2026 年 8 月 1 日，OpenAI 在官網一次公布 10 項數學與理論資訊科學的新結果，每一題都是「至少十年沒有人推進」的公開難題。真正讓我停下來的不是題目有多難，而是三個細節：解法來自還沒發表的內部模型 Astra、找出解法的 token 成本換算大約只要 2,000 美元，以及 OpenAI 自己主動說「這些論證是 AI 生成的，不該掛人類作者的名字」。
這件事是誰說的、什麼時候說的
來源是 OpenAI 官方網站 2026 年 8 月 1 日發表的〈Ten advances in mathematics and theoretical computer science〉。不是媒體轉述，是原廠自己貼出來的。
他們在文章裡先回顧了一段脈絡：今年 5 月，他們曾經公布一個「AI 生成的反證」，推翻了 Erdős 單位距離猜想，那也是在評估一個還沒發布的模型時發現的。這次是一次公布 10 題，範圍橫跨高維幾何、編碼理論、算術電路複雜度、群論、算子代數、量子複雜度、格密碼學、極值組合。
OpenAI 自己這樣定位這件事：「數學論證本身由我們的系統生成，我們負責論文的整理與正確性。」這句話後面藏著一個很大的態度轉變，等一下會講到。
為什麼我覺得這件事跟只用 AI 寫文案的人也有關
大部分人現在用 AI，做的都是「整理已經存在的東西」：整理會議紀錄、改寫一封信、把長文壓成重點、生一張圖。這些事的共同點是——答案本來就在世界上，AI 只是幫你找出來、排整齊。
這次不一樣的地方在於，這 10 題的答案本來不存在。沒有人寫過，網路上查不到，AI 也沒辦法從資料裡「抄」出來。這是從「整理已知」跨到「產出未知」的一步。
我在課堂上最常被問的一句話是：「AI 會不會取代我？」我以前的回答是「它只是工具」。看完這篇，我覺得回答要再修一次：它已經不只是工具，比較像一個能力很強、但需要你出題目、幫它驗收的協作者。
3 個數字，先把規模感抓住
官方文章裡有幾個數字很值得記下來：
- 10 題：每一題都是至少十年、多數是更久沒有進展的公開問題，而且都是各自數學社群真的在乎的題目。
- 約 2,000 美元：找出這些解法所需要的 token，用 Sol API 的價格換算大約是這個數。十年沒人解開的題目，運算成本大概是一台筆電的錢。
- 10 萬名：OpenAI 同步在推 ChatGPT for Academic Researchers，讓 10 萬名科學家與數學家免費用他們最好的模型。
2,000 美元這個數字最刺激。因為它代表「多試幾次」的門檻已經低到不像話——以前一個猜想要花掉一位教授好幾年，現在可以用一個週末的預算，讓模型去撞好幾輪。
10 題各自在解什麼？挑 4 個講人話
題目名稱看起來都很嚇人，我挑幾個比較有畫面的：
1. 高維球堆積
想像你要把一堆彈珠塞進箱子，怎麼塞最密？這題在三維空間很直覺，但數學家問的是「在 24 維、100 維呢」。這次的結果把密度上界推進到 Cohn–Elkies 門檻。這不是純理論——球堆積跟通訊編碼、資料壓縮是同一家人。
2. 二元碼與球面碼
白話講就是：在一條會出錯的線路上傳資料，最多能塞多少組彼此不會被誤認的訊號？這次把上界做了指數等級的改進。你手機收訊不好還聽得清楚對方講話，底層就是這套學問。
3. 最近向量問題
這題跟後量子密碼學直接相關。現在全世界在換的「抗量子加密」，安全性建立在「格問題很難解」這個假設上，這次給出了多項式因子的近似困難度結果。做資安的人應該要看一眼。
4. 多色 Ramsey 數與極值圖論
解掉了 Erdős 問題 183、146、180。Erdős 是二十世紀留下最多未解問題的數學家，這些編號題目就像是他留給後人的作業本，一題一題被翻開。
最值得學的不是解題，是他們怎麼「驗收」
如果只看到「AI 很強」，這篇就白讀了。我覺得真正該抄回來用的是他們的驗證流程：
