GPT-5.6 解决了 30 年前的凸优化问题

GPT-5.6 填补了凸优化领域 30 年的空白

OpenAI 的 GPT-5.6 已被用于为凸优化中一个长期存在的猜想提供证明，特别是解决了在凸 Lipschitz 函数上求解优化问题的复杂度问题。这一结果具有重大意义，因为它确立了时间复杂度的下界，证明了求解这些问题需要 $\Omega(d^2)$ 次函数求值，这与一个现有的 30 年历史算法的复杂度相匹配。

证明的技术细节分解

该证明侧重于在球形定义域上对凸 Lipschitz 函数进行优化的时间复杂度下界。虽然展示上界通常很直接（因为这仅仅是已知算法的运行时间），但证明下界要困难得多，因为这需要对所有可能的算法进行约束。

关键技术方面包括：

• 定义域： 问题被限制在球形定义域内，尽管专家指出这并非重大限制，因为变量可以针对任何有界定义域进行更改。
• 复杂度： 证明表明，所需的最小函数求值次数为 $\Omega(d^2)$。
• 含义： 这表明如果可以使用梯度算子（gradient oracle），那么 $d$ 就是最小的求值次数，因为梯度可以通过 $d$ 次函数求值来近似。

人类专家知识与提示词的作用

与 AI 自主解决问题的观点相反，这一结果是通过复杂的提示词过程实现的。用于实现该证明的提示词大约有十页的高级数学内容，旨在引导模型向正确的方向进行思考。这种引导是基于人类长达一年的前期研究成果。

批评者和观察者指出，这并非简单的“解决这个未解问题”的要求，而是一种协作，其中大量的领域专业知识被用于引导模型。一些报告表明，GPT-5.6 也被用于协助编写提示词本身，尽管人类提供了总体方向。

社区观点与对研究的影响

这一成就引发了技术社区关于数学和理论计算机科学 (TCS) 研究未来的辩论。

研究重心的转移

某些研究人员认为，AI 不会让数学家变得多余，但会消除“低垂的果实”或“中等高度的果实”——即那些可以通过对现有方法进行迭代改进而解决的问题。这将使人类的角色转向：

• 识别新问题： 研究中最关键的部分是定义哪些问题重要且值得解决。
• 新颖的方法： 对于需要全新概念框架而非现有框架优化的问题，将需要人类的参与。

“输入的分层化”

人们越来越认为，有效使用 AI 的能力正在成为一种新的技能集。这种“输入的分层化”表明，大语言模型 (LLM) 的输出质量取决于用户的背景知识。在这种背景下，实现技能变得不再那么关键，而概念深度以及提供高质量、技术性强的提示词的能力变得更加重要。

怀疑论与验证

与任何声称的数学证明一样，社区强调该结果尚未经过同行评审。共识仍然是：AI 生成的证明，就像人类生成的证明一样，都可能产生幻觉，必须由人类学术界进行严格验证，才能被视为事实。