OpenAI 开源 722 篇手稿是格局还是阳谋?我看这是第三步棋
OpenAI 开源 722 篇手稿是格局还是阳谋?我看这是第三步棋
2026 年 10 月,OpenAI 一口气向外界公布了数百篇由内部模型产出的数学手稿:从准黎曼猜想的零点自由区域,到霍奇猜想在 CM 阿贝尔簇上的证明,再到 BSD 公式的完整形式。国内媒体称这是"一夜攻克 722 个数学难题",海外论坛则出现了"数学的广岛时刻"这样的比喻——数学界既兴奋于结果之重,又愤怒于过程之黑。本文基于事件的第一手载体——仓库本身,逐层拆解三件事:这批手稿到底有什么、开源表象下藏着怎样的步法设计、以及它对学术生态和国内学界产业意味着什么。核心判断:这轮开源不是终点,而是 OpenAI 在数学 AI 上的"第三步棋"——前两步定义了能力,这一步开始定义标准。
先看事实:722 是媒体口径,719 是仓库口径
舆论标题里的"722 篇"与仓库的实际清单并不完全一致。仓库自述文件 README.md 写得很明确:719 篇手稿,组织为 372 个结果族(families),每个结果族由主结果、伴随论证、推论或替代证明组成,并按数学分支分类;CONTENTS.md 的第一行同样写着"719 manuscripts covering 372 result families"。722 与 719 的差异,来自媒体对"手稿 + 支撑材料 + 推理摘要"的混合统计。这件事本身就值得记一笔:当一家公司公布学术成果时,连成果数量都依赖媒体转译而非仓库口径,读者对信息源的信任就应当打一个折扣。
数字上的出入是小事,真正的信息量在于构成。这份资产分三层:
- 手稿层:
preprints/目录存放 PDF、源码与逐篇引用说明,是数学家最先翻开的部分; - 验证层:
lean/目录存放 Lean 形式化证明,官方口径是"约 42% 的顶层结果已形式化"(300/719); - 机器可查层:
lean/ComparatorChallenges/下有成对的.lean挑战文件与.json配置,这是外界最容易低估、也最值得琢磨的一层。
先看几个分量最重的结果族,体会一下"准黎曼"与"真黎曼"之间的张力。结果族 003 证明所有 Dirichlet L-函数(含 Riemann ζ 函数)在 Re s > 7/8 半平面无零点,即"准黎曼假设";配套论文还给出了 Re s > 11/12 的替代证明与 Landau–Siegel 零点的均匀排除。结果族 002 则从低 Selmer corank 推出完整的 Birch–Swinnerton-Dyer 主项公式,包括 Tate–Shafarevich 群的有限性。除此之外还有霍奇猜想在 CM 阿贝尔簇上的理性形式(结果族 032,连带推出有限域上阿贝尔簇的 Tate 猜想与霍奇标准猜想)、Deligne–Drinfeld 猜想、π 的无理性指数恰好为 2、Catalan 常数无理、Hilbert 第十问题在 ℚ 上的否定解答、Goldfeld 密度猜想、Gaussian moat 猜想、Ostmann 逆哥德巴赫猜想……覆盖数论、代数几何、表示论、算子代数、组合、概率统计,跨度惊人。
前三步棋:从"考试"到"研究"再到"标准"
把 README 与 history.md 拼在一起,OpenAI 的步法其实相当清晰。
第一步棋,是把能力评估从饱和的旧基准挪到开放难题上。 README 的原话是:"作为模型开发的一部分,我们用开放研究问题评估模型;在既有数学评测上饱和之后,我们扩展了这些评测。"这句话是全文最重要的注脚——公开这批手稿的第一目的,是宣告内部模型的数学能力已经溢出传统基准,需要更硬的试金石。换言之,这 719 篇手稿本质上是模型能力的"压力测试报告"。
第二步棋,是公布产能数据,建立"AI 数学发现"的叙事。 按 README,绝大多数结果来自同一套流程:未发布的内部模型,每个结果平均消耗 3 小时 ChatGPT Pro 推理算力,全程被提出约 4000 个问题,汇总过滤后得到这 719 篇。把"算力小时数 × 问题数 = 数学成果"这条公式公开,等于向学术界和投资人同时释放信号:在数学这个曾经被认为不可被机器攻克的领域,产能曲线已经可以量化。
第三步棋,是这次开源的真正落点——验证基础设施。 这不是随手一放的"开源慈善",而是一套精心设计的三层验证栈:
