OpenAI 722 篇數學論文是什麼?破解多道未解難題與 Quasi-Riemann 懶人包

重點摘要

• 2026 年 10 月，OpenAI 從一個未公開的內部前沿模型釋出 722 篇數學手稿，按主題分為 372 個結果族，來自約 4,000 道研究問題的基準測試；模型本體不對外公開。
• 每個結果平均消耗約 3 小時 ChatGPT Pro 推理算力；相較 Navier-Stokes 突破所用的 88 小時與 10,000 個智慧代理，推理效率在數量級上的提升相當顯著。
• 包括 Quasi-Riemann Hypothesis、整數乘法新演算法、3D 彈性反問題唯一性在內的具體宣稱，均尚未經過同儕審查與獨立驗證，目前只能視為待查證聲明。

2026 年 10 月，OpenAI 在 GitHub 釋出了一批來自內部前沿模型的數學研究手稿，共 722 篇，歸納為 372 個結果族，從約 4,000 道研究問題的基準測試中篩選而來。模型本體並未公開；隨手稿一起釋出的是論文本體、證明素材以及部分推理摘要。OpenAI 表示，釋出方式是在諮詢 IAS（Institute for Advanced Study）獨立數學與 AI 顧問組後決定的。OpenAI 執行長 Sam Altman 稱這次發布為「發現的新紀元」。

OpenAI 選擇不公開模型權重，而是釋出 722 篇未經同儕審查的數學手稿，其核心價值不在於當下結果的真實性，而是在於展示了推理算力效率提升百倍、AI 得以自主完成「研究循環」的範式轉移。

比 Sam Altman 的說法更有份量的，是 Anthropic 一位曾參與 Navier-Stokes 競爭研究的人員。他儘管與 OpenAI 之間存在私人嫌隙，仍公開評論這是「數學史上最重要的時刻」。多數外部專家的反應看來並未與這個評價相差太遠，公開討論普遍認為這批結果涵蓋了 500 大開放數學難題中的相當多個。

3 小時 vs. 88 小時：推理效率跳了多少？

Navier-Stokes 問題是 AI 在數學研究上的近期參照點，當時耗費了 88 小時連續運算與 10,000 個智慧代理協作才完成。這次 722 篇手稿，每個結果平均只消耗約 3 小時 ChatGPT Pro 推理算力。同樣在前沿數學研究的量級，算力需求降了超過 96%。

這個對比需要謹慎解讀。Navier-Stokes 和這批手稿的問題難度分布不同，框架設計、問題選擇方式也可能有差異，不能直接換算成「模型智力提升了多少倍」。但如果這些結果的難度等級大致可信，這種效率提升理論上意味著：在固定算力預算下，AI 能探索的數學問題空間比幾個月前寬得多。研究型應用的成本結構正在改變，這是工程師和創業者值得追蹤的訊號。

OpenAI 為什麼不公開模型、只釋出論文？

OpenAI 這次刻意不公開模型本體，而是選擇性的釋出。OpenAI 釋出論文、證明素材與部分推理摘要，而不是模型權重，讓外界能確認能力存在，但無法直接取用模型來複製。

和 IAS 顧問組參與釋出決策這件事一起看：諮詢的對象是釋出方式，不是要不要釋出；公開的是結果，不是能力的複製品。這套做法的邏輯看起來是：讓學術界有材料可以驗證、引用、或推翻，慢慢建立對能力的信任，同時不提供競爭對手直接複製的路徑。公關考量和競爭策略在這裡是同一個決定。

Quasi-Riemann Hypothesis 和其他聲稱能信幾分？

目前所有具體結果都是待驗證的聲稱，而非已確立的定理。IAS 顧問組參與的是釋出流程的設計，不等於背書這些結果的數學正確性。

外界最關注的是 Quasi-Riemann Hypothesis，有評論者認為這是 Fields Medal 等級的成果，也有人說是「200 年來數論最大突破」；雖然兩種說法都在外部討論中出現，但評價落差不小。演算法層面較受工程師關注的，是一個聲稱比 n log n 更快的整數乘法結果。如果屬實，這類基礎演算法的優化牽涉面很廣，但「如果屬實」目前仍是最重要的前提。另外還有一個 3D 彈性反問題的唯一性結果，論文裡指出這個問題自 1994 年起在三維情境下一直懸而未決。

要在幾個月內逐篇核查 722 篇手稿，數學社群需要相當長的時間。雖然能力訊號已經發出，但這些證明能不能站住腳，才是接下來要觀察的重點。

前沿 AI 的工作邊界，正在從高品質問答移向長程自主發現。差別在於：AI 能在沒有人工介入的情況下跑完一個研究循環的完整流程，從問題設定到證明嘗試。對工程師和創業者而言，這次釋出透露了兩個訊號：算力效率在快速提升，模型能自主探索的問題也越來越多。如果這種趨勢也出現在法律分析、生物序列、材料設計等其他知識密集領域，那麼「跑一個研究循環要多少算力」這個問題的答案，接下來一段時間內可能會持續快速變小。