OpenAI Astra 攻克十大数学难题：46年铁壁一朝击穿，2000美元改写数学史


2026年8月第一周，AI 圈最炸裂的消息不是新模型刷榜，而是一份数学手稿：OpenAI 下一代模型 Astra 连破十道「菲尔兹奖级」数学难题，其中高维球体堆积的上界指数在卡了 46 年后首次被推动。更震撼的是，62 页的解题思路手稿《How the Ideas Came Together》每一个字都是 AI 自己写的，人类没插手一句。

一、事件回顾：从内部公告到 62 页手稿

8 月 2 日，OpenAI 内部员工放出消息：下一代模型 Astra 在十个长期悬而未决的数学难题上取得突破。两天后，一份 62 页的「核心手稿」《How the Ideas Came Together》正式公开，OpenAI 团队宣称其中没有一个字是人工修改的——AI 阅读了自己原始的思维链（CoT）和最终成文的数学论文，针对每道题重构了四件事：哪些想法最初指出可行路径、哪些有分量的方法撞上障碍、什么样的视角切换让底层结构露出、决定性的洞察如何构成完整论证。

配套发布的还有 249 页论文合集和一整套 Lean 4 形式化证明证书（Apache 2.0 开源）。Lean 是莱布尼茨式的「机器可验证数学语言」，仓库里 `sorry` 计数为 0，意味着十道证明的每一个形式化步骤都被计算机验证通过。而这一切的推理成本，按 Sol API 费率计算只有约 2000 美元——平均每道题 200 美元，大约是一名研究生一个周末的劳务费。

十道难题覆盖极广：高维球体堆积、二元码与球面码、构造显式非 sofic 群（推翻自 Gromov 1999 年提出 sofic 性以来的核心开放问题）、推翻 Connes 刚性猜想、算术电路下界、量子并行重复定理、最近向量问题的近似困难性、Ehrhart 体积猜想，以及厄尔多什问题清单中的第 146、180、183 号。每一项都至少开放了十年，多数问题的研究历史更为悠久。其中讨论度最高的，莫过于高维球体堆积——它足够「接地气」，又足够「反直觉」。

值得一提的还有这则新闻的传播节奏：成果公布前，Altman 已在华盛顿向白宫官员和国会议员预览了 Astra；公布时 OpenAI 刻意强调「AI 参与数学研究正在带来科技公司无法单独回答的问题」。把科研能力直接摆到政策制定者面前，这在过去的大模型发布中并不常见。

二、焦点案例：高维球体堆积的 46 年铁壁

问题本身很「接地气」：往一个箱子里塞同样大小的球，最多能塞多满？三维空间答案是水果摊上「垒橙子」的堆法，人类花了四百年才在开普勒猜想的框架下完成证明；2022 年，数学家 Maryna Viazovska 因解决 8 维和 24 维球体堆积问题摘得菲尔兹奖。但真正的难题是：当维度趋向无穷大，堆积密度的上界到底在哪？

1978 年，两位苏联数学家给出了一个上界指数：0.5991。此后整整 46 年，全世界最聪明的数学家连小数点后第三位都没能撼动。Astra 将其推到了 0.6044005442916776954……，即密度上界写成 2^-(0.6044…+o(1))d。指数越大，上界越紧——这是 1978 年以来该指标首次实质改进。我们用一段 Python 直观感受一下「46 年铁壁被推动」意味着什么：