第一层是 Lean 形式化。仓库明确说明"并非所有手稿都有配套形式化",且"会持续补充",这种"边交付边补齐"的姿态,把形式化工作变成一项可持续的、开放邀请的长期工程。
第二层是 Comparator 挑战机制。lean/ComparatorChallenges/README.md 给出了完整运行方式:安装 comparator、landrun、lean4export 后,在 lean/ 下执行:
lake update
lake exe cache get
lake env comparator ComparatorChallenges/QuasiRiemannHypothesis.json
机制本身很巧妙。挑战文件与解答文件分离,例如 QuasiRiemannHypothesis.lean 中定理以 sorry 占位,而 QuasiRiemannHypothesis.json 把"挑战模块"指向"解答模块",并给出许可公理白名单——只有 propext、Quot.sound、Classical.choice 三个公理被允许,enable_nanoda 置为 false。换句话说,任何一份解答想被"认证",必须只用这几个公理从 Mathlib 出发推出结论。这等于把"该定理可被机器验证"从一句口号变成了一个可执行、可复验、可被第三方复跑的基准任务。再看 PiExponent.lean,"π 的无理性指数为 2"被落成了一段完整的 Lean 定理陈述,含 sSup 的精确表达;Catalan.lean 同样把"Catalan 常数无理"写成了 Irrational (∑' j : ℕ, ...) 的形式。这些挑战文件就是"可验证性"的对外接口。
第三层是 版本与撤回机制。history.md 记录了一次毫不含糊的自我纠错:2026 年 10 月 7 日,因 "Algebraicity of Weil classes on split abelian eightfolds" 一文存在符号错误,导致依赖它的 K3 曲面与霍奇猜想论文一并撤回三篇,同时修订 14 篇并新增 6 个形式化。README 也坦然承认"部分未形式化的结果可能存在缺陷"。这套机制展示的与其说是严谨,不如说是把"质量风险"显式地纳入开源流程——模型会犯错,所以必须配套纠错与版本管理。
开源表象下的战略意图
把三层验证栈合起来看,"开源"二字背后至少站着四个明确意图:
其一,信息不对称本身就是壁垒。 手稿开源,但产出它们的模型不开源;验证方法开源,但产出这些验证的推理过程(仅以摘要形式选择性披露)不开源。外界拿到的是一张"成绩单"和一套"阅卷标准",而"出题人 + 考生 + 判卷人"仍然是同一家公司。这种不对称比任何技术护城河都难复制——因为别人可以复现结果,却无法复现产生结果的算力配置与数据管线。
其二,验证成本被巧妙地外部化。 42% 的形式化率意味着有近六成顶层结果仍待验证。OpenAI 明确表示"也在探索社区托管的仓库"。谁来补齐剩余的形式化?最可能的答案是在 Lean/Mathlib 生态中活跃的学术界与开源社区。当一家公司把自己模型产出的待验证成果投向社区,它实际上是把"审稿"这一学术界最昂贵、最稀缺的环节,转化成了自己生态的公共任务。 学界既不能无视这些可能改写教科书的结果,又必须花时间核查它们——注意力被锁定,人力被调度,而这整个过程都在 OpenAI 划定的框架内发生。
其三,基准定义权是比模型更值钱的资产。 数学 AI 的评测基准长期是"考试型"的:MATH、GPQA、IMO 预选赛。这批手稿把基准推向了"研究型":开放难题 + 机器可验证。一旦"ChatGPT Pro 三小时能出结果、Comparator 能验结果"成为行业参照系,后续所有玩家就不得不在别人定义的问题集和验证标准里比拼。谁定义基准,谁就定义"能力"的含义。
其四,产能叙事的示范效应。 "约 4000 个问题 → 719 篇手稿",这个换算比例向市场传递的是:数学能力的增长不再是工程师调参的线性努力,而是推理算力投入的近似线性产出。这对算力叙事、对 ChatGPT Pro 的定价逻辑、对"思考型模型"的商业故事,都是一次加码。
对学术生态的锁定效应
数学界对这次事件的情绪是"既兴奋又愤怒",这种撕裂恰恰对应了锁定效应的两面。
