【對談】Astra 解開數十年懸題，Mark Sellke：只有人類才寫幾百頁

整場談下來有幾個值得帶走的點。第一，AI 的數學突破不是靠蠻力搜遍所有可能，而是展現出接近職業數學家的判斷力——懂得在哪裡押注，何時回頭。第二，Astra（OpenAI 內部代號的推理模型）在這批 10 道難題裡，包括困了數學界幾十年的高維球體堆疊上界與 sofic 群反例，交出的證明普遍短而精——諷刺的是，寫出幾百頁怪獸級證明的反而都是人類。第三，提示的方式仍然有影響，但影響正在隨每一代模型縮小。第四，數學圈的生態即將重組：證明不再是瓶頸，理解，消化，傳遞知識才是下一個稀缺品。第五，兩人都不認為數學會就此被耗盡——P vs NP 這類問題的天花板高到 AI 可能永遠碰不到，但那些讓你苦想多年卻沒有答案的中型問題，有生之年可能終於能看到結果。

◎AI 的優勢不是搜尋，而是敢押注又不怕重來

人類數學家做研究有個固有的成本結構：你花了幾週走某條路，走不通之後腦子已經被污染了，很難從頭乾淨地再試另一條。Mark 的說法直白——你的 context 被塞滿了，你沒辦法複製一個上週的自己從零再試一次。AI 不一樣，新開一個對話視窗就是乾淨的大腦。更重要的是，在單一對話裡，模型回頭修正路徑的能力也比人類強：人類一旦發現某條路走不通，會傾向過度下修這條路的可信度，模型的更新幅度更接近貝氏理性——它犯錯，回頭，但不會讓失敗的嘗試過度污染後續判斷。這就是為什麼那些很多聰明人試過卻沒解開的問題，反而成了 AI 的狩獵場。

◎球體堆疊上界：幾十年的猜想，幾頁複數分析收尾

高維空間的球體堆疊密度是什麼？這問題聽起來像幾何課，實際上連二維蜂巢六角堆法到 1960 年代才被嚴格證明，三維橘子堆法的證明是幾百頁的醜陋怪物。而在很高的維度裡，密度的上界長期停在一個來自 1970 年代俄羅斯數學家的奇怪常數。Astra 被餵進去的任務非常素樸：分析這個叫做 LP bound（線性規劃上界，一種把球體堆疊問題轉化成函數優化的框架）在高維時的行為。它找到了一個函數，給出了更好的上界；更強的是，它同時證明了這個框架能給出的最好答案就是這樣——等號成立。Mehtaab 坦承他念研究所時對這個問題苦想了約六個月，毫無進展。看到證明的第一反應是：這方法這麼對，為什麼沒有人早點想到？

◎sofic 群反例：15 頁打敗 250 頁

sofic 群（一類可以被有限群近似的無限群，數學家用這個性質把有限的論證延伸到無限結構）是否涵蓋所有的群？這個問題懸了幾十年。兩年前，一個相關但更強的猜想被推翻，但那個反例需要動用量子複雜度理論，堆出超過 450 頁的論文，大多數數學家根本沒辦法從頭讀懂。Astra 的反例採完全不同的路：留在群論的範疇裡，用一個很細緻的組合論（combinatorics，研究有限結構計數與排列的數學分支）論證，全文大約 15 頁。Mark 說，AI 產出的定理有個明顯傾向：證明往往短而精——只有人類才能寫出幾百頁的東西這句話，兩人說完都笑了。

◎提示的方式還有影響，但這個影響正在消失中

球體堆疊和球面碼（把球體堆疊問題搬到另一個球面上，與錯誤更正碼直接相關）這兩道題之間有個插曲：模型最初被要求改善球面碼的上界，它改善了，但就停在那裡；研究者再問一句能不能再推一步，它才用更複雜的對稱性工具（表示論，representation theory）繼續推進，最後推出的結果意外地和高維球體堆疊的答案連在一起。這說明模型目前偏向任務導向——完成你要求的事，不主動越界。Mehtaab 的判斷是：從前幾代模型到現在，需要人工介入的地方在穩定減少。這個再推一步的判斷遲早不需要人來給。

◎數學不會被耗盡，但數學家的角色會換人坐

兩人對數學圈的未來意見接近：以前的瓶頸是把定理證出來，這件事現在開始鬆動；接下來的稀缺品是理解，消化，為其他人解釋——幫新結果找到它在整個知識體系裡的位置。Mark 順帶提到，數學問題的難度天花板其實很高，就算 AI 的能力繼續以指數速度成長，P vs NP 這類問題很可能仍然無解。至於那些折磨人幾年卻始終沒有答案的中型問題，Mehtaab 說，有些他有生之年或許真的能看到答案了。這不是悲觀，這是真正的好消息。

看完這場，有件事讓我印象最深：AI 交出的那批證明，比人類過去在同類問題上寫出的任何東西都要短。數學界習慣把冗長的證明當作問題困難的勳章，結果 AI 給的答案一直在說：你們繞遠路了。這不是一個AI 取代數學家的故事，而是一個最難的部分突然變得沒那麼難，然後所有人都得重新想清楚什麼才叫有價值的故事——這種事，我在這行看過不只一次。