OpenAI 公布三项 AI 科研发现：Kakeya 猜想、ETH 证伪与 QCD，以及一套新的学术协作流程
OpenAI 公布三项 AI 科研发现：Kakeya 猜想、ETH 证伪与 QCD，以及一套新的学术协作流程
事件概述
2026 年 10 月 26 日，OpenAI 发布公告，称其模型在数学、计算机科学和物理三个领域分别产出了新结果，主题分别对应调和分析、复杂度理论与量子场论。公告的侧重点并不只在结果本身，还在于 OpenAI 试图回答一个更棘手的问题：当 AI 产出的“科研成果”越来越多，学术共同体应该如何接收、验证并理解它们。
OpenAI 将这批模型输出定位为“一种原始研究数据”（raw research data），并承认从原始数据到科学理解之间仍有大量工作要做。为此，它联系外部专家担任“shepherd”（引导者），由这些专家组织团队来理解新结果，并针对三项成果采用了三种不同的发布策略：
- 数学结果：直接发布 AI 输出，研究者可自行组织解释工作；
- 计算机科学结果：组建外部合作组负责解释，同时将 AI 输出完全公开，供任何人检验和继续推进；
- 物理结果：组建外部合作组，材料是否发布交由该组决定。
OpenAI 明确表示，目前还不知道三种方式中哪一种最有用，并公开征求反馈。
外部合作遵循四项原则：透明（不签署保密协议，参与者可自由讨论、分享中间产物、发表结论）、不追求学术署名（OpenAI 不为内部模型产出的发现寻求学术 credit，邀请研究者参与也不意味着他们做出了原始发现）、认可（合作组因其形成的理解、撰写的文稿及其他材料获得认可，并负责恰当引用所依赖的研究者、技术与思想）、独立（参与自愿且无报酬，成员独立参与，结论代表本人，不代表 OpenAI，OpenAI 也不代表他们）。
关键技术点
1. 数学：局部光滑猜想与 Kakeya 猜想
1991 年，Sogge 提出局部光滑猜想，关注波在聚焦时的行为：最极端的聚焦必然是短暂的，随机时刻的聚焦量远小于最坏情形。这一猜想之所以基础，是因为它蕴含 Kakeya 猜想与 Stein 限制猜想。
2019 年，Guth、Wang、Zhang 在二维情形下证明了局部光滑猜想；2025 年，Wang 与 Zahl 证明了三维 Kakeya 猜想。而按公告说法，OpenAI 的模型给出了任意维度下局部光滑猜想的证明，因而也一并解决了所有维度的 Kakeya 猜想与 Stein 限制猜想。新证明基于一个新颖的辅助偏微分方程。
时间线上，模型输出产生于 2026 年 10 月 18 日，次日完成 Lean 形式化，随后 OpenAI 联系专家讨论组建合作。按专家建议，该结果采用与 2026 年 10 月 6 日发布相同的策略：AI 自然语言写稿与 Lean 证明均已公开在 OpenAI 的 GitHub 仓库中。
2. 计算机科学：指数时间假设（ETH）被证伪
ETH 是关于布尔公式可满足性计算复杂度的长期猜想，与 P vs. NP 问题关系密切，长期被广泛相信为真，并作为条件性硬度结果的基础出现在图论、计算生物学、数据库、计算几何等领域的数百篇论文中。
按公告，OpenAI 的系统证明了 ETH 为假，随后在 Lean 中完成验证。公告称，这一否定结论重新打开了“这些任务还能快多少”的问题，并可能帮助指引更优算法的搜索方向；但把理论进展转化为实际改进仍需大量后续研究。
验证与引导工作由 Russell Impagliazzo（UC San Diego）、Ramamohan Paturi（UC San Diego）和 Ryan Williams（MIT）领衔的团队负责。其中 Impagliazzo 与 Paturi 连同 Francis Zane 是 ETH 的原始提出者，过去三十年在该主题上发表过多篇有影响力的论文；Williams 则否定过 ETH 的若干强版本，并用 ETH 做过硬度结果、连接过算法与下界。
OpenAI 同意了该团队的要求：公开结果的全部原始数据以便社区独立验证，并承诺资助一场会议，讨论这项工作对整个领域的意义。该团队也邀请社区参与组织对 ETH 主张的公开检验，并讨论 AI 生成突破在验证、获取、署名与研究未来方面引出的更广泛问题。
时间线上，自然语言反证产生于 2026 年 10 月 16 日，10 月 17 日完成 Lean 形式化，随后形成上述合作。自然语言写稿与 Lean 证明同样已发布在公开 GitHub 仓库。
3. 物理：量子色动力学
公告摘要提到结果是关于量子色动力学的。但原文正文在该部分被截断，具体的物理发现内容、所用方法、验证方式与时间线，原文未完整说明。已知的信息只有发布策略：物理方向组建了外部合作组，并决定暂缓发布 AI 产出的材料，转而由该组自行撰写。
对数据科学或 AI Agent 落地的意义
这篇公告真正值得工程侧关注的，不是某个猜想是否被攻破，而是它展示了一条可复用的“AI 产出 → 形式化 → 外部验证 → 社区解读”流水线：
- 形式化验证正在成为验收基础设施。两项结果都在自然语言产出后一天内完成 Lean 形式化。对 Agent 系统而言，这意味着“可机器检验的产出”正在从加分项变成默认要求——凡是能编译、能跑测试、能形式化证明的输出，其可信度边界远清晰于自然语言报告。
- “原始数据”定位对数据科学团队有直接借鉴价值。把模型输出当作需要二次加工的原料而非结论，配套明确的责任划分（谁验证、谁解释、谁署名），这正是企业内部 AI 项目常常缺失的一环。
- Shepherd 机制是一种人机协作编排模式。让领域专家担任引导者、由他们决定发布节奏与材料范围，本质上是把“评审”前移为“共同组织”。多 Agent 系统里的 orchestrator 设计可以借鉴这种非对称分工：生成方不掌握解释权，解释方不掌握生成权。
- 发布策略需要按风险分级。三项成果分别采用全公开、公开加外部解释、暂缓发布三种策略，说明同一套流程可以按结论的潜在影响面做差异化处理。
我的技术点评
第一，公告的诚实之处值得肯定。OpenAI 主动承认“初始 shepherd 的选择必然影响谁先参与，并造成信息不对称”，这在过去很少被摆到台面上。任何依赖少数专家做把关的评审机制都有同样问题，把它写进公告，比假装流程中立要好。
第二，需要区分“Lean 验证通过”与“数学界接受”。形式化只保证从公理到结论的推导链在给定形式系统内成立，不保证形式化陈述忠实于原始猜想、不保证引理选择没有隐含假设。ETH 被证伪是极其强烈的断言，公告自己也说该结论需要外部合作组来验证与引导。在社区给出独立结论之前，把它当作“待验证的强主张”而非既成事实更稳妥。
第三，“不追求学术署名”这条原则在实践上并不轻松。AI 产出与人类此前工作的边界会非常模糊——数学结果的证明建立在一个新颖的辅助 PDE 上，CS 结果直接挑战了三位 shepherd 自己提出的猜想。谁贡献了什么，最终仍要靠合作组按“认可”原则逐项厘清，而这恰恰是最容易产生争议的环节。
第四，对做 AI Agent 落地的团队，最实用的一条经验是：先设计验证路径，再设计生成路径。OpenAI 这次能相对从容地公开发布，前提是两条数学结果都落了 Lean。若
