Claude Fable 5 与雅可比猜想：证明了什么，没证明什么

在世界杯决赛之夜，大多数人都在看足球。互联网的一隅却见证了数学史的推进。

Anthropic 研究员 Levent Alpöge 在 X 上发了一条短消息：雅可比猜想是错的。这个问题自 1939 年以来一直未解。他将提出问题的想法归功于同事，并表示 Claude Fable 5 在比赛期间完成了工作。

第二天，数学家们已用手算检验。结果经得起推敲。

不过，“AI 攻克 87 年悬而未决数学难题”这样的标题总比细节传播得更快。不妨慢下来：究竟新在何处？不新在何处？您能自己核验吗？

可以。用大约十五行 Python。稍后就看。

速览结论

Claude Fable 5 帮助构造了一个从三维复空间映回自身的多项式映射，记作 ℂ³ → ℂ³。其雅可比行列式在处处恒为常数 -2，这正是 Keller 1939 年猜想的条件，然而该映射会把三个不同的输入点映到同一个输出。这一个例子就否定了三维及更高维的猜想。原始的二维版本仍未解决，目前也尚无同行评审论文，只有经验证的计算与预印本。

这段话就是全部梗概。下文将逐句解释其中缘由。

什么是雅可比猜想？

想象一个函数，输入一串数字，输出另一串数字。这就是从一个空间到另一个空间的“映射”。数学家会问一个简单的问题：是否总能反推？已知输出，能否还原产生它的精确输入？

如果您做过机器学习，您多半早就遇到过这个问题的核心对象，只不过没那么戏剧化。雅可比矩阵是映射的偏导数组成的矩阵：反向传播在每一层都会把它们连乘。归一化流也需要它的行列式，来追踪概率质量在网络中流动时如何被拉伸。同一矩阵，不同场景。

微积分提供了一个基于该矩阵的局部可逆性检验：雅可比行列式。如果它在某点不为零，则该映射在该点附近可逆。

但“附近”不同于“处处”。这里有个我认为最干净的例子，只需两行：

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

此映射的雅可比行列式为 e^²ˣ，从不为零。它在平面上每一点都通过了局部检验。可它仍不可逆，因为它“缠绕”起来了：两条不同的路，通向同一座房子。

不过请注意，这个例子用了指数函数。1939 年，德国数学家 Ott-Heinrich Keller 问：多项式会不会表现更好？他的问题是：若一个多项式映射的雅可比行列式不仅处处不为零，而且在各处都是一个固定常数，这是否终于能保证整体（全局）可逆？

87 年来无人能回答。既无证明，也无反例。这正是 Claude Fable 5 方才撼动的猜想。

Claude Fable 5 实际发现了什么

Alpöge 的帖子给出了一个从 ℂ³ 映回自身的显式多项式映射。其雅可比行列式在每一点都恰为常数 -2。这正是 Keller 的条件。尽管如此，仍有三个不同的点输入后得到相同的输出。

任何有计算机代数工具的人都能代入检验。事实也正如此：数学家们在数小时内就跑通了计算，算术对上了。

由于这个反例位于三维，它也就击破了所有更高维的猜想。把这个三维映射“填充”上若干不参与运算的额外变量，便得到四维、五维乃至一百维的反例。不过填充只能往上走，无法把三维反例“压缩”到二维，这正是本文最后一节存在的原因。

用 Python 自己检验

这段关于前沿 AI 的故事，现在变成了您能在笔记本里跑的一个练习。值得一跑。亲眼看到反例在您自己的机器上以精确算术成立，会更清楚。您只需要 sympy，别无他物。

首先，定义映射并确认行列式：

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

不是“约等于 -2”。而是对 ℂ³ 中每一点都严格等于 -2 的符号结果。第一项条件达成。

接着看“相撞”。我通过让 SymPy 求解 F(v) = F(1, 1, 1) 找到了以下三点。Alpöge 的原帖给出了一组不同的点，两组都可用：

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]

