一位没有数学背景的Anthropic员工，把黎曼猜想的零点下界从41.6%推到67.2%

一位没有数学背景的Anthropic员工把黎曼猜想的零点下界从41.6%推到67.2%一个没有深厚数学背景的员工撬动了数学界最著名的百年难题——这个组合放在任何一家公司都像段子但8月14日的AI技术日报把它列为了当天头条。先把新闻锚点摆清楚。8月14日AI技术日报将一条消息列为Top 1要闻Anthropic一台尚未对外发布的Claude研究版模型在黎曼猜想上取得了实质性突破——它将可证明满足黎曼猜想的零点比例下界从41.6%提升到了67.2%。更耐人寻味的是发起者身份一位没有深厚数学背景的Anthropic员工。这台模型尚未发布模型名称未公开数学界也尚未给出完整验证——但25.6个百分点的单次跃升已经足以让整个行业停下来重新思考大模型在理论数学面前到底能走多远。一、黎曼猜想到底难在哪先讲清楚零点是什么黎曼猜想诞生于1859年。德国数学家黎曼在一篇关于素数分布的论文里研究了一个如今被称为黎曼函数的对象并顺手指出了一个规律这个函数的非平凡零点似乎都躺在一条被称为临界线的直线上。这个似乎就是黎曼猜想——他本人没能证明此后一百六十多年全世界最聪明的数学家也没能证明。理解这次突破的分量需要先理解三个概念。第一零点。黎曼函数在某些输入值上取值为零这些点叫零点。其中有平凡的部分也有不平凡的、与素数分布深度绑定的部分后者被称为非平凡零点。第二临界线。所有非平凡零点被猜测集中躺在的那条直线被称为临界线。黎曼猜想等价于说所有非平凡零点都在临界线上。第三下界。数学家证明不了所有零点都在临界线上就退而求其次先证明至少有多大比例的零点在临界线上。这个已经被证明的保底比例就叫下界。证明不了全部就先证明一部分——这是数论里经典的用已知换未知策略。概念通俗解释在这场突破中的角色非平凡零点黎曼函数中与素数分布绑定的取零位置被研究的对象临界线所有非平凡零点被怀疑集中的直线目标位置可证零点比例下界已被严格证明躺在临界线上的零点占比本次从41.6%提升到67.2%的指标二、41.6%到67.2%一个25.6个百分点的台阶有多陡数字本身看起来不大但放进历史坐标系里就能看出这个台阶的陡峭程度。二十世纪四十年代数学家证明了非平凡零点中有一定正比例在临界线上——注意这已经是了不起的成就因为在黎曼猜想提出后的近百年里数学家只能证明有无穷多个零点在临界线上比例问题无从谈起。七十年代这一比例被推进到三分之一上下。八十年代末著名数学家Conrey用精巧的筛法把它推到40%——这在当时是轰动性的成果。此后的三十多年里世界各地的解析数论专家轮番上阵把下界从40%逐步推到41.6%平均每前进一个百分点需要数年甚至十几年的功夫。而Anthropic这次一次推进了25.6个百分点。这是什么概念等于把过去几十年积累的进展在一台未发布的模型面前一次走完了。时间可证零点比例下界的推进手段1914年及之前只能证无穷多个在临界线上经典复分析1940年代首次证明有正比例在临界线上解析数论新工具1970年代约三分之一方法精进1989年约40%筛法创新此后三十余年缓慢推进至41.6%持续积累2026年8月67.2%Anthropic未发布模型后训练大规模搜索三、这次突破的奇怪之处员工没数学背景模型还没发布这次突破最不寻常的地方恰恰是最容易被标题忽略的细节。第一发起者没有深厚数学背景。放在传统科研体系里黎曼猜想的进攻者应该是浸淫解析数论数十年的资深教授。而这次挑战的发起者是Anthropic内部一位普通员工——ta的角色更接近用模型做实验的探索者而不是手推证明的数学家。这本身就是在数学界的话语体系之外用另一种范式开路。第二模型未发布、名称未公开。