AI 证明了 31 年前数学悬案，但功劳最大的是那个踩刹车的人

luyuanhong

AI 证明了 31 年前数学悬案，但功劳最大的是那个踩刹车的人

原创  AI 塔下的法海  AI 塔下的法海  2026 年 10 月 22 日 15:00  山东



一个 1995 年就被提出、被西蒙斯研究所称为“凸几何中最重要的未解问题之一”的数学猜想，31 年里无数顶尖团队碰壁，10 月 21 日被宣布证明了——而且是微软研究院的两位研究者带着一队 AI 智能体（Microsoft Research）证出来的：人类定方向，智能体并行探索上百条研究路径，人类像淘汰赛评委一样一轮轮剪枝，最后把最有希望的那条走到终点。它叫 KLS 猜想，证明论文 10 月 4 日完成，同一天还有两组独立团队各自给出了完整证明。



根据这一事件，我们来拆开这三个核心问题聊一聊：证明的到底是什么结果？人和 AI 是怎么配合的？这件事对普通人意味着什么？

得出的结果：高维空间比我们以为的更好走

先说清楚这个猜想在问什么。想象一堆高维的概率分布（统计学里管一类叫“对数凹分布”，高斯分布就是典型），你要把它从中间切开——切一刀的目的是找到分布最“窄”的地方，也就是瓶颈。关键问题是：随便什么形状的刀去切，和用一个最简单的平面去切，效果差多少？KLS 猜想说，差距不超过一个普适常数，而且这个常数跟你有多少维完全无关。一维、一百维、一亿维，都是同一个数。



为什么大家都关心这个“常数”？因为这些切割的几何性质直接决定了随机游走探索一个分布的速度——随机游走又是高维采样的核心工具，而高维采样撑着一大片现代统计学和机器学习算法。之前的最佳结果（ 2026 年 7 月）里，这个常数还会随维度缓慢变大；维度越高，理论上算法效率的保证就越差。这次证明把它钉死成一个固定数：维度再高，瓶颈的上界不涨了。用微软博客的话说，高维空间的表现比此前已知的更好，在其间穿行的障碍不会随维度无界增长。

直接后果是一批“悬案”落地：过去几十年里，凸几何、概率论、理论计算机科学里大量结果是以 KLS 猜想成立为前提写出来的——现在这些“假设某某猜想成立，则……”的定理，全部可以在无条件成立的版本里重述了。数学地基加高了一层。

如何配合：人当教练，AI 当探索队

这次真正出圈的还有证明方式。按照微软研究院的复盘，流程是这样运转的：研究者先给出数学方向，多个 AI 智能体并行探索同一个想法的各种变体——其中很多是高阶张量的冗长计算，正是机器干得快、人干得烦的活。每一轮结束，研究者人工检查中间结果、剔除没希望的方向、把最有希望的传递进下一轮。在关键突破冒出来之前，大约筛过了一百条研究轨迹。

最有说服力的是那个对照实验：同样总 token 预算，让几个领先的 AI 模型对同一问题做了多轮无引导的端到端尝试——没能走通。等于说，同样的 AI 能力，有人类数学判断力在环上把关剪枝，和撒手让它自己跑，结果天差地别。

数学内容上的配合也有讲究。三步是：先用智能体协作把 7 月的界推进得更紧，筛出一个新判据；然后发现这个判据可以递归套用——每一轮改进的界喂回同一个论证，得到更紧的下一轮（ 10 月 1 日版把维度依赖压到了“迭代对数”这个增长慢到近乎停滞的函数）；最后受作者此前线性规划快速算法工作的启发，把整个递归精化反复施加，并证明每一阶段引入的小误差收缩得足够快、累积总和被一个与维度无关的常数封住。递归本身、重复施加、误差有界——三样都是研究者的原创贡献；AI 干的是探索候选、执行推导、准备文稿和内部查错。

对人类的影响：一道证明，三条外溢

对数学与理论计算机科学，最实在的收获是前述“假设转正”：依赖 KLS 的定理解除前提，后人可以直接站在上面盖楼。而且这次的验证强度罕见——同日另一组顶尖专家的并行完整证明（他们称微软第一版论文给出了“证明中的关键一步”）、同日出现的第三份基于相近思路的证明、随后的 Lean 4 形式化验证（机器逐行检查证明），多路互证说明这抓到的是真原理，不是某条脆弱的推理链。

对工程与产业，传导是间接但确定的：高维采样是贝叶斯统计、优化算法、机器学习训练里反复出现的底层操作，采样效率的理论保证变好，意味着一批算法的复杂度分析可以写得更干净，极端高维场景（基因数据、推荐系统特征空间这类）的算法设计少一层理论顾虑。当然，理论常数落到工程收益通常以年计，别指望明天就有“KLS 加速包”。

对科研方式，这篇论文可能是比猜想本身更早被引用的案例。它给出了一个可复制的模板：人负责方向判断和取舍，AI 负责规模化的试错和计算，再配一个“无引导对照组”证明这套流程不是玄学。微软博客自己的总结挺克制：这类协作“增强而非取代人类的洞察力”，科学判断在识别有希望方向上的持续重要性，这次反而是被 AI 凸显出来的。

同样 token 预算，有人引导的智能体流程证出了 31 年前的悬案，无引导的全军覆没——你更愿意相信“AI 迟早自己就能搞定”，还是“人机各半才是科研的终局”？评论区聊聊你的看法....

AI 塔下的法海