GPT-5.6 解決了 30 年前的凸優化問題

GPT-5.6 填補了凸優化領域 30 年的空白

OpenAI 的 GPT-5.6 已被用於為凸優化中一個長期存在的猜想提供證明，特別是針對在凸 Lipschitz 函數上求解優化問題的時間複雜度。這一結果具有重大意義，因為它確立了時間複雜度的下界，證明了求解這些問題需要 $\Omega(d^2)$ 次函數評估，這與一個現有的 30 年前的演算法的複雜度相符。

證明技術細節分析

該證明專注於在球形定義域上對凸 Lipschitz 函數進行優化的時間複雜度下界。雖然展示上界通常很直接（因為它僅僅是已知演算法的運行時間），但證明下界要困難得多，因為這需要對所有可能的演算法進行約束。

關鍵技術面向包括：

• 定義域： 問題被限制在球形定義域內，儘管專家指出這並非重大限制，因為變數可以針對任何有界定義域進行變更。
• 複雜度： 證明展示了所需的最小函數評估次數為 $\Omega(d^2)$。
• 啟示： 這表明如果可以使用梯度神經元（gradient oracle），則 $d$ 是最小評估次數，因為梯度可以用 $d$ 次函數評估來近似。

人類專家知識與提示詞工程的角色

與 AI 自主解決問題的觀點不同，該結果是透過一個複雜的提示詞過程實現的。用於達成證明的提示詞大約有十頁的高等數學內容，旨在引導模型朝正確的方向發展。這種引導是基於先前長達一年的研究成果。

批評者和觀察者指出，這並非簡單地要求「解決這個未解問題」，而是一種協作，其中大量的領域專業知識被用於引導模型。一些報告指出，GPT-5.6 也被用於協助撰寫提示詞本身，儘管人類提供了總體方向。

社群觀點與對研究的影響

這一成就激發了技術社群內關於數學和理論電腦科學 (TCS) 研究未來的辯論。

研究重心的轉移

某些研究人員認為，AI 不會讓數學家變得多餘，而是會消除「容易摘取的果實」——即那些可以透過對現有方法進行迭代改進來解決的問題。這將人類的角色轉向：

• 提出新問題： 研究中最關鍵的部分是定義哪些問題是重要的且值得解決的。
• 新穎的方法： 對於需要全新概念框架而非僅僅是優化現有框架的問題，將需要人類的參與。

「輸入的層次化」

有一種日益增長的觀點認為，有效使用 AI 的能力正在成為一種新的技能組。這種「輸入的層次化」表明，大型語言模型 (LLM) 的輸出品質取決於使用者的背景知識。在這種情況下，實作技能變得不再那麼關鍵，而概念深度以及提供高品質、具備技術根據的提示詞的能力變得更加重要。

懷疑與驗證

與任何宣稱的數學證明一樣，社群強調該結果尚未經過同行評審。目前的共識仍然是，AI 生成的證明，如同人類生成的證明一樣，都可能出現幻覺，必須在被接受為事實之前，由人類學術界進行嚴格驗證。