Claude Fable 5 i hipoteza Jacobiego: co udowodniono, a czego nie

W noc finału mistrzostw świata większość ludzi oglądała piłkę nożną. Mały zakątek internetu patrzył, jak przesuwa się historia matematyki.

Badacz z Anthropic, Levent Alpöge, opublikował krótki wpis na X. Napisał, że hipoteza Jacobiego jest fałszywa. To problem, który pozostawał nierozwiązany od 1939 roku. Wspomniał kolegę, który zasugerował problem. Za wykonanie pracy podczas meczu przypisał zasługę Claude’owi Fable 5.

Następnego dnia matematycy sprawdzili wszystko ręcznie. Wytrzymało.

Ale „AI rozwiązuje 87-letni problem matematyczny” to nagłówek, który rozchodzi się szybciej niż stojące za nim szczegóły. Zwolnijmy więc. Co tu jest naprawdę nowe? Co nie jest? I czy możesz to sprawdzić sam?

Możesz. W około piętnastu linijkach Pythona. Do tego dojdziemy.

Szybka odpowiedź

Claude Fable 5 pomógł skonstruować wielomianowe przekształcenie z trójwymiarowej przestrzeni zespolonej w siebie samą, zapisane ℂ³ → ℂ³. Jego wyznacznik Jacobiego jest wszędzie stały i równy -2, co dokładnie spełnia warunek hipotezy Kellera z 1939 roku, a mimo to przekształcenie wysyła trzy różne punkty wejściowe do tego samego wyjścia. Ten pojedynczy przykład obala hipotezę w wymiarze trzecim i wyższych. Oryginalna wersja dwuwymiarowa pozostaje otwarta, a na razie nie ma recenzowanej publikacji — jest tylko zweryfikowane obliczenie i preprint.

To cała historia w jednym akapicie. W dalszej części artykułu rozpakowujemy, dlaczego każdy z tych członów ma znaczenie.

Czym jest hipoteza Jacobiego?

Wyobraź sobie funkcję, która bierze listę liczb i zwraca nową listę. To „odwzorowanie” z jednej przestrzeni do drugiej. Matematycy zadają o takich odwzorowaniach proste pytanie: czy zawsze da się odtworzyć kierunek wstecz? Jeśli znasz wynik, czy możesz odzyskać dokładny zestaw danych wejściowych, który go wygenerował?

Jeśli robiłeś cokolwiek z uczenia maszynowego, już spotkałeś obiekt w centrum tego pytania — pewnie bez całej dramaturgii. Jakobian to macierz pochodnych cząstkowych odwzorowania: ta, którą propagacja wsteczna mnoży warstwa po warstwie. Normalizing flows też potrzebują jej wyznacznika, by śledzić, jak masa prawdopodobieństwa rozciąga się w sieci. Ta sama macierz. Inne podwórko.

Analiza daje lokalny test odwracalności oparty właśnie na tej macierzy: wyznacznik Jacobiego. Jeśli w punkcie jest niezerowy, odwzorowanie jest odwracalne w jego sąsiedztwie.

Ale „w pobliżu punktu” to nie to samo co „wszędzie”. Oto najczystszy przykład, jaki znam, w dwóch linijkach:

import numpy as np

f = lambda x, y: (np.exp(x) * np.cos(y), np.exp(x) * np.sin(y))

print(f(0, 0))              # (1.0, 0.0)
print(f(0, 2 * np.pi))      # (1.0, ~0.0) — same output, different input

Wyznacznik Jacobiego tego odwzorowania to e^²ˣ, który nigdy nie jest zerem. Zdaje lokalny test w każdym punkcie płaszczyzny. A jednak nie da się go odwrócić, bo „zawija wokół”: dwie różne drogi, ten sam dom.

Zauważ jednak, że ten przykład używa eksponenty. W 1939 roku niemiecki matematyk Ott-Heinrich Keller zapytał, czy wielomiany zachowują się lepiej. Jego pytanie: jeśli wyznacznik Jacobiego wielomianowego odwzorowania jest nie tylko wszędzie niezerowy, ale wszędzie równy jednej stałej, czy to wreszcie gwarantuje pełną, globalną odwracalność?

Przez 87 lat nikt nie potrafił odpowiedzieć. Bez dowodu. I bez kontrprzykładu. To tę hipotezę Claude Fable 5 właśnie naruszył.

Co tak naprawdę znalazł Claude Fable 5

W poście Alpöge znalazło się jawne wielomianowe odwzorowanie z ℂ³ w ℂ³. Jego wyznacznik Jacobiego w każdym punkcie wychodzi jako stała -2. To dokładny warunek Kellera. A jednak trzy różne punkty wchodzą i wszystkie trzy wychodzą w to samo miejsce.

