OpenAI 下一代模型 Astra 一天内解决了十个存在数十年的数学难题

数十年来困扰数学家的十个问题——其中一些近 30 年——在一天内告破。本文解释 OpenAI 的 Astra 实际证明了什么。

更新 2026年8月2日 · 8分钟读

用 AI 探索

在 ChatGPT 中打开在 Claude 中打开在 Perplexity 中打开

8 月 1 日，OpenAI 发布了一份报告，称其下一代模型（内部代号 Astra）在十个不同的开放数学问题上取得了新成果。（不，这些并非千禧难题，但同样具有重要意义。）

值得注意的是：这些解答并非对问题的渐进式推进，而是实打实的最终解决，并已通过 Lean 验证。（Lean 是一种编程语言与证明助理，要求将数学论证的每一步都用机器可读的细节完整展开。）

信息量很大。本文按领域整理了这些问题，并以高层次方式说明发生了什么、这对数学学科可能意味着什么，同时窥见我们还能从 Astra 身上了解到什么。

这十个问题是什么？

以下以通俗语言列出每项结果，并标注其所属的具体数学或计算机科学领域。

非 sofic 群

领域： 群论

Astra 给出了一个明确的构造，得到一种群，无论多大规模的有限结构都无法对其进行任意精度的近似——由此解决了自 1999 年提出 “sofic 群” 概念以来悬而未决的问题。该构造附有证明，表明任何有限近似序列都不可能奏效，并已在 Lean 中形式化，便于用机器检验逻辑。

维基百科已更新：

球体堆积

领域： 高维几何

问题是在维度增长时，如何尽可能高密度地堆积相同且不重叠的球。Astra 在高维情形下证明了更紧的密度上界，这是自 1978 年以来对此特定上界的首次改进。它并未提供更优的堆积方法——而是收紧了任何未来方法所能达到的最优极限。

二进制与球面码

领域： 编码理论

纠错码的原理是让所有有效消息彼此间隔足够远，以致小错误无法把一条消息变成另一条。Astra 证明了此类消息数量在给定最小距离下的显著更紧（指数级改进）上限，并给出了在高维球面上分布点集的对应匹配结果。

Connes 的刚性猜想

领域： 算子代数

Alain Connes 猜想：由某些群构造出的冯诺依曼代数可唯一决定这些群本身。Astra 通过构造两个在本质上不同却导出相同代数的群予以否证，显示此重建并非总是一一对应。

算术电路复杂度

领域： 计算复杂性理论

“Permanent” 是由一个数表计算出的单个数值，计算代价高昂。复杂性理论希望了解任一方法所需算术步骤的最小可能数量。Astra 证明了该最小值新的、更强的下界——这类下界结果出了名地难以改进半步。

量子并行重复

领域： 量子复杂性理论

经典理论认为，让两个无法通信的参与者并行重复进行多次困难博弈，会使作弊成功的概率呈指数级下降。Astra 证明即便参与者共享量子纠缠，这一保证同样成立，将一个基础性的经典原理推广到了量子情境。

Ehrhart 的体积猜想

领域： 离散与凸几何

对于一个凸形体，若其内部唯一的格点恰好位于形体的质心处，数学家希望知道在任意给定维度下这类形体可能拥有的最大体积。Astra 求出了各维度下的该最大体积，从而在完全一般性下解决了该猜想。

多色 Ramsey 数

领域： Ramsey 理论 / 组合学

在人数足够多且人与人之间的关系类别足够多的情况下，最终必然能找到三个人，他们之间两两连接的关系类别相同。Astra 证明：随着类别数增加，所需的最小群体规模增长速度快于任意固定的指数速率，解决了 Erdős 问题 183。

极值数猜想

领域： 极值图论

该分支研究在避免某些小型禁用模式的前提下，一个网络最多能拥有多少连接。Astra 在此处解决了两个相关猜想，对应 Erdős 问题 146 与 180，精确刻画了在那些模式变得不可避免之前此类网络所能达到的最大稠密度。

上述每个问题至少已开放十年；其中数个已存在三十年或更久，且列表中理论计算机科学方向的问题曾引来图灵奖得主参与攻关。

等等，反例是不是“更容易”的证明方式？

我不敢妄言负面评价，但我知道这是常见的问题或反应，尤其来自对数学略知一二的人。

人们最常见的批评是：其中若干结果是反例，而非新的普适理论。这个观点很重要，因为反例解答的是是/否问题，但本身并不告诉您模式为何失效，或递给您一族可继续研究的相似对象；而诸如分类定理或新技术则能开启更多门路。

我认为此类批评总体站得住脚，但不足以一概否定这一整批问题。首先，非 sofic 群的结果并非对某个近乎成功的既有构造的小修小补——而是在 27 年无人得手之后首次给出此类构造，且其背后的技术预计能推广以发现更多。

其次，其余九个结果中的若干（包括球体堆积上界与 CVP 困难性结果）根本不是反例；它们是对既有上界的直接改进。

尚待厘清之处

在接下来数天、数周到数月的时间里，随着学界进一步检视，有几件事值得持续关注：

尚未经过同行评审。 这些结果已通过 Lean 验证，并由看到预印本的数学家进行过非正式评阅，但尚无一篇通过正式的期刊审稿流程。
署名仍在协商中。 OpenAI 表示其对论文与 Lean 形式化负责，而将数学论证本身归功于模型。就目前而言，要独立复现实验的过程（而非对证明的验证）并不容易。

这对数学意味着什么

最直接的转变，可能体现在数学家真正要把时间花在哪里。如果一个表述良好的开放问题可以交给模型并用 Lean 检查，瓶颈就会从“是否有人能解出”转向“我们是否提出了正确的问题并正确形式化”。提出好问题、知道哪个值得攻克，本身就是数学家凭经验磨炼出的真本事。

同时，也有关于经费与学术信用的潜在问题。科研资助、终身教职评审与奖项历来建立在稀缺性之上：这些问题足够困难，解出一个就能说明解题者的能耐。若 AI 辅助的成果变得常见，学界需要新的方式来区分什么是真正艰深、什么只需花上几千美元的推理成本就够得着。当然，大多数人并不真正理解这些问题；受过真正训练的人懂，而这点并未改变。所以，数学知识比以往任何时候都更有价值。