AI推导出「外星数学」，38年无解混沌难题，被GPT-6联手Claude终结

最近，理论神经科学家David Clark宣告成功解析了Sompolinsky 1988模型的完整李雅普诺夫谱。

链接：https://arxiv.org/abs/2610.12426

如果你对这些干涩的学术名词感到陌生，没关系。你只需要知道两件事：

第一，这是理论神经科学领域近四十年来最难啃的骨头，甚至被普遍认为是「解析上绝对无解」的死局。

第二，这次完成破局的核心主力，不是人类，而是GPT-6 Astra。而负责打辅助收尾的，是Claude Opus 5.5。

在这场惊天动地的理论突破中，人类科学家David Clark更像是一个「包工头」和「翻译官」。

他在推文中难掩激动与震撼：「在与AI模型的协作中，我取得了迄今为止我个人在理论神经科学领域最重要的纯理论突破！」

38年的学术乌云与「混沌的蝴蝶」

要理解GPT-6这次的壮举，我们必须先回到1988年，去看看那片笼罩在理论神经科学头顶的「乌云」。

一提到「混沌系统（Chaotic systems）」，最先浮现的词可能是「蝴蝶效应」——南美洲的一只蝴蝶扇动翅膀，可能在德克萨斯州引起一场龙卷风。

在数学和物理学中，这意味着系统对初始状态极其敏感：一个微小的扰动，会随着时间呈指数级疯狂增长。

但问题是，这个扰动增长的速度有多快？

在多维空间中，扰动在不同的方向上有不同的增长率。每一个方向的增长率，在数学上被称为「李雅普诺夫指数」（Lyapunov exponent）。

而所有方向上的指数集合在一起，就构成了一张描绘混沌系统全貌的终极地图——李雅普诺夫谱（Lyapunov spectrum）。

这本「谱」，就像是混沌系统的「基因测序图」。

它能告诉我们：吸引子（attractor）占据了多少个维度？整个系统产生信息的速度到底有多快？

掌握了它，就等于掌握了驯服混沌的钥匙。

1988年，三位科学巨匠Sompolinsky、Crisanti和Sommers在顶级期刊《物理评论快报》上提出了一个模型：由N个随机耦合神经元组成的非线性循环网络。

他们发现，当神经元之间的耦合强度超过某个临界值时，这个网络就会瞬间陷入「混沌状态」。

这个模型一经问世，直接成为了理论神经科学的绝对基石。几十年来，它不仅被用来模拟人类大脑皮层的自发活动，更是当今各种AI循环神经网络（RNN）训练的起点。

但这个神级模型留下了一个「巨坑」。

在1988年的那篇论文里，三位大佬通过薛定谔方程的基态能量，算出了「最大」的那一个李雅普诺夫指数。然后，他们两手一摊，把「如何计算完整的李雅普诺夫谱」作为一个公开问题，留给了后人。

这一留，就是整整38年。直到2023年，Engelken等人利用强大的算力，勉强通过「数值方法」（暴力计算）算出了完整的谱。

链接：https://arxiv.org/abs/2610.12426

但是，「数值计算」不等于「解析推导」。

在学术界的普遍共识中，要给这个高维混沌系统写出一个完整的解析解，几乎「人力不可为」。

连David Clark本人在着手研究时，也默认「这个问题在解析上是完全无法处理的（analytically intractable）」。直到，他唤醒了GPT-6 Astra。

神仙打架！GPT-6的100分钟「深度狂飙」

当人类的直觉和推导能力触及天花板时，硅基生命展现出了令人毛骨悚然的统治力。

David Clark决定死马当活马医。他把这个被判定为「无解」的问题，喂给了开启「Max」模式的GPT-6 Astra。

随后，GPT-6进入了长达100分钟的独立运算。

最后，GPT-6 Astra给出了它的答案：一个完整的精妙的初步推导过程。它剥离出了一个自洽的问题，而这个问题的解，与大型网络超级计算机的模拟结果严丝合缝、完全吻合！