三个彼此不同的输入，同一个输出。既然三个输入给出同一答案，就不存在逆映射，Keller 猜想告破。您刚用精确算术，亲自验证了一个解决 87 年难题的计算。

如果您跳过了代码，概括如下：主张的两部分——常数行列式与点的“相撞”——都通过了符号验证。不需要依赖浮点数的可信度。

等等，这不是早就被否证过了吗？

在继续之前，值得回应一下您可能在 Alpöge 帖子的回复里看到的内容，因为有一项更早的相关结果常被提起，而两者的区别至关重要。

1994 年，Sergey Pinchuk 找到了一个二维实值多项式映射，它在处处局部可逆，但并非全局可逆。这一构造众所周知，人们很容易以为 Fable 5 的版本只是把这个思路拉到三维。

并不是。Pinchuk 的映射只要求雅可比行列式不为零，其值可以随点变化，且整个构造只在实数域上成立。那回答的是一个更弱的问题，常被称为“强实雅可比猜想”。Keller 的原始问题要求在复数域上，且行列式为一个固定常数，这一门槛并非 Pinchuk 的构造所能跨越。数学界对这一差异已知晓三十年。

为何复数会抬高门槛？粗略说：在实数域上，多项式可以通过在“麻烦点”没有实数解来回避问题。x² + 1 在实轴上从不为零，但在 ℂ 上必须为零。复空间不给映射留下藏身之处，因此在那儿满足 Keller 的条件要求更强。前文的指数映射已暗示了这一点，因为导致其失败的“缠绕”现象本就是彻头彻尾的复数现象。

两者确实有“家族相似性”。它们都利用了“处处局部可逆”与“整体可逆”之间的落差。这是数学自我累积的体现，并非说明这里没有新东西发生。

尚未解决的问题

二维情形仍未解决。这是该猜想最早、研究最深入的版本，研究的是从平面映回平面的映射；如前所述，再多的“填充”也无法把三维反例降到二维。多位数学家认为平面情形更难、也更核心。它如今是该猜想的“幸存内核”，而不是被解决版本的“缩水版”。

这项结果也尚未经同行评审。目前它是一项经验证的计算与一篇预印本，而非审稿通过的论文。由于整件事归结为您刚运行的两步计算，验证或许不是症结所在，但记录应如实说明现状。

还有更深层的空白。没人能完全解释这个反例为何奏效。符号检验能确认“相撞”是真实的；但它并不会给您背后的故事——那种数学家可以从零重建的解释。提出该问题的芝加哥大学数学家 Akhil Mathew 说得好：答案可核验，但若能有一个可讲述的故事会更好。

探索过程本身也有些模糊。人提出了问题，AI 完成了工作，人发布了结果。这条署名并未展示提示词、走过的弯路，或过程中发生了多少“操盘”。这确实关乎 AI 辅助证明的署名方式，但与数学是否成立是两回事。数学是成立的。

结语

数学是真实的。一个悬而未决数十年的猜想在三维及更高维被真正击穿，且已用标准工具独立确认，并非对 Pinchuk 1994 年结果的翻版。但它并非对“雅可比猜想”的彻底解决。平面情形仍然屹立，而这项结果并未附带数学通常同等看重的那种解释。

这也是一种趋势的一部分。整个 2026 年，前沿模型在组合学与数论等领域不断蚕食长期公开问题。把这看作该趋势的又一数据点，而非特例。

对任何希望与 AI 一起攻克技术问题的人而言，教训并非“AI 现在能做科研数学了”。更精确地说：这些模型越来越擅长在有精确验证器的领域里产出具体对象，而正如您上面所见，您只需pip install sympy就能成为那个验证者。生成正飞速前进。验证也紧随其后。理解还需要补课。

在线性代数与符号 Python 上下功夫最划算：行列式、可逆性，以及用精确算术检验主张而非盲目信任的习惯。下次类似结果出现时，您就能在当天之内亲自跑一遍检验。