Każdy z narzędziem algebry komputerowej może to podstawić i sprawdzić. Tak właśnie się stało: matematycy przeliczyli wszystko w ciągu godzin i rachunki się zgadzały.

Ponieważ kontrprzykład żyje w trzech wymiarach, obala hipotezę także w każdym wyższym wymiarze. Weź mapę 3D, dopakuj ją o dodatkowe, nietknięte zmienne i masz działający kontrprzykład w czterech, pięciu czy stu wymiarach. Dopakowywanie działa tylko w górę. Nie da się nim „wcisnąć” kontrprzykładu 3D do dwóch zmiennych — i dlatego istnieje ostatnia sekcja tego artykułu.

Sprawdź sam w Pythonie

Tu historia o granicznej AI staje się ćwiczeniem, które możesz uruchomić w notatniku. Warto je wykonać. Jest coś oczyszczającego w zobaczeniu na własnym komputerze, jak kontrprzykład trzyma się w dokładnej arytmetyce. Potrzebujesz tylko sympy, nic więcej.

Najpierw zdefiniuj odwzorowanie i potwierdź wyznacznik:

import sympy as sp

x, y, z = sp.symbols("x y z")

# The map Claude Fable 5 helped construct, from C^3 to C^3
f1 = (1 + x * y) ** 3 * z + y**2 * (1 + x * y) * (4 + 3 * x * y)
f2 = y + 3 * x * (1 + x * y) ** 2 * z + 3 * x * y**2 * (4 + 3 * x * y)
f3 = 2 * x - 3 * x**2 * y - x**3 * z

# Keller's condition: the Jacobian determinant must be a nonzero constant
jacobian = sp.Matrix([f1, f2, f3]).jacobian([x, y, z])
print(sp.simplify(jacobian.det()))

-2

Nie „w przybliżeniu -2”. Dokładnie -2, symbolicznie, w każdym punkcie ℂ³. Jeden warunek spełniony.

Teraz zderzenie. Te trzy punkty znalazłem, prosząc SymPy o rozwiązanie F(v) = F(1, 1, 1). Oryginalny post Alpöge podaje własny zestaw i oba działają:

s = sp.sqrt(53)

points = [
    (1, 1, 1),
    (sp.Rational(-1, 2) - 7 * s / 106, 25 - 3 * s, -134090 + 18420 * s),
    (sp.Rational(-1, 2) + 7 * s / 106, 25 + 3 * s, -134090 - 18420 * s),
]

for p in points:
    image = [sp.simplify(f.subs({x: p[0], y: p[1], z: p[2]}))
             for f in (f1, f2, f3)]
    print(image)

[22, 34, -2]
[22, 34, -2]
[22, 34, -2]

Trzy naprawdę różne wejścia. Jedno wyjście. Jeśli trzy wejścia dają jedną odpowiedź, odwrotność nie może istnieć, a hipoteza Kellera upada. Właśnie zweryfikowałeś, w dokładnej arytmetyce, rachunek, który rozstrzygnął 87-letni problem.

Jeśli pominąłeś kod, podsumowanie jest takie: obie połówki twierdzenia — stały wyznacznik i zderzające się punkty — przechodzą symboliczną weryfikację. Bez zaufania do liczb zmiennoprzecinkowych.

Zaraz, czy ktoś już tego nie obalił?

Zanim pójdziemy dalej, warto odnieść się do czegoś, co mogłeś zobaczyć w odpowiedziach na wpis Alpöge — bo jest starszy wynik w tej okolicy, który ciągle wraca, a rozróżnienie ma znaczenie.

W 1994 roku Sergey Pinchuk znalazł dwuzmienną, rzeczywistą mapę wielomianową, która była lokalnie odwracalna wszędzie, ale nie globalnie. To dobrze znana konstrukcja i łatwo założyć, że wersja Fable 5 to tylko ten pomysł rozciągnięty do trzech wymiarów.

Nie jest. U Pinchuka wyznacznik Jacobiego musi być jedynie niezerowy. Może zmieniać się z punktu na punkt i całość działa tylko nad liczbami rzeczywistymi. To odpowiada słabszemu pytaniu, zwanemu czasem „silną rzeczywistą hipotezą Jacobiego”. Oryginalna hipoteza Kellera wymaga liczb zespolonych i stałej wartości — poprzeczki, której konstrukcja Pinchuka nigdy nie miała przeskoczyć. Matematycy wiedzą o tej luce od trzech dekad.

