GPT-5 数学发现

GPT-5 加速解决长期存在的优化问题

OpenAI 的 GPT-5 使加州大学洛杉矶分校教授 Ernest Ryu 能够解决一个有关 Nesterov 加速梯度（NAG）方法稳定性的 40 年悬而未决问题。通过充当创意协作者，GPT-5 加速了潜在证明的探索，将数周的潜在手动工作浓缩为三天内约十二小时的协作。

Nesterov 加速梯度（NAG）问题

核心数学挑战在于理解为什么 Yurii Nesterov 在 1983 年提出的 Nesterov 加速梯度（NAG）在提供显著加速算法收敛的同时仍然保持稳定。

NAG 的技术背景

• 函数：NAG 是一种优化方法，它使用“前瞻”预测来计算未来点的梯度，而不是当前状态。
• 优势：这种方法使算法能够更快收敛，并在接近函数的最小值时更有效地管理振荡。
• 谜团：数十年来，研究人员观察到 NAG 带来的额外动量并未引入不稳定性，但他们缺乏正式的数学证明来解释这种行为发生的原因。

GPT-5 作为数学协作者

Professor Ryu 使用 GPT-5 不是作为自主求解器，而是作为探索工具，以从广泛的数学文献中（包括相邻子领域）提出想法和技术。

协作工作流程

• 想法生成：GPT-5 提出了非传统的方法并重新结构了方程，其中一些是‘出人意料’的。
• 快速迭代：Ryu 使用该模型快速提出并丢弃一个想法的变体，这通常是人类的认知耗竭过程。
• 验证与过滤：Ryu 担任主要验证者，识别有希望的方向并剔除错误推理。他指出，GPT-5 经常产生看似合理但经检查后被发现是错误的论点。
• 错误缓解：为了最小化累积错误，Ryu 在让模型检查工作时会开始新的聊天会话，而不是继续单个长时间的对话。

转折点

解决方案在 GPT-5 提出了一种重构 NAG 方法控制方程的特定方式时出现。虽然该建议原样并不正确，但 Ryu 在建议中识别出一个有意义的结构特征。他独立严格地发展了这一特征，并通过有针对性的问题来检验证明的可行性，这成为最终证明的骨干。

对数学研究的影响

此案例研究表明，AI 与学科专家之间的合作可以通过扩展研究人员可用的理论工具来显著加速发现。

人机协同

• 专业知识要求：该过程需要 Ryu 在优化理论方面的深厚专业知识，以从模型的错误中辨别出有价值的见解。
• 心理影响：GPT-5 提供的快速思想流动防止了导致研究人员放弃困难问题的典型挫败感，使问题始感觉‘触手可及’。
• 学术整合：Ryu 得到的预印本论文（可在 arxiv.org/abs/2510.23513 获得）遵循传统的学术风格，旨在作为经典数学家的案例研究，尽管 GPT-5 在标题和摘要中被致谢。

"数学研究的工作方式是你有想法，并且每当你หรือ同事提出一个粗糙的想法时，你会有一种感觉，知道它是否会奏效。这就是人工智能与人类的合作可以特别有效的地方。"

结论

GPT-5 没有发明新的数学原理，但擅长使用现有工具并从大规模阅读中连接零散的想法。此次发现的成功依赖于人类专家验证推理和指导探索过程的能力。