——写在 AI 开始触及人类科学认知边界的这一天
昨晚,我看到一条消息,反复读了好几遍。
2026年10月26日,OpenAI 公布了三个由其内部 AI 模型取得的科学研究成果,分别涉及数学中的 Kakeya 猜想、理论计算机科学中的指数时间假说,以及物理学中的杨—米尔斯理论和量子色动力学。
这几个名字,普通人可能一个都不熟悉。
但如果这些成果最终获得学术界的确认,其中任何一项,都足以成为相应领域的重要突破。而现在,三个跨越不同学科、困扰人类数十年的难题,竟然由同一套 AI 研究体系接连给出了答案。
我知道近年来 AI 的进步非常快,也一直在关注它的发展。从最初令人惊讶的语言能力,到编程、推理、数学竞赛,再到越来越复杂的自主研究,许多过去被认为遥不可及的能力,正在一项项变成现实。
但这一次,我还是被震住了。
尤其是第二项,指数时间假说,ETH。
我以前看过一段时间理论计算机科学,虽然谈不上深入,但知道 ETH 在这个领域意味着什么。
不过,在说自己的感受之前,我想先简单介绍一下这三个难题。
一、三个可能改写科学史的难题
第一个,是中国数学家王虹刚刚取得重大突破的 Kakeya 猜想。
2025年,华人数学家王虹与数学家 Joshua Zahl 合作,证明了困扰数学界一个多世纪的三维 Kakeya 猜想。这项成果当时引起了很大关注。
Kakeya 猜想最初来自一个非常有趣的问题。
假设有一根细得几乎没有宽度的针,我们要让它能够指向所有方向,究竟需要多大的空间?
数学家发现,如果允许以极其巧妙的方式安排针的运动,所占用区域的体积甚至可以无限接近于零。
但这并不代表这个区域在数学意义上失去了完整的空间维度。
Kakeya 猜想研究的,正是这种极端几何结构的维度问题。
这个看起来像几何游戏的问题,背后连接着波的传播、光的聚焦以及现代数学分析中的许多深刻理论。
王虹和 Zahl 在2025年解决的是三维空间的情形。这已经是一项极其了不起的成就,也是几代数学家接力研究的结果。
而这一次,OpenAI 声称,它的模型证明了另一个更基础的数学猜想——局部光滑化猜想,并由此将 Kakeya 猜想的结论推广到了所有相关维度。
这并不是对王虹工作的否定,而是沿着另一个更加根本的数学问题,试图获得更广泛的结论。
如果证明成立,它意味着一个多世纪以来,人类数学家逐步推进、直到去年才在三维空间取得关键突破的问题,如今可能被 AI 用一套新的数学方法统一解决。
第二个,是最让我感到不可思议的指数时间假说,ETH。
我们可以从一个简单的例子理解它。
假设有100个开关,每个开关只有打开和关闭两种状态。现在给你一套复杂的规则,要求找出一种开关组合,使所有规则同时得到满足。
最笨的办法,是把所有可能的组合都试一遍。
但100个开关,总共有2的100次方种组合。这是一个大到难以想象的数字。
如果变量继续增加,计算量就会以惊人的速度膨胀。哪怕计算机越来越快,也很难抵消这种增长。
当然,人类一直在寻找更聪明的算法。
实际上,对于许多问题,科学家早已找到比简单穷举快得多的解法。
但这里有一个更深的问题:
有没有一类问题,无论人类怎样改进算法,都不可能从根本上摆脱这种指数级的计算增长?
1999年,理论计算机科学家提出了著名的指数时间假说,ETH。
它断言,对于一类最基础的逻辑问题,不存在严格意义上的亚指数时间求解算法。
注意,这不是说不能比穷举快,而是认为再聪明的算法,也无法突破某条计算复杂度的边界。
ETH 从来没有被严格证明,却在过去近三十年里被大量研究者相信。
几百篇学术论文以它为前提,建立了一整套关于计算问题究竟有多困难的理论结论。
许多论文都会出现这样的表达:假设 ETH 成立,那么某个问题就不可能在某种时间复杂度内得到解决。
久而久之,它虽然不是公理,却几乎成了理论计算机科学中一块被广泛接受的基石。
而现在,OpenAI 声称,它的 AI 模型证明了 ETH 是错的。
更让我难以置信的是它所使用的方法。
回到刚才100个开关的例子。
我们原本只要求判断:有没有一种组合,能够满足全部规则?
