一个图论猜想64个AI子智能体一小时——然后呢Ethan Knight打开电脑的时候大概只是想做一次常规的AI能不能搞数学实验。这位OpenAI研究员给GPT-5.6 Sol Ultra布置了一道题证明循环双覆盖猜想Cycle Double Cover Conjecture——一个从1973年就开始让图论学家头疼的难题。他给系统预留了8小时然后起身去冲咖啡。咖啡还没凉证明已经出来了。一小时不到。这不是科幻小说是7月10日真实发生的事。OpenAI随后把完整证明和提示词以PDF形式发布到了CDN上。Knight在X平台的原话是它利用64个子智能体在不到一小时内证明了已有50年历史的循环双覆盖猜想。但这件事真正有意思的地方不在于AI又做到了一件人类做不到的事——而在于做完之后数学界的反应和这件事暴露出的AI能力本质。## 这猜想到底是什么为什么50年没人做出来先把问题本身说清楚。循环双覆盖猜想的内容其实很干净对于任意一个无桥图bridgeless graph即删除任何一条边都不会让图变成不连通的图是否一定存在一组循环使得图中的每一条边都恰好出现在两个循环之中听起来像是一道大学离散数学考试题。但自从1973年George Szekeres首次提出、1979年Paul Seymour独立重提之后全世界最聪明的图论学家花了半个世纪也没能给出完整的证明。这不是没人尝试过。arXiv上隔几年就会出现一篇宣称搞定的论文然后被同行发现某个步骤存在隐蔽漏洞默默撤稿。图论这个东西的残酷之处在于答案看起来很显然但一步步严格推下来总有某个角落藏着反例。所以当OpenAI宣布GPT-5.6做出来了学术圈的第一反应不是哇好厉害而是先翻到论文最后看谁审的稿——答案是还没人审。64个AI同时开工还有一个专门负责找茬GPT-5.6这次的推理架构值得细说。它不是一个人闷头想而是起了64个子智能体并行工作。根据OpenAI公开的提示词这64个智能体的分工很有意思一部分负责不同数学路径的探索——有搞结构归纳法的有走代数路线的有尝试不同图表示方法的。提示词明确要求在早期阶段保持研究路线多样性相当于把不要过早收敛这个人类数学研究的核心经验直接写进了指令里。更有意思的是那组对抗智能体Adversarial Agents。它们的唯一任务就是找漏洞、挑边界条件、挖可能出错的步骤。这本质上是在AI系统内部模拟了同行评审——一个AI写证明另一个AI负责说你这里不对。最终的证明路径出人意料地简洁先把原猜想归约到三次图Cubic Graph问题再搬出1983年就开始使用的8-流定理8-flow theorem最后通过三元有限域GF(3)上的线性代数构造边标记证明每条边恰好属于两个环。英国曼彻斯特大学的数学家Thomas Bloom是第一个公开表态的学者。他的评价原话是这是一个非常漂亮的证明。然后补充了一句更关键的如果当年有人想到这个方法20世纪80年代就有可能完成这一证明。这句话才是整个事件最有价值的注脚。AI没有发明新数学它只是比人类更不容易放弃Bloom的潜台词很清楚GPT-5.6没有创造出任何新的数学思想。8-流定理是1983年的GF(3)线性代数是大学二年级内容归约到三次图是图论教科书第一章就会讲的标准操作。这些工具每一个都躺在图论学家的工具箱里至少四十年了。但人类为什么没拼出来Bloom的解释一针见血人类数学家通常会尝试一种自然的方法如果失败了很可能就会放弃而AI不会因此气馁会继续不断尝试各种细微变化。这就是所谓的不放弃——不是某种玄学的坚持而是纯粹的计算耐心。人类面对一个复杂的证明路径时尝试三四种变体之后就会产生认知疲劳开始怀疑这条路是不是根本走不通。AI不会。它可以尝试三百种、三千种细微变化直到找到恰好能拼成完整证明的那一种组合。所以GPT-5.6这次的胜利本质上不是因为比人类更聪明而是因为比人类更不懒。## 但先别急着宣布时代变了有三个关键问题目前一个都还没解决。第一没有经过同行评审。OpenAI把PDF放在自己CDN上和正式发表在数学期刊上是完全不同的两件事。循环双覆盖猜想历史上至少出现过五六次宣称的证明最后都被挑出了错误。有些在arXiv上挂了几年才被发现漏洞。这次会不会重蹈覆辙谁也不知道。第二没有形式化验证。证明没有被翻译成Lean或Coq等形式化语言进行机器验证。理论上这是最可靠的验证方式——用另一个AI系统逐步检查每一步推理的合法性。但问题在于图论相关的形式化数学库目前还远不足以支撑这种复杂度。短时间内也无法靠机器验证。第三连参考文献都没有。Bloom专门指出了一个尴尬的细节整篇证明没有引用任何已有文献。1983年Bermond、Jackson和Jaeger那篇经典论文按理说应该出现在引用列表里但完全没有。这暴露出当前AI在做数学研究时的一个普遍缺陷它虽然能理解数学但不理解数学是一个需要引用前人工作的学术体系。再看看成本。按照OpenAI Sol定价估算这次推理大约烧掉了275到485美元——折合人民币两千到三千块。如果用Cerebras平台跑成本能飙到1.3万美元。坦白说对于证明一个50年未解的数学猜想这几千块钱简直可以忽略不计。但如果接下来AI要挨个解决维基百科上那几十个未解决数学问题这个账单就得认真算了。AI做数学这件事真正变了什么我觉得这件事最值得讨论的不是什么AI取代数学家或者人类数学的终结——那都是标题党。真正有意思的是AI正在成为数学研究中的一种全新的劳动分工。过去做数学研究需要两种能力一是洞察力能想出全新的概念和框架二是执行力能在一个框架下穷尽各种变体、排查所有反例。人类数学家在这两种能力上都是主力但执行力受限于耐心和精力。GPT-5.6这次的证明意味着执行力这个部分AI已经开始规模化替代。一个人类数学家负责设计大方向——把问题归约到三次图试试——然后AI负责在成千上万种变体中找出能走通的那一条。这跟程序员用AI写代码的模式一模一样人负责架构决策AI负责细节实现。再往深想一层如果AI最大的优势真的是不会放弃那哪些数学领域最可能被突破显然是那些工具已经齐备、只差有人把几十个已知结果串起来的工程型猜想。循环双覆盖猜想恰好就是这个类型——连Bloom都说80年代就该有人做出来。至于那些真正需要新概念诞生的天才型猜想——比如黎曼猜想或P≠NP——AI目前还看不到任何替代人类的迹象。GPT-5.6没有发明8-流定理它只是用8-流定理拼出了一个人类错过四十年的证明。所以标题里那句先别急着欢呼不是在泼冷水而是在说这件事值得庆祝的地方和我们以为它值得庆祝的地方可能不是同一个地方。AI没有突然变聪明它只是证明了自己在不放弃这件事上比我们所有人加起来还强。这个特质放在编程上是5倍速代码补全放在数学上是50年难题被解锁。同一个能力不同的战场。文中所用图片来源于网络仅供技术学习与交流。如权利人认为存在侵权请联系我们我们将在24小时内处理。