GPT-5.6一小时破解50年数学难题，但我们先别急着欢呼

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。*