但 AI 给出的算法,不仅能够判断有没有解,还可以精确数出究竟有多少种组合满足条件。
这两件事在计算复杂度理论中的难度通常并不相同。
好比我们问,一座巨大的迷宫里究竟有没有出口。只要找到一个出口,任务就完成了。
但如果要求你准确数出迷宫中所有符合条件的路线,通常要困难得多。
而 AI 声称,它为这类逻辑问题中具有特定形式的公式,找到了一个确定性算法,不仅能够精确计算所有满足条件的赋值数量,还能将运行时间控制在亚指数级,并且只需要多项式规模的存储空间。
也就是说,它甚至完成了一个通常被认为比判断有没有解更难的任务,而 ETH 的反驳反倒成为这个算法的推论。
当然,亚指数时间并不意味着计算突然变得轻而易举。面对非常大的问题,新算法仍可能需要极其漫长的时间。这也不意味着 P=NP 已经解决,更不意味着今天的密码系统会突然失效。
但它意味着什么?
如果证明成立,那么人类过去近三十年普遍相信的一条计算复杂度边界,原来并不存在。
这不是让计算机快了百分之十,也不是发明了某种更好的工程优化方法,而是改变了我们对于一类问题究竟有多难的理论判断。
我觉得,这才是最震撼的地方。
因为科学家不仅根据已经证明的定理决定研究方向,也会根据那些被广泛相信的猜想,决定哪些道路值得继续探索,哪些可能根本走不通。
如果一个被长期信任的前提突然被推翻,那么需要重新审视的,不只是某几篇论文,而是这个领域过去依赖它建立的一整套研究判断。
这就像一群人花了几十年研究如何翻越一座高山,几代人都相信山体的某一侧根本无法通行。
直到某一天,有人发现,那里其实存在一条从未被注意到的道路。
山并没有改变。
改变的是我们对山的认识。
第三个,是物理学中著名的杨—米尔斯理论与量子色动力学。
这个问题可以说得简单一些。
现代物理学有一套非常成功的理论,用来描述微观粒子之间的相互作用,包括将夸克束缚在质子、中子内部的强相互作用。
这套理论已经被大量实验验证,能够准确预测许多物理现象。
但有一个极其困难的问题始终存在:我们能不能从最严格的数学意义上,证明这套理论能够作为一个完整、自洽的数学对象成立?
物理学家知道怎样使用它,数学家却还没有完成所需要的全部严格证明。
这就像人类已经建造并使用一座复杂的桥梁许多年,却仍然无法从最基础的数学原理出发,为它建立完全严格的理论证明。
而这一次,OpenAI 声称,它的模型为四维量子色动力学及相关理论提供了严格的数学存在性证明,其中包括纯杨—米尔斯理论的存在性。
这涉及著名的千禧年数学难题,但还不等于完整解决了该难题,因为其中的质量间隙问题仍未解决。
目前这部分完整证明尚未公开,正在由诺贝尔物理学奖得主 David Gross 等人组织专家审阅。
仅仅是 AI 已经能够对这样的问题提出严肃的证明主张,就足以让人重新认识它的能力边界。
以上,就是三个问题的大致情况。
一个研究空间与波的深层规律,一个研究计算究竟存在怎样的速度极限,一个研究描述自然界基本作用力的数学理论能否严格成立。
它们来自完全不同的学科,使用不同的数学语言,也经历了漫长而彼此独立的研究历史。
现在,AI 几乎同时触及了它们。
二、我为什么会感到如此震撼
必须强调,目前这些成果都还需要独立的学术核查。
前两项已经公开了论文和 Lean 形式化证明。Lean 是一种能够让计算机逐步检查数学证明的系统,但形式化证明通过检查,并不意味着它所表达的命题一定与科学家原本要解决的问题完全一致。定义是否准确、前提是否恰当,仍然需要人类专家审阅。
第三项还处于专家整理阶段。
科学需要谨慎,尤其是如此重大的结论。
但当我读到这些消息时,第一反应并不是兴奋,而是一种很深的震动。
尤其是 ETH。
我以前学过相关理论,知道计算复杂度领域那些精巧的证明,也知道人们为了把算法的运行时间减少哪怕一点点,需要付出多么艰苦的努力。
我记得自己第一次接触这些理论时的感觉:数学原来不仅能够告诉我们怎样计算,还能试图告诉我们,有些事情为什么不可能被高效计算。
这种认识本身就带有一种深刻的理性之美。
而现在,一个 AI 系统可能正在告诉我们:你们过去认为无法跨越的边界,并没有想象中那么坚固。
我看了很久,竟然不知道该说什么。
我们过去认为某些事情不可能,是因为它们真的不可能,还是因为人类至今没有找到正确的道路?