- 模型產出論證：由內部版本的 Astra 生成數學論證。
- 人整理成論文：由人搭配同一個模型，把論證寫成可讀的手稿。
- 形式化成證書：再讓模型用 Lean 把每一個論證形式化，程式碼公開在 GitHub（openai/ten-proofs）。Lean 是一套數學證明驗證器，通過了就代表邏輯上沒有偷渡。
- 公開思考過程：每一題都附上模型自己的思路敘述，讓別人可以檢查它是怎麼走到答案的。
「產出 → 人類整理 → 機器驗證 → 過程公開」，這四步就是一條完整的品管線。回到我們的日常，道理一模一樣：AI 幫你算出來的數字，要能回到原始報表對得上；AI 幫你寫的話術，要能對得上官方規格。沒有憑據的 AI 產出，只是講得很順的猜測。
OpenAI 主動談的那件事：署名要誠實
這篇文章有一整段在講「對數學社群的責任」，我覺得比成果本身更重要。
他們寫得很直接：把一個完全由 AI 系統生成的證明宣稱為人類作者，會同時誤導兩件事——低估系統的貢獻，也扭曲了真正人類智識工作的本質。他們也提到，理解並尊重那些對此有疑慮的人，包括 Leiden 人工智慧與數學宣言的連署者。
一家做模型的公司，主動跳出來說「這不是我們人做的」，這在現在的環境裡並不常見。
我自己怎麼用：AI 的上限，是你的專業
我最近在準備一堂 AI Agent 的入門課，課裡我一直想跟同仁講清楚一件事：Agent 能做到多深，其實取決於你的想像力、工作能力，還有你原本的專業。
同樣一句「幫我做一份簡報」，IT 同事懂架構，他能要求 AI 用特定的方式把程式寫出來；設計背景的人熟悉 banner 的表現手法，他丟進去的 know-how 會讓成果完全不同。工具都一樣，差別在於你原本站在哪裡。
這次數學這件事是同一個道理的極端版：模型很強，但題目是數學家挑的、正確性是人負責的、要怎麼放進學術脈絡也是人要做的。我在做教材的時候也一樣，我會把自己的想法先講進去，再讓 AI 幫我總結，產出的東西才會貼近我真正想表達的事——不然它就只是網路內容的整理。
另外一個我一定會跟學員說的，就是署名。你用 AI 生了一段文案、做了一張圖、跑了一份分析，在內部分享的時候就說是 AI 做的，你負責的是判斷跟驗收。這不是謙虛，是把責任邊界講清楚——哪天出錯了，大家才知道要回頭檢查哪一段。
套用前，有幾點要注意
- 這 10 個結果還在等數學社群檢驗。 OpenAI 自己也說希望社群深入討論、把它放進脈絡裡。Lean 驗證保證的是「邏輯沒有跳步」，不保證這個結果有多重要。
- 別把「AI 能解數學難題」直接推論成「AI 能取代你的工作」。 數學是有標準答案、可以被機器驗證的領域，你手上多數的工作不是——客人的情緒、現場的判斷、跨部門的協調，沒有 Lean 可以驗。
- 成本數字要看清楚前提。 2,000 美元是「找出解法所需要的 token」，不包含訓練模型、也不包含前面失敗的嘗試與研究人員的時間。
- Astra 還沒正式發布。 官方寫的是「內部版本」，所以你現在打開 ChatGPT 不會拿到同一個東西。
小結
這篇我最想留下的是三句話：AI 已經從「整理已知」走到「產出未知」；沒有驗證流程的 AI 產出，不能當結論用；AI 做的就寫 AI 做的，責任邊界要自己劃清楚。
回到你我的工作現場，明天就可以做的一件小事：找一份你最近讓 AI 幫忙做的東西，問自己一句「如果有人要我證明這是對的，我拿得出憑據嗎？」拿不出來，就補上。
本文整理改寫自：OpenAI 官方部落格〈Ten advances in mathematics and theoretical computer science〉，2026 年 8 月 1 日發表。Lean 證明程式碼公開於 openai/ten-proofs。文中提到的 5 月 Erdős 單位距離猜想反證，見 OpenAI〈AI-generated disproof〉。
留言
張貼留言