Terence Tao 與 ChatGPT：解構 Jacobian 猜想反例

專家引導的 AI 提示用於數學發見

Terence Tao 與 ChatGPT 的互動表明，大型語言模型（LLM）在高階數學中的實用性高度依賴於使用者的專業知識。透過提供具體且充滿術語的提示，並引導模型經過一系列符號驗證，Tao 利用 AI 將 Jacobian 猜想的一個複雜反例映射到一個更簡單的心智模型。

觀察者指出，Tao 的方法與隨意使用不同；他利用 AI 來「暴力」計算特定的符號運算，同時保持高層次的戰略方向。這使得數學家能夠專注於推廣結果或尋找解釋證明核心機制的更簡單子結果。

Jacobian 反例的符號驗證

在共享的對話中，ChatGPT 被用來驗證一個多項式同構及其後續具有常數 Jacobian 的映射。該過程分為三個主要階段：

1. 驗證多項式同構

ChatGPT 驗證了映射 $\Phi: \mathbb{A}^{3} \rightarrow X$ 及其逆映射 $\Psi: X \rightarrow \mathbb{A}^{3}$ 是互為逆的多項式同構，其中 $X$ 由以下方程定義：

$$X = \left{ (a, b, c, d, e) \in \mathbb{C}^{5} : a^{2} e - a b d + c b^{2} = 1 , a d + b c = 1 \right}$$

透過將 $b, c, d,$ 和 $e$ 用 $a, y, z$ 表示的公式展開，模型確認了 $X$ 的定義方程恆等成立，從而證明 $X \cong \mathbb{A}^{3}$。

2. Keller 映射的構造

在 Tao 的指導下，模型將 $\Phi$ 與映射 $F(a,b,c,d,e) = (ac, ad + bc, ae + bd, be)$ 進行組合，並捨棄常數座標 ($ad+bc=1$)。這產生了一個多項式映射 $G: \mathbb{C}^{3} \rightarrow \mathbb{C}^{3}$：

• $G_{1} = a - \frac{3}{2} a^{2} y + a^{3} z$
• $G_{2} = \frac{1}{2} y - 3 a z + 6 a y^{2} - 6 a^{2} y z + \frac{9}{2} a^{2} y^{3} - 3 a^{3} y^{2} z$
• $G_{3} = - 2 z + 4 y^{2} - 6 a y z + 7 a y^{3} - 6 a^{2} y^{2} z + 3 a^{2} y^{4} - 2 a^{3} y^{3} z$

ChatGPT 對這些表達式進行符號微分，以確認 Jacobian 矩陣的行列式為常數：$\det DG \equiv -1$。

3. 與原始反例的映射

最後，模型展示了此構造的映射 $G$ 通過源座標和輸出座標的線性變換，與原始 Jacobian 猜想反例 $F_{orig}$ 等價。通過設置 $a = z_{1}, y = z_{2}, z = -\frac{1}{2} z_{3}$，模型表明：

$$F_{orig} = B \circ G \circ A$$

其中 $A$ 和 $B$ 為線性映射。這驗證了該分解構造精確地恢復了原始映射。

技術社區的見解

Hacker News 社區的討論凸顯了關於 AI 與進階數學交叉點的幾個關鍵收穫：

未解決問題的「認知危害」

一位貢獻者指出，Jacobian 猜想對 LLM 而言代表一種「認知危害」。因為模型的訓練數據包含該猜想未被解決的事實，它可能傾向於懷疑使用者聲稱的證明。然而，當專家引導模型執行特定的符號檢查時，模型可以驗證數學正確性，而不管其內部對問題狀態的「知識」如何。

AI 作為協作夥伴

使用者觀察到，LLM 的功能更像是一位協作夥伴而非僅僅是工具。模型處理 PDF 摄取、編寫程式碼以及長期上下文保持的能力，使其能夠作為超級天才的諮詢板，減少符號運算的摩擦。

打破專業化

有人主張，AI 能夠協助數學家克服該領域極端的專業化。透過在孤立的數學領域之間充當橋樑，LLM 可能協助研究人員連結跨不同子領域的概念，這些概念已經變得過於密集，以致於單個人類無法掌握。

"現代 AI 對數學家而言就像是天賜良藥。它幫助他們打破邊界，連結概念，這些方式是凡人無法想像的。"

模型表現摘要

對話顯示模型具備以下能力：

• 高保真符號操作：在不出錯的情況下執行複雜的多項式展開和微分。
• 自適應語氣：根據使用者的技術專業水平進行溝通。
• 在考量因素下進行推理：當使用者的提示可能導致潛在錯誤時，提供糾正和警告。