI思路清晰：调和测度的总质量是(1−σ)/2，不是1。手稿特意注明：若太早把这个核换成概率密度，会改变指数常数。下界拿到后，还需构造一个真正达到它的函数。高斯提供了正确的傅里叶对称性，但鞍点位置不对。做法是乘上一个偶函数形变，让鞍点移动而不破坏对称性。将可用阻尼吃满后，得到一个「理想剖面」。其鞍点位移积分靠Wallis乘积算出，正好等于负二分之一log(π/2)。这个数将高斯的半径1除以根号(2π)精确搬到了1/π。手稿中还有一个具体细节：构造辅助函数时，远处需补一块正阻尼。这块补丁必须加在一整段区间上，不能加在单点上，因为加在单点会撞上共振频率。
**非sofic群，难点在于「多」与「一」**
第二道热题是27年无人构造出的「非sofic群」。曼彻斯特大学数学家Thomas Bloom直言，在构造类成果中，这比之前的单位距离猜想反例更重大。「sofic群」这一概念由阿贝尔奖得主、俄罗斯数学家Mikhail Gromov于1999年提出。通俗来讲，一个群是否sofic，问的是这个无限大的、抽象结构，能否被一堆「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，答案为：存在一个无限的、有限表现的「非sofic群」。手稿中最有价值的部分，是它写清了真正卡住的地方——Kun定理给出许多个扩张图，而Kun–Thom定理要的是一个。「多」和「一」之间的鸿沟是整章核心难点。AI将其称为「关键的错配」。它给出了一个干脆的例子说明为何不能随便挑一台：在两份完全相同的Q集合并起来上，「交换两份」这个操作与扩张的K作用精确交换，但它不保持任何一个分量。这意味着那些「近似中心的东西」可以在分量之间来回跳跃，根本抓不住。在此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负1附近有谱，尽管它在1处有Kazhdan间隙。修正平均确实治好了谱问题，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。但这条路失败了，AI通过经验总结得出：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) 除以 (M(x) 加上 m_A)，M是分量规模。这个f永远在0和1之间，且1/2恰好是每个A上的中位数。f的好处在于，它把一个失控的量变成了受控的量。关键在于生成元是置换——只挪位置、不增不减，走一圈总变化必然为零；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，这样才能一一对应。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。
**03、「奇点」降临，倒计时**
第一时间，OpenAI强化学习大佬Mo Bavarian发了一段长帖。开头第一句话便是：这真是一个「超现实」时刻。2021年，他和OpenAI团队放出一个GSM8K数据集——8500道小学数学应用题，简单到仅用两到八步就能做完。GPT-2/3那个年代，AI确实连小学数学题都做不稳，起草邮件勉强够用。然而短短几年，大规模RL狂飙突进，曾经那些看似不可逾越的「技术死胡同」，被逐一击碎。这个时间跨度，短得离谱。Mo Bavarian表示，「对我而言，这一刻，比任何时候都更像奇点前夜」。几年前，AI还在小学应用题里跌跌撞撞。如今，2000美元的Token，就能换来十份可能写进数学史的答案。「奇点前夜」，或许并没有那么遥远。