兴奋的一面容易理解:BSD、霍奇、准黎曼、π 的无理性指数——这些名字本身就带着几十上百年的人类努力。哪怕只有一部分经受住验证,也足以改写教材与论文地图。愤怒的一面同样真实:"广岛时刻"的比喻背后,是学科共同体的身份焦虑——证明长期以来是"人的共同体"相互说服的过程,而现在,结论可以由机器批量产出,人的角色被压缩为"验证员"。
更结构性的变化在于:数学从"证明共同体"滑向"验证共同体"。 传统上,一个结果的价值在于其证明被同行理解、复现与传承;而现在,一个结果的价值可以被定义为"它是否通过 Comparator 的公理白名单"。验证替代理解,成为第一道闸门。这道闸门的技术栈(Lean + Comparator)是开源的,但其检验标准的制定节奏、问题集的选取,仍然掌握在发布者手中。
另一个锁定点藏在撤回机制里。三篇撤回、十四篇修订,说明这批成果的质量分布并不均匀——"AI 产出 + 人工审校"的生产模式意味着质量是概率性的。这带来双重效应:一方面,它证明纠错机制在运转,值得信任;另一方面,它把大量不确定性转移给了下游——引用这些结果的数学家必须逐篇核对依赖关系、版本与撤回状态。对数学界而言,这是一笔巨大的、由他人设定的"阅读税"。
最后,不要忽略目录树本身的隐喻。镜像中的 lean/OAI.lean 顶层导入了 OAI.NumberTheory.DirichletL.Nonvanishing、OAI.Probability.SKValue.Main 等数百个模块,而镜像实际只保留了 Algebra、AlgebraicGeometry、AlgebraicTopology、Analysis 四个顶层目录(3619 个 .lean 文件)。"清单"与"文件集"之间的落差,在镜像场景下未必是发布方的问题,但它再次提醒我们:仓库的目录树永远只是交付物的一部分,未公开的部分(模型权重、完整数据、全部模块)才是真正的黑箱。
国内学界与产业如何应对
这不是国内第一次面对 OpenAI 的数学推理攻势。此前,月之暗面的 k0-math 在数学基准上对标 o1 系列,阿里的 QwQ-32B-Preview 在 MATH 等测试上超越 o1-preview,DeepSeek 系的开源复现项目也一度成为社区热点——"复现推理范式"已经被验证为一条走得通的路。但这次事件的性质不同:它不再是"推理模型的考试分数之争",而是"数学成果的生产与验证方式之争"。据此,国内有三张牌可以打,且都不需要依赖 OpenAI 的节奏。
第一张牌:在形式化生态上重仓。 Lean/Mathlib 是开源的、中性的,Comparator 机制也是开源的。42% 的形式化率意味着剩余 58% 的验证空间向所有人开放。国内高校与科技公司完全可以成建制地投入形式化验证——这既是学术贡献(Mathlib 社区历来重视来自各语言社区的贡献),也是能力建设(让国内团队掌握"用机器验证数学"的完整技能栈)。更重要的是,参与验证就是参与标准制定:谁验证得多,谁就对"什么算有效证明"有话语权。
第二张牌:自建评测基准与数据集,拒绝"被出题"。 数学 AI 的下半场不会缺模型,缺的是可信的评测。与其在 OpenAI 的结果族目录里按图索骥,不如建立自己的开放难题库——中文语境的数学史、中国数学家的公开猜想、自主生成的合成难题——并配套形式化验证管线。基准独立,结论才独立。
第三张牌:把数学推理能力产品化落地。 社区对 k0-math 的讨论已经点出了方向:中考、高考、考研、奥数训练。数学推理模型的商业化场景并不稀缺,稀缺的是**"可验证"这个信任标签**。谁能把"模型的每个中间步骤可被 Lean 核验"做成面向教育与科研用户的产品能力,谁就能在这个生态里占据不可替代的位置——而这恰恰是把 OpenAI 的"第三步棋"翻译成本土规则的正确方式:它定义标准,我们可以在标准之上定义产品。
结语
回到标题的问题:格局还是阳谋?我的答案是,两者都是,且"格局"服务于"阳谋"。公开 719 篇手稿是格局,配套 Comparator 验证栈与撤回机制是阳谋——它不试图隐藏错误,而是把错误处理也纳入自己定义的游戏规则。对数学共同体而言,这是一次残酷而真实的范式预告:证明的发现可以外包给算力,但验证的责任必须由共同体承担。对国内学界与产业而言,焦虑没有意义,真正要紧的是下好属于自己的一步棋:接过形式化的笔,写出自己的基准,再把它变成产品。在这场"谁定义数学 AI 的标准"的棋局里,落子权比任何时候都更值得争取。