突破来自一台研究版模型Anthropic尚未把它推向市场。这意味着我们看到的不是一款产品的营销话术而是一个尚在实验室里的能力信号——信号的真实性还等着数学界用严格的同行评审去确认。第三突破的路径大概率不是模型背下了答案。黎曼猜想的下界提升是严格的数学证明问题不存在现成答案可抄。更合理的猜测是模型把数学证明任务当成搜索问题来处理——生成大量候选论证结构再用形式化验证器筛选可行的证明骨架最后让数学家补齐细节。这个范式恰恰是过去一年大模型数学能力进步的主线。四、这对AI意味着什么数学是推理能力的极限运动为什么要关注一次尚未验证的数学突破因为数学推理是衡量大模型真智能的最硬标尺之一。语言任务可以靠模仿和记忆常识问答可以靠语料覆盖但定理证明无法作弊每一步推导要么严格成立要么不成立没有中间态。正因如此数学能力一直被看作大模型推理能力的极限运动——一个模型在数学上能走多远基本决定了它在代码生成、科学发现、复杂规划这些高难度推理任务上的天花板。从2024年至今大模型的数学能力演进可以划成三个阶段第一阶段模型能解竞赛题但靠的是语料里见过的解法第二阶段模型学会推理时搜索——生成多条思路、自我校验、选出可行路径奥数级难题开始被攻克第三阶段也就是现在正在发生的——模型开始触碰人类尚未解决的问题。从解出别人出过的题到进攻没人解开的题这是质变。阶段代表能力对数学的意义模仿阶段复现已知解法工具级推理搜索阶段攻克奥数级难题解题器探索发现阶段触碰未解难题、推进下界研究助手甚至合作者五、先别急着欢呼验证、边界与范式之争当然冷静是必要的。这次结果尚未经过数学界的完整验证67.2%的下界是否站得住脚需要形式化证明和同行评审的双重检验——在黎曼猜想这件事上历史上不乏看起来成立、最终翻车的案例。另一个现实问题是即便验证通过它离证明黎曼猜想本身仍有一段距离下界推进到100%才是终点而那可能是另一个数量级的难度。但对科技从业者而言真正值得关注的不是黎曼猜想本身而是信号背后的三件事。第一AI的科研范式开始被严肃讨论。当无数学背景的员工未发布模型能推进数论下界科研的组织方式必然被重新审视未来的数学发现可能越来越多地发生在人设定目标、模型大规模搜索、验证器把关的新流水线上。第二后训练的价值被再次放大。这台模型不是靠堆参数堆出来的——它大概率胜在推理时的搜索与验证机制。这印证了过去一年行业的主线判断当预训练Scaling边际递减推理时计算与后训练质量正在成为能力差距的主要来源。第三能力披露与安全治理的矛盾浮出水面。一台未发布的模型就能完成这种推进那么已经发布或即将发布的更强模型呢AI能力边界的信息披露节奏正在成为一个比论文更敏感的话题——这恐怕是这次头条最被低估的潜台词。六、给科技从业者的三个观察这场突破给从业者的启示不在于AI会否终结数学而在于三条具体的判断。其一别再用模型有没有数学背景衡量AI的能力。这次突破的最大讽刺正在于此发起者没有数学背景模型也没有——能力来自方法而非身份。评估AI产品时把目光从训练了多久、看了多少资料转向它掌握了什么推理机制才是更准确的角度。其二推理时计算是未来一年最大的变量。从Grok的后训练军备赛到各家推理模型的快速迭代再到这次数学突破指向同一个方向模型能力的下一个增长极在推理阶段。做AI应用、选模型、评估技术路线时推理成本与推理质量的关系值得重新建模。其三验证器是AI科研的守门员。AI生成论证的速度正在超过人类的验证速度谁掌握可靠的自动化验证能力谁就能安全地让模型跑得更快。对做AI Infra和AI安全的人来说这既是需求也是机会。黎曼猜想的完整证明可能还要很多年但AI参与理论数学这扇门已经以最戏剧性的方式被推开了一条缝。接下来值得盯的不是下一个百分点的数字而是数学界对这67.2%的检验结论——那才是这场突破真正的第一块试金石。