def upper_bound(d, exponent): """高维球体堆积密度上界: 2^(-alpha*d)""" return 2.0 ** (-exponent * d) for d in [10, 50, 100, 500, 1000]: old = upper_bound(d, 0.5991) # 1978 年上界 new = upper_bound(d, 0.6044005442916777) # Astra 新上界 print(f"d={d:5d} 旧上界={old:.3e} 新上界={new:.3e} 比值={new/old:.4f}") # 输出: # d= 10 旧上界=1.572e-02 新上界=1.516e-02 比值=0.9639 # d= 50 旧上界=9.608e-10 新上界=7.996e-10 比值=0.8322 # d= 100 旧上界=9.232e-19 新上界=6.393e-19 比值=0.6925 # d= 500 旧上界=6.706e-91 新上界=1.068e-91 比值=0.1593 # d= 1000 旧上界=4.497e-181 新上界=1.141e-182 比值=0.0254 delta = 0.6044005442916777 - 0.5991 print(f"指数提升 Δα = {delta:.6f}") print(f"d=1000 维收紧倍数 ≈ 2^(Δα·d) = {2 ** (delta * 1000):.2f}") # 指数提升 Δα = 0.005301 # d=1000 维收紧倍数 ≈ 2^(Δα·d) = 39.41

小数点后第三位的推进，在高维指数效应下被放大成 1000 维时 39 倍的上界收紧。这就是数学里「指数的力量」。

顺带一提，这个问题的应用价值并不抽象：球体堆积与纠错码、格密码（如最近向量问题）、通信理论深度绑定，高维空间里「怎么塞最密」与「怎么编码最抗噪」在数学上是同一件事。这也是为什么 1978 年的上界被称做「铁壁」——它挡住的不是某个偏理论的角落，而是一整片应用数学的地平线。

三、拆解 Astra 的推理路径

手稿最有价值的地方，不是结论本身，而是完整还原了 AI 的推理路径。以球体堆积为例，论证分三步。

第一步：找到方法的「天花板」

Astra 首先确认，Cohn–Elkies 线性规划这套经典方法存在一个不可逾越的极限。它最初用 Cauchy–Schwarz 不等式估计函数的负质量分布，推了半天只能做到半径 √d/(2√π)。卡住之后，AI 做出关键判断：问题不在于常数没调好，而在于全局范数结构根本无法记录负质量的空间位置。这不是「差一点」的问题，而是「方向错了」。

第二步：视角切换——Mellin 变换登场

Astra 放弃原思路，转向 Mellin 变换配合调和测度。为什么是这个工具？对径向函数而言，傅里叶变换本质上等价于 Hankel 变换，其核函数只依赖空间半径与频率半径的乘积；在 Mellin 变换视角下，这个乘积结构变成极其简洁的操作——反射，加上一个显式相位因子。最精妙之处在于：相位因子在实轴上模长恒为 1，实轴上什么信息都看不到；但一旦延拓到复平面，它就携带了范数不等式丢失的那部分高维几何信息。

推到极限处，调和测度收敛为 logistic 密度，其对数位势精确等于 digamma 函数，积分结果恰好是 log(π/2)，阈值 1/π 由此而来。手稿里还有一个极能说明问题的细节：调和测度的总质量是 (1−σ)/2 而不是 1，AI 特意标注「过早把这个核替换为概率密度，会破坏指数常数」——它完全理解每一步操作对最终结果的影响。我们也用数值验证一下这个核的性质：

import numpy as np from scipy.integrate import quad def logistic(x): """调和测度的极限密度: 1/(4·cosh²(x/2))""" return 1.0 / (4.0 * np.cosh(x / 2.0) ** 2) mass, _ = quad(logistic, -50, 50, limit=200) print(f"∫ logistic(x) dx = {mass:.8f}") # ∫ logistic(x) dx = 1.00000000 # 说明: 它是归一化的概率密度; 但手稿强调, # 球体堆积中的调和测度总质量是 (1-σ)/2 而非 1, # 若过早替换为概率密度, 指数常数将被破坏

