GPT-6联手Claude：38年混沌难题告破
人类苦思数十年，AI百分钟破局
理论神经科学家David Clark近日宣布，他已成功解析出Sompolinsky 1988模型的完整李雅普诺夫谱。
链接：https://arxiv.org/abs/2610.12426
这些学术名词读起来干巴巴，不认识也不要紧。关键只有两点。
其一，这道题在理论神经科学里埋了近四十年，是最难啃的骨头之一，学界长期认定它在解析上根本走不通。其二，这回破局的主力并非人类，而是
GPT-6 Astra；Claude Opus 5.5则承担了辅助收尾的工作。
整场理论突破里，人类科学家David Clark的角色更像包工头加翻译。他在推文里写道：「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！」字里行间压不住激动。
38年的学术乌云与「混沌的蝴蝶」
要弄明白GPT-6这次干了什么，得先把时间拨回1988年，看看当年悬在理论神经科学头顶的那片「乌云」。
说起「混沌系统（Chaotic systems）」，很多人脑子里先冒出来的是「蝴蝶效应」——南美洲一只蝴蝶扇动翅膀，兴许就在德克萨斯州掀起龙卷风。放到数学和物理学里，它的含义是系统对初始状态极为敏感：再小的扰动，也会随时间指数级地膨胀。
那么，这个扰动究竟涨得多快？在多维空间中，不同方向上的增长率各不相同，数学上把每个方向的增长率叫作「李雅普诺夫指数」（Lyapunov exponent）。把所有方向的指数汇总起来，就是一张刻画混沌系统全貌的终极地图——李雅普诺夫谱（Lyapunov spectrum）。
这本「谱」相当于混沌系统的「基因测序图」：吸引子（attractor）占了多少个维度、整个系统生成信息的速度有多快，都能从中读出。拿到它，也就拿到了驯服混沌的钥匙。
1988年，Sompolinsky、Crisanti和Sommers三位科学家在顶级期刊《物理评论快报》上给出一个模型：由N个随机耦合神经元构成的非线性循环网络。他们发现，神经元之间的耦合强度一旦越过某个临界值，网络立刻跌进「混沌状态」。
模型问世后，直接成了理论神经科学的绝对基石。几十年来，它既被用来模拟人类大脑皮层的自发活动，也是当下各类AI循环神经网络（RNN）训练的出发点。
不过，这个神级模型也留下了一个「巨坑」。1988年那篇论文里，三位大佬借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，随后两手一摊，把「如何计算完整的李雅普诺夫谱」当作公开问题甩给了后来人。这一甩就是整整38年，直到2023年，Engelken等人才靠强大算力，用「数值方法」（暴力计算）勉强把完整的谱算了出来。
链接：https://arxiv.org/abs/2610.12426
可「数值计算」终究不等于「解析推导」。学界普遍的看法是，要为这个高维混沌系统写出完整的解析解，几乎「人力不可为」。
就连David Clark本人动手研究时，也默认这道题「在解析上根本没法处理（analytically intractable）」。转机出现在他唤醒GPT-6 Astra之后。
神仙打架！GPT-6的100分钟「深度狂飙」
人类的直觉和推导能力一旦触到天花板，硅基生命就拿出了让人发怵的统治力。
David Clark抱着死马当活马医的心态，把这个被判「无解」的问题丢给了开启「Max」模式的GPT-6 Astra。
接下来，GPT-6独自运算了整整100分钟。
最终它交出的，是一份完整而精妙的初步推导。GPT-6 Astra从中剥离出一个自洽的问题，而这个问题的解，与大型网络超级计算机的模拟结果完全吻合，严丝合缝。
屏幕上吐出一堆复杂公式，David Clark看呆了。
他直言不讳地写道：这套推导极其迷人，虽然错综复杂，还带着一种「非人类的神秘感（somewhat mysterious）」。
GPT-6到底神在哪？下面尽量用人类听得懂的话，拆一拆AI这次破局的三步棋：
第一步：降维转移，借「最小范数解」发力
直接去数有多少个指数，难度太大。
GPT-6走了另一条路：把所有指数统一减去一个常数s。原本「有多少个指数低于s」的难题，就这样被转成了「有多少个切方向（tangent directions）会衰减」。
随后它用源场驱动移位后的动态，取最小范数解（minimum-norm solution），直接证明了一件事：单步响应就是衰减方向的投影算子。
算出这个算子的「迹（trace）」，衰减方向的数量就到手了。在有限的N个神经元下，这一步绝对精确。
第二步：双向场打破时间壁垒
面对格外棘手的「最小范数解」，GPT-6用了一招很科幻的数学变形：把最小范数解写成某个最小二乘问题在正则化趋于零时的极限。
这个极限解，实质上是在解一个奇特的动力系统——一个场在时间里「向前」演化，另一个场却「向后」倒流。这种打破时间箭头单一性的操作，显出AI对高维动力学的理解非同一般。
第三步：空腔方法（Cavity Method）收尾
最后，AI搬出统计物理里的经典手段「空腔方法」：设想往混沌网络里硬塞一个新神经元，连同它的「前向场」和「后向场」。
系统其余部分对它的作用，被干净地降维成经典的「动力学平均场」，外加两个跨越时间、把前后向场耦合起来的「核（kernels）」。
到这里，一个含N个神经元的无解混沌系统，被GPT-6硬压成了一个「单点问题」。
只要对这些「核」做自洽计算，完整的李雅普诺夫谱便唾手可得。
读到这里，你可能已经一头雾水。
不光是你，最初连David Clark这样的顶级科学家，对着GPT-6给出的这套「外星数学」也有点发懵。
紧随其后，
Claude Opus 5.5作为第二位AI大神出场。David Clark把AI模型们拉进来，在Claude的协助下，对GPT-6给出的那套透着几分「神秘」的解法结构做了深挖。这份「硅基语言」最终被他们译成人类能懂的推导过程——物理上完全透明，逻辑上极其优美。
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」
论文一挂上Arxiv，整个理论科学界那晚都没睡着。过去大家看到的是AI会画画、会写代码、会陪聊，甚至能靠海量数据折叠蛋白质（AlphaFold）。可说到底，那些还都属于「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。」
兴奋什么？人类大脑本身就是已知宇宙里最复杂的高维非线性动力系统。几千年来，我们一直想弄明白大脑怎样处理信息、怎样学习、又怎样产生意识和行为。可面对数以百亿计的神经元和乱麻般的突触连接，人脑那点可怜的容量加上传统数学工具，差不多等于拿放大镜去看银河系。
David Clark直言：「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。」他接着说，如今AI介入进来，那个过去只能「隐约指望」的理解层次，终于有望够得着了。
100分钟，GPT-6不光破掉了38年的人类科学悬案，还指了条路出来：往后诺贝尔物理学奖、菲尔茨奖之类，多半会落到那些最会和AI当同事的「碳基翻译官」手里。
参考资料：
https://arxiv.org/abs/2610.12426