Dlaczego liczby zespolone podnoszą poprzeczkę? Z grubsza: nad rzeczywistymi wielomian może uniknąć kłopotów, po prostu nie mając rzeczywistych rozwiązań w „kłopotliwych miejscach”. x² + 1 nigdy nie przyjmuje zera na prostej rzeczywistej, ale nad ℂ już musi. Przestrzeń zespolona nie zostawia mapie miejsca na ukrycie się, więc spełnienie warunku Kellera jest tam znacznie silniejszym żądaniem. Wcześniejsza mapa wykładnicza już to sugerowała, bo owijanie, które ją psuło, to zjawisko na wskroś „zespolone”.

Oba wyniki mają rodzinne podobieństwo. Oba wykorzystują szczelinę między „odwracalne w każdym sąsiedztwie” a „odwracalne w całej przestrzeni”. To znak, jak matematyka buduje na sobie — nie dowód, że nic nowego się tu nie wydarzyło.

Co wciąż pozostaje nierozstrzygnięte

Przypadek dwóch zmiennych jest nadal otwarty. To oryginalna, najczęściej badana wersja hipotezy — dla odwzorowań z płaszczyzny w siebie — i jak wspomniano wcześniej, żadne dopakowywanie nie ściągnie kontrprzykładu 3D do dwóch zmiennych. Kilku matematyków uważa przypadek płaszczyzny za trudniejszy i bardziej centralny problem. To teraz przetrwałe jądro hipotezy, a nie mniejsza wersja tej właśnie rozstrzygniętej.

Nie przeszło to też recenzji naukowej. Na ten moment to zweryfikowane obliczenie i preprint, nie recenzowany artykuł. Ponieważ wszystko sprowadza się do dwóch obliczeń, które właśnie uruchomiłeś, weryfikacja raczej nie będzie wąskim gardłem, ale warto to odnotować.

Jest też głębsza luka. Nikt nie potrafi w pełni wyjaśnić, dlaczego kontrprzykład działa. Symboliczny test potwierdza, że zderzenie jest prawdziwe; nie daje jednak historii stojącej za nim — takiej, którą matematyk mógłby odtworzyć od zera. Akhil Mathew, matematyk z University of Chicago, który zasugerował problem, ujął to trafnie: możesz zweryfikować odpowiedź, ale miło byłoby mieć też opowieść do opowiedzenia.

Sam proces odkrycia pozostaje trochę mglisty. Człowiek zadał pytanie, AI wykonała pracę, człowiek ogłosił wynik. Taka linia zasług nie pokazuje promptów, ślepych uliczek ani tego, ile było sterowania po drodze. To realne pytanie o to, jak przypisywać autorstwo w dowodach wspieranych przez AI — odrębne od kwestii, czy matematyka się broni. Broni się.

Na koniec

Matematyka jest prawdziwa. Wieloletnia hipoteza ma realną dziurę w wymiarze trzy i wyżej, potwierdzoną niezależnie standardowymi narzędziami, i nie jest to powtórka wyniku Pinchuka z 1994 roku. To nie jest jednak pełne rozstrzygnięcie „hipotezy Jacobiego”. Przypadek płaszczyzny wciąż stoi, a wynik przychodzi bez takiego rodzaju wyjaśnienia, które matematyka zwykle ceni równie wysoko jak samą odpowiedź.

To także część szerszego wzorca. Modele z czołówki w 2026 roku nadgryzały długo otwarte problemy w kombinatoryce i teorii liczb. Traktuj to jako kolejny punkt danych w tym trendzie, nie jednorazowy wybryk.

Dla każdego, kto uczy się pracy z AI przy problemach technicznych, lekcja nie brzmi „AI potrafi już robić matematykę naukową”. Jest węższa: te modele coraz lepiej generują konkretne obiekty w dziedzinach, gdzie sukces ma dokładny weryfikator — a jak widziałeś wyżej, tym weryfikatorem możesz być ty po pip install sympy. Generowanie pędzi naprzód. Weryfikacja dotrzymuje kroku. Zrozumienie ma jeszcze trochę do nadrobienia.

Algebra liniowa i Python symboliczny to dwie umiejętności, które warto tu budować: wyznaczniki, odwracalność i nawyk sprawdzania twierdzeń w dokładnej arytmetyce zamiast im wierzyć. Gdy następnym razem pojawi się podobny wynik, będziesz gotów, by samemu przeprowadzić weryfikację jeszcze tego samego dnia.