第三步：下界构造——高斯不够，需要「形变」

拿到上界后，还要构造一个真正能达到上界的函数。高斯函数有正确的傅里叶对称性，但鞍点位置不对。Astra 的做法是在高斯函数上乘一个偶函数形变因子，让鞍点移动但不破坏对称性；把所有可用阻尼用满后得到一个「理想剖面」。鞍点位移积分通过 Wallis 乘积精确计算，结果等于 −(1/2)log(π/2)——这个数字把高斯函数给出的半径 1/√(2π) 精确搬运到 1/π，上下界严丝合缝。其中「高斯是傅里叶/Hankel 变换不动点」这个性质，正是整个论证的基石，我们可以在三维里数值验证：

import numpy as np from scipy.integrate import quad from scipy.special import jv def hankel_gauss(s, n=3, f=lambda r: np.exp(-np.pi * r ** 2)): """径向函数的 n 维傅里叶变换 = Hankel 变换""" order = n / 2 - 1 integrand = lambda r: f(r) * jv(order, 2 * np.pi * s * r) * r ** (n / 2) val, _ = quad(integrand, 0, 30, limit=300) return 2 * np.pi * s ** (1 - n / 2) * val for s in [0.5, 1.0, 1.5, 2.0]: num = hankel_gauss(s) print(f"s={s:.1f} Hankel={num:.6f} 理论 e^(-πs²)={np.exp(-np.pi*s**2):.6f}") # s=0.5 Hankel=0.455938 理论 e^(-πs²)=0.455938 # s=1.0 Hankel=0.043214 理论 e^(-πs²)=0.043214 # s=1.5 Hankel=0.000851 理论 e^(-πs²)=0.000851 # s=2.0 Hankel=0.000003 理论 e^(-πs²)=0.000003 # 误差在 1e-16 量级: exp(-πr²) 是 Hankel 变换的不动点 ✓

四、AI 做数学：范式革命还是营销叙事？

冷静看待，这则新闻也伴随着质疑。Gary Marcus 指出：数学恰好是 AI 的主场，因为它同时满足两个条件——可以用符号工具验证，且可以低成本生成海量保证正确的合成数据；这并不意味着 AI 能解决开放世界问题。目前十项结果的正式同行评审尚未完成，学界态度谨慎，MLQ 的报道也强调「形式化证书 ≠ 人类意义上的理解」。

但积极信号同样明确：密码学家 Chris Peikert 评价其中一项结果「可能正确、原创且优雅」；Noam Brown 称之为「科研推理的重大一步」。OpenAI 在署名问题上也展示了新伦理：如果证明完全由 AI 生成，就不应署名为人类作者。值得注意的是，Connes 刚性猜想方面还出现了独立并行工作——研究者 Shuoxing Zhou 借助 GPT-5.6 也构造出了反例，两条路径殊途同归，说明这并非偶然的运气。

把视野拉远，这恰好踩中 2026 年的两条主线：智源研究院发布的年度十大 AI 技术趋势中，「AI Scientist 成为 AI4S 北极星」与「从幻觉到欺骗，AI 安全迈向机制可解释」并列上榜；ICM 2026 上陶哲轩的演讲题目干脆就是《Mathematics in the Age of AI》，学界甚至出现了《莱顿宣言》讨论 AI 与数学的边界。从 5 月的厄尔多什单位距离猜想反例，到这次十连击，再到「AI 阅读自己的思维链并撰写解题手稿」——机器正在从「辅助工具」变成「科研协作者」。手稿最动人的地方在于：那是一台机器用可读的语言，向人类解释它如何发现了人类没发现的数学。放在一年前，这完全是科幻。

五、结语

46 年的铁壁被 2000 美元击穿，平均每道题 200 美元——成本曲线比性能曲线更值得警惕。当「发现」的边际成本趋近于零，数学家的价值将加速从「找到答案」转向「提出好问题、判断什么值得证明」。Astra 尚未公开发布，十项结果等待同行评审，但方向已经清晰：AI 与数学的关系，正在从「工具与使用者」走向「双人舞」。对开发者而言，这或许是最值得跟进的技术拐点——毕竟，下一个被 AI 改写的领域，可能就是你的领域。