这两者之间,原来可能存在如此巨大的距离。
数学的客观结构并没有因为 AI 的到来而改变。那些定理、算法和物理规律,本来就在那里。
改变的是我们触及这些结构的能力,以及我们对自身认知边界的判断。
我们曾经以为自己走到了某些道路的尽头。现在却可能发现,那里并不是世界的边界,只是人类探索能力暂时抵达的地方。
这让我感到一种很难形容的敬畏。
三、当科学发现开始走在人类理解的前面
过去,我们看到的 AI 突破,大多还可以放在人类已有的能力框架中理解。
它能写出更好的程序,能解出更难的竞赛题,能在越来越多的考试中取得高分。
这些成就当然令人惊叹,但我们仍然能够找到熟悉的参照物:优秀的程序员、数学竞赛冠军、顶尖大学的博士生。
我们看着机器不断超越这些参照物,同时仍然习惯于认为,真正前沿的科学发现,是另一回事。
因为科学研究不只是回答已经有标准答案的问题,而是在没有答案、没有现成路径,甚至不知道是否存在正确路径的地方,开辟新的知识。
现在,AI 已经开始触及这里。
如果这些成果最终成立,那么它不再只是帮助人类完成科学研究的工具,而是在某些问题上,成为新知识的直接发现者。
这与过去的技术进步,有一种很重要的区别。
望远镜使人类能够看到更遥远的宇宙,显微镜让我们看到肉眼无法分辨的微观世界,计算机帮助科学家完成过去根本无法进行的大规模计算。
这些工具极大地延伸了人类的感知和计算能力,但在我们的通常理解里,科学发现的核心过程仍然由人类完成。
人提出理论、寻找解释、设计证明,机器执行其中的一部分工作。
而这一次,顺序可能正在改变。
机器先发现一种人类尚未发现的数学结构,给出证明,然后人类再去检查它是否正确,理解它为什么成立,以及它意味着什么。
科学发现,可能开始走在人类理解的前面。
我觉得,这才是整件事最值得深思的部分。
一个科学家穷尽一生,可能也只能在某个问题上向前推进一点点。许多理论经过几代人的努力,才逐渐形成今天的样子。
知识的增长速度,在很大程度上受到人类认知能力的约束。一个人需要学习,需要理解前人的成果,需要尝试,需要犯错,也需要时间去建立新的思想。
科学史正是在这种缓慢的积累中向前发展的。
现在,我们可能正在进入一个新的阶段。
如果未来的 AI 能够持续、独立地发现新的数学定理,建立物理理论,寻找更高效的算法,那么知识的产生速度,可能越来越不受人类个体学习速度的限制。
人类也许还在花几年时间理解一个理论,而机器已经沿着这个理论继续推进了许多步。
到那时,科学家最重要的工作,可能不再只是寻找答案,还包括从不断涌现的结果中判断什么值得相信,什么具有意义,哪些发现能够连接成更深的理论,以及这些理论究竟如何改变我们认识的世界。
这里还隐藏着另一个问题。
当我们说理解世界时,究竟什么才叫理解?
一个严格成立的数学证明,并不必然意味着我们已经获得了直观的理解。
人类数学史上,曾经有过极其复杂、需要大量计算机辅助验证的证明。对于这些证明,我们可以相信其结论,同时仍然希望找到一个更简洁、更具解释力的理由,明白事情为什么必然如此。
AI 可能把这种区别推向新的极端。
我们面对的不再仅仅是一份过于复杂的证明,而可能是一系列由机器独立发现、人类尚未形成直观认识的理论结构。
机器能够证明它,但人类未必立即能够理解它。
如果这样的情况成为常态,我们该如何定义科学知识?
科学是能够被严格验证的正确结论,还是必须能够被人类理解和解释的世界图景?
这两个目标过去通常一同向前,现在却可能逐渐分离。
我不知道答案。
但我隐约觉得,这种变化的影响,也许不亚于这些数学证明本身。
四、人类又一次面对自身位置的改变
人类的科学革命,过去常常伴随着对自身位置的重新认识。
哥白尼让我们知道,地球并不是宇宙的中心。达尔文让我们认识到,人类并不是脱离其他生命而独立存在的特殊创造物。现代物理学则不断告诉我们,直觉中的空间、时间与因果关系,远没有看上去那么简单。
每一次,我们都失去了一部分关于自身特殊性的旧信念,却也因此获得了对世界更深的理解。
而这一次,可能轮到了智力本身。
人类一直为自己的理性能力感到骄傲。我们能够从杂乱的世界中发现规律,能够用数学描述自然,能够借助思想抵达感官永远无法触及的地方。
这是人类文明最了不起的成就之一。
但如果有一天,一个并非人类的智能系统,比我们更擅长发现那些深藏在数学和自然中的结构,我们应该怎样重新理解自己的位置?