当David Clark看到屏幕上吐出的那一堆复杂的数学公式时，他惊呆了。

他毫不讳言地写道：这个推导过程极其迷人，尽管它错综复杂，甚至带有一种「非人类的神秘感（somewhat mysterious）」。

为了让你明白GPT-6到底有多神，我们尽量用人类能听懂的语言，拆解一下AI这惊天破局的「三步走」战略：

第一步：降维转移，巧借「最小范数解」

要想算出有多少个指数，直接算太难了。

GPT-6反其道而行之。它把所有的指数都减去一个常数s。这样，原本「有多少个指数低于 s 」的复杂问题，就被巧妙转化成了「有多少个切方向（tangent directions）会衰减」的问题。

接着，它用源场驱动移位后的动态，取最小范数解（minimum-norm solution），直接证明了：单步响应就是衰减方向的投影算子！

只要算出这个算子的「迹（trace）」，就直接数出了衰减方向的数量。这一步，在有限的N个神经元下，是绝对精确的！

第二步：打破时间壁垒的双向场

为了处理极其难搞的「最小范数解」，GPT-6使出了一招极为科幻的数学变形：它把最小范数解，变成了某个最小二乘问题在正则化趋于零时的极限。

这个极限解，实际上是在求解一个奇特的动力系统——其中一个场在时间里「向前」演化，而另一个场在时间里「向后」倒流！这种打破时间箭头单一性的数学操作，展现了AI对高维动力学的超常理解。

第三步：空腔方法（Cavity Method）的终极绝杀

最后，AI引入了统计物理中的经典大招「空腔方法」。想象向这个混沌网络中强行塞入一个新神经元，以及它的「前向场」和「后向场」。

系统其余部分对它的影响，被完美降维成了经典的「动力学平均场」，再加上两个跨越时间将前后向场耦合在一起的「核（kernels）」。

至此，一个包含N个神经元的无解混沌系统，被GPT-6强行压缩成了一个「单点问题」！

只要对这些「核」进行自洽计算，完整的李雅普诺夫谱就犹如探囊取物！

看到这里，你可能已经一头雾水。

别急，不仅是你，最初连David Clark这位顶级科学家对着GPT-6给出的这套「外星数学」也有点懵。

这时候，第二位AI大神登场了——Claude Opus 5.5。

在Claude的辅助下，David Clark和AI模型们一起，深入剖析了GPT-6提出的那种略显「神秘」的解法结构。他们终于将这份「硅基语言」，翻译成了一套「物理上完全透明、逻辑极其优美」的人类推导过程。

这份最终的成果，甚至还顺手把38年前原作者那套复杂的薛定谔方程结果轻松重现了。

此外，这个理论还有个「副产品」：系统吸引子的维度和产生信息的速度，和神经元的数量N成正比疯狂增长！

人类学者的顿悟，与理论科学的「范式革命」

当这篇论文被挂上Arxiv的那一刻，整个理论科学界都失眠了。

以前，我们只知道AI能画画、能写代码、能陪人聊天，甚至能通过海量数据去折叠蛋白质（AlphaFold）。但那些，本质上还是「数据驱动」的模式识别。

而这一次，性质彻底变了。

这是纯理论！是严谨的数学推导！是没有任何数据作弊空间的物理学硬核解析！

GPT-6 Astra不是在「背诵」已有知识，它是在一片人类从未踏足的漆黑森林里，独自摸索出了一条通往真理的全新道路。

面对这种降维打击，理论科学家们焦虑吗？

正如David Clark在推文最后所分享的宏观思考：「理论科学界的许多人对AI的崛起感到焦虑。但我却感到无比兴奋。」

为什么兴奋？因为人类的大脑，本身就是已知宇宙中最复杂的高维非线性动力系统。

几千年来，我们试图理解大脑是如何处理信息、如何学习、如何产生意识和行为的。但面对数以百亿计的神经元和如乱麻般的突触连接，人类可怜的脑容量和传统的数学工具，简直像是在用放大镜观察银河系。

「至少在我的领域（神经科学），我们还远远没有完全理解在我们大脑中展开的高维计算。」David Clark坦言，「但现在，有了AI的介入，我们终于有望触及那个我们过去只能『隐约指望』的理解层次。」

100分钟，GPT-6不仅破除了38年的人类科学悬案，更为未来指明了一条路：未来的诺贝尔物理学奖、菲尔茨奖等，大概率将颁给那些最善于和AI做同事的「碳基翻译官」。

参考资料：

https://arxiv.org/abs/2610.12426