OpenAI宣称用AI解决纳维-斯托克斯方程等问题,作者回顾硕士论文探讨黎曼猜想
来源标题:Revisiting my Master's thesis with AI – Understanding the Riemann Hypothesis
OpenAI声称其内部模型以约1万个并发智能体在88小时内提出纳维-斯托克斯方程某一版本问题的解决方案,并额外用17小时完成Lean形式化验证。作者由此出发,结合自身硕士论文回顾AI在数学研究中的实际运作方式。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
最近AI做数学这件事引起了相当大的轰动。九月,OpenAI声称解决了Navier–Stokes千禧年大奖难题的一个版本;十月,它又声称证明了Landau–Siegel零点不存在。把这些声明夹在寻常的产品发布之间,分量着实不轻。
我立刻想到的问题是:这到底是怎么运作的?
显然,这远不是打开ChatGPT打上几行字那么简单:
solve navier stokes. think real hard. no mistakes!
OpenAI对其Navier–Stokes工作的描述提到了一个内部模型:成功的那一组大约同时运行着10,000个agent,88小时得出一个候选解,又花了17小时进行Lean形式化与验证。不同小组探索了问题的不同变体;一个中间性的Euler结果被反馈回搜索过程;Codex在各组之间整合洞见。短短一段突破性描述的背后,是一套相当庞大的研究流程。
这则公告还伴随着一场关于未发表研究和科学署名的严重争议。Tristan Buckmaster在公开声明中质疑,他和Levent Alpöge私下的Codex会话是否影响了OpenAI的工作,并称有人要求把Alpöge从作者名单中移除。¹ OpenAI否认使用了他们未发表的工作或Codex会话。Buckmaster本人则表示,他并不确定他们的数据是否被使用;而他对署名讨论的叙述仍然令人深感不安。
Siegel零点那件事后来也有人类撰写的阐述和简化,包括William Banks和Bryce Kerr的论文。我在这里不打算对这两项所谓的突破做任何裁决。我感兴趣的是:从提出问题到得到一个可供他人检验的论证,这中间发生了什么。
在这个语境下,什么是一个agent?成千上万个agent能做哪些一个agent做不到的事?是谁决定它们研究什么,它们的答案又如何变成一份证明?一个普通人能否用普通订阅就能拿到的工具,做点类似的实验?
我拿自己硕士论文里的问题试了试。
2011年,导师给了我两篇论文。一篇关于模取自多项式序列的等差数列中的素数(PDF);另一篇关于等差数列中无平方因子数的方差。我的任务是把这些技巧结合起来。
这需要一点背景。我的导师大概一个周末就能把结果证出来。把它交给我的意义在于,让我学会这些技巧:读懂论文,看清它们的论证如何衔接,并在需要新东西的地方亲自推一遍。
这似乎也是检验AI的一个好题目,原因差不多。这是一个关于改造既有方法的问题,有相关文献可读,目标也相当具体。我想借此学习如何组织一次尝试,包括哪些地方会出错。
给想了解机器实际被问了什么的读者,这里是数学版本。一个数是无平方因子的,如果没有任何大于1的平方数整除它。于是每个素因子至多出现一次。例如30=2·3·5是无平方因子的,而12=2²·3不是,因为它能被4整除。
取最简单的等差数列,奇数和偶数。无平方因子的项用粗体标出:
每隔一个偶数就能被4整除,因而被排除。奇数则不受素因子2的这种限制。长远来看,大约8/π²≈81.1%的奇数和4/π²≈40.5%的偶数是无平方因子的。
记Q(x;q,l)为不超过x、模q同余于l的无平方因子正整数个数。对每个固定的等差数列,这个计数有一个线性主项g(q,l)x。² 除非某个素数的平方同时整除q和l、迫使每一项都带上那个平方因子,否则系数为正。4的倍数就是这种阻碍的一个例子。
相比之下,素数变得越来越稀疏,其未加权密度为零。对固定模数,用log p给每个素数p加权后,每个互素剩余类中都有一个线性主项。³ 无平方因子数则不需要额外加权,即使在非互素的类中也可以有正密度,偶数就说明了这一点。
知道密度就得到了第一近似。为了研究它的精度,我们看偏差
这些误差有多大?随着模数增大,每个等差数列中不超过x的项变少,仅凭固定模数的密度公式无法说明其精度。逐个控制每一个等差数列可能很困难。均方估计则描述偏差的典型大小,并限制有多少等差数列可以出现异常大的误差。平方可以防止正负误差相互抵消;把它们的和除以类数就得到均方偏差。
经典的方差问题对所有不超过某个上界的模数取平均。我的问题则选取多项式模数,例如q=k²+1:2, 5, 10, 17, 26, …。其中只有大约√Y个小于Y。对所有模数做良好的平均,可能会掩盖这类稀疏族上糟糕得多的行为。限制模数,就是问分布在这种额外的算术结构下表现如何。
相关估计在素数论中有应用。例如,p≡1 (mod k²)意味着p−1有平方因子k²。对平方模数的分布估计帮助Baier和Zhao(PDF)证明了关于p−1有大平方因子的素数的结果。我的论文要求的是素数情形下所研究的稀疏模数方差的无平方因子 analogues。
具体来说,对于f(y)≤x,它研究
[ V_f(x,y)=\sum_{1\le k\le y} f^{\prime}(k) \sum_{l=1}^{f(k)} E(x;f(k),l)^2. ]
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。