我并不认为这意味着人类失去了价值。
一个人的生命意义,从来不只取决于他是否比其他存在更加聪明。
我们能够感受阳光,能够爱一个人,能够为某个逝去的生命悲伤,能够面对时间的流逝,能够在有限的一生里尝试理解自己为什么存在。
这些体验不会因为机器证明了一道数学难题而自动消失。
但我也不愿意轻易用这些话来安慰自己。
因为我确实感受到了一种失落,或者说,一种面对未知时的敬畏。
我们曾经相信,人类理性是这个世界上能够抵达知识前沿的最高形式。科学发展的方向,始终由人类的思想所开辟。
如今,这个信念第一次遭遇了如此直接的挑战。
我们可能不再是每一个新知识领域里最先抵达的探索者。
某一天,人类也许会发现,自己已经置身于一片比过去丰富得多的知识世界中,而其中许多道路,并不是我们亲手开辟的。
我们将如何与这样的世界相处?
我们又该如何决定,哪些知识值得追求,哪些能力应当使用,哪些后果必须承担?
我越来越觉得,随着 AI 能力增强,这些问题的重要性反而会不断上升。
发现能力越强,选择的意义就越大。
因为能够做到什么,与应该做什么,始终是两件事。即使机器可以告诉我们某种技术在理论上可行,也不能替我们决定这种技术应该给世界带来怎样的改变。
而人类理解的价值,也未必会随着发现速度的提高而消失。
恰恰相反,当答案越来越容易产生时,理解为什么值得寻找这个答案,如何使它进入我们的生活,如何承担它带来的后果,可能成为更加艰难的事情。
这种新的分工,也许才刚刚开始。
五、当奇点来临时
当然,我知道现在谈论奇点,可能仍然太早。
技术奇点是一个更为严格、也充满争议的概念。三项尚待确认的科学成果,并不能证明通用人工智能已经到来,更不能证明机器已经具有意识,或者人类即将失去对技术发展的控制。
我们必须把科学事实、合理推测和个人感受区分开来。
但有时候,一个时代的转折,并不需要等到所有定义都被满足,人们才开始感受到它。
变化总是在发生之后,才慢慢获得它应有的名字。
生活在蒸汽机时代的人,不会在某一个早晨醒来,就知道自己已经身处工业革命。电力、汽车、无线电、计算机的出现,也都经历过漫长的理解与适应。
身处变化之中的人,往往没有后来历史书写者那样清晰的视野。
我们只是在某个寻常的日子里,突然发现过去认为不可能的事情,已经开始发生。
然后继续吃饭,工作,照顾家人,处理生活里那些琐碎而真实的事情。
世界表面上并没有什么不同。
窗外的树还在那里,街上的行人照旧来往,太阳依然按照自己的节奏升起和落下。
可是我们对世界的某种理解,已经悄悄改变了。
昨晚,我反复看着那几项研究成果,最后竟然不知道还能说些什么。
我原本想写很多关于技术进步、科学革命以及 AI 未来的判断,但到了最后,反而觉得这些分析都不足以表达那一刻的感受。
作为一个生活在这个时代的普通人,我突然意识到,自己或许正在见证人类文明中一个非常特殊的时刻。
在漫长的历史里,人类一点一点积累知识,建立科学,发展数学,用有限的头脑努力理解这个无限复杂的世界。
我们曾经以为,这场探索会始终以人的思想为中心,缓慢而坚定地继续下去。
现在,另一种智能加入了这场探索。
它可能会走得比我们更快,也可能抵达我们尚无法理解的地方。
我不知道它最终会把我们带向哪里,也不知道未来的人们回望2026年10月的这一天,会把它看作一次科学史上的普通插曲,还是一条真正的时代分界线。
但我知道,今夜的这份震动是真实的。
奇点也许还没有来临。
只是我们第一次如此清晰地意识到,那条曾经遥远得近乎抽象的边界,可能已经离我们很近了。
而我坐在这里,看着屏幕上的那些数学符号,长久地没有说话。
过去,我们敬畏的是世界中还有多少未知。
而现在,我们也许即将面对另一种未知——机器已经找到了答案,人类却还不知道怎样理解它。
我想记下这一刻。
不只是为了记录机器取得了怎样的成就,也是为了让未来的人知道,当一种可能超越人类认知能力的智能真正开始触及科学前沿时,我们这些生活在它诞生年代的人,曾经有过怎样的惊讶、困惑、敬畏,以及沉默。
那也是人类历史的一部分。
写于2026年10月27日。本文涉及的 OpenAI 三项科学研究成果,依据其10月26日公布的信息整理。截至本文写作时,相关结论仍有待独立学术核查。
参考资料:
OpenAI:Working with academic communities to build scientific understanding
王虹、Joshua Zahl:《Volume estimates for unions of convex sets, and the Kakeya set conjecture in three dimensions》