GPT-5.6 用一个提示词，终结了凸优化领域 30 年的未解难题
一句话快讯
OpenAI 最新模型 GPT-5.6 在凸优化领域取得突破性进展——仅凭一个精心设计的提示词，就解决了困扰学界 30 年 的经典难题，引发 Hacker News 社区 226 分、116 条评论的热议。
事件回顾
凸优化是数学与工程领域的核心工具，广泛应用于机器学习、信号处理、控制理论等方向。此次被解决的难题涉及 非光滑凸优化算法的收敛速率，自 1990 年代提出以来，一直缺乏严格的证明或高效解法。
据社区讨论，一位研究者尝试用 GPT-5.6 进行数学推理，输入了包含问题背景、已知条件和目标结论的详细提示。模型在数秒内生成了一个完整的 构造性证明，不仅给出了收敛速率上界，还附带了一个反例，说明该上界无法进一步改进。
模型能力与验证
GPT-5.6 的推理过程并非简单“搜索”已有文献。社区成员指出，该证明融合了 Nesterov 加速方法 和 次梯度理论 的变体，并引入了一种新的 自适应步长策略。多位数学背景的 Hacker News 用户表示，该证明逻辑自洽、步骤清晰，甚至包含了一些人类研究者此前未曾考虑的边界情形。
目前，该证明正在接受同行验证。部分评论者强调，虽然结果令人振奋，但仍需警惕模型“幻觉”风险——在数学领域，AI 生成的伪证明并不罕见。不过，初步检查显示，GPT-5.6 的推导在关键引理上引用了正确的经典定理，并给出了合理的数值实验支持。
行业影响
这一事件再次引发关于 AI 驱动的科学发现 的讨论。此前，DeepMind 的 AlphaFold 解决了蛋白质折叠问题，而 GPT-5.6 的此次突破表明，大语言模型在形式化推理领域 正展现出前所未有的潜力。
- 效率提升：传统方法需要数月甚至数年的推导，而 AI 可在数分钟内给出候选方案。
- 范式转变：研究者可能从“手动推导”转向“验证 AI 结果”，加速理论创新。
- 局限性：当前模型仍依赖人类提供精确的问题表述，且无法保证输出绝对正确。
总结
GPT-5.6 在凸优化领域的表现，不仅是模型能力的里程碑，更预示着 AI 辅助数学研究 进入新阶段。虽然完全取代人类数学家尚不现实，但其作为“推理加速器”的价值已不容忽视。未来，如何将 AI 的创造力与人类的严谨性结合，将是学界和产业界共同面对的课题。
