← 返回博客
Ai预计阅读 11 分钟

一个悬置18年的量子猜想在三天内被攻克。证明还附带了一个检查器。

发布于 2026年11月7日
一个悬置18年的量子猜想在三天内被攻克。证明还附带了一个检查器。

11月6日,Physical Superintelligence(PSI)表示,其内部研究系统证明了 Aaronson-Ambainis 猜想。这次运行花了三天时间才给出完整论证。Lean 接受了它;Lean 是让计算机逐步检查证明的证明助手。随后,该系统又着手处理相关问题,两次强化了结果,Lean 也接受了最终版本。

PSI 发布了一篇人类可读的论文,以及以 Apache 2.0 许可发布的完整 Lean 4 形式化。该仓库声明,开发内容不含证明占位符,也未添加公理,并且四个主要定理都通过 Lean 内核以及 lean4lean(同一类型检查器的独立实现)重新回放验证。一个同时使用 Lean 和 nanoda 内核的比较器接受了最终结果。在第二台机器上,同一个比较器接受了一个正确的玩具解,并拒绝了四个故意写错的解。

那个对照测试是我反复回味的部分。它正是把主张与凭证区分开的东西。

这个猜想究竟说了什么

大多数著名的量子加速都依赖结构。Shor 1994 年的因式分解算法之所以有效,是因为输入中隐藏了一个重复周期。若让量子计算机针对均匀随机输入回答是/否问题,这种结构就不复存在,而开放问题正存在于这里:量子机器是否仍能实现指数级加速?

Aaronson 和 Ambainis 把这个问题转化成了关于多项式的命题。在查询模型中,你要统计算法读取输入的次数。经过 T 次查询后,量子算法回答“是”的概率可以写成次数至多为 2T 的多项式,其取值介于 0 和 1 之间。要经典地模拟这类算法,你需要在不读取指数数量输入比特的情况下估计该多项式。

该猜想称,每个有界、低次数且并非近乎常数的多项式,都至少有一个坐标具有高影响度。翻转那一个比特,平均而言必须使多项式的值发生有意义的变化。如果这一点成立,那么经典机器就能用关于 T 的多项式数量的查询,在大多数输入上模拟任何 T 查询的量子算法。在无结构输入上,不存在指数级加速。

PSI 的证明给出了一个显式界:某个比特的影响度至少为常数乘以 v 的 5/2 次方再除以 d 的 6 次方,其中 v 是方差,d 是次数,常数约为 0.0025。用更宽松的形式表示,至少为 (v/d) 的 7 次方。

这一路线遵循 Shachar Lovett 和 Jiapeng Zhang 提出的方案,建立在分数证书和水平集之上。Lovett 和 Zhang 曾留下一个未解决的不等式,并将其表述为一个猜想。PSI 的系统用一个新的全对不等式取代了它,该不等式源自基于行列式的输入设置配对;PSI 表示,它通过限制能够一致的坐标数量,超越了 David Reimer 早先的 Butterfly Lemma。

哪些部分经过了机器检查,哪些没有

我认为,关于这件事的大多数报道会在这里出错。Lean 证明是一件强有力的产物。但它并不是对结果的完整认证,PSI 自己也这么说。

有三样东西位于机器检查之外。Lean 内核、编译器、Mathlib 的定义,以及执行检查的硬件,都属于可信基础的一部分。文字版论文没有被机器检查,只有形式化陈述被检查。而且仍然需要由人来确认,该形式化陈述与 Aaronson 和 Ambainis 在 2008 年印出的猜想一致。

PSI 尽可能简化了最后一步。仓库在一个仅导入 Mathlib 的文件中单独定义了一个名为 `PrintedConjecture` 的定义,因此持怀疑态度的读者可以打开一个文件,将其与原始论文比较。这是为验证而做的周到接口设计,也说明作者知道薄弱环节在哪里。

深色木桌上,纤薄的黄铜直尺压着几张空白纸,一道午后光线照在上面。

审计是内部的。Jim Halverson 审计了证明,Phiala Shanahan 对形式化发表了评论,两人都是 PSI 的顾问。目前没有同行评审,也没有期刊发表。四位在 2026 年 8 月证明了一个特殊情形的斯坦福研究人员——Guy Blanc、Jordan Docter、Carmen Strassle 和 Li-Yang Tan——已阅读完整证明并发送了评论,正在准备一份更简短的阐述。他们被引用的评价称这是一个巨大的结果。与感兴趣专家的通信是有用的,但它不是评审。

人的角色被明确列出,这一点我很欣赏。David Turturean 是一名技术员工,曾在 MIT 学习物理和 AI;他构建了研究系统,界定了问题范围,运行了系统,提示一个非公开的 Anthropic 模型实例打包出初稿,审阅了该初稿,并被列为对论文正确性负责的人。仓库披露,AI 模型生成了数学陈述、初稿和 Lean 形式化。

这种分工值得直说,因为它会变得寻常。人选择问题并承担责任。模型产出候选论证。检查器拒绝那些无法闭合的论证。最终输出的是一个任何人都能用一台笔记本电脑和一个下午重新运行的主张。

为什么检查器比模型更重要

Anthropic 尚未说明驱动此事的模型何时发布、甚至是否会发布。这个细节几乎是一种干扰。这里真正有趣的对象是流程,而流程的可复现性,是基准分数所不具备的。

想一想,一位持怀疑态度的数学家能用这次发布做什么。克隆仓库。阅读 `PrintedConjecture`。运行 Lean。运行 lean4lean。运行比较器。检查是否添加了公理。上述每一步要么通过,要么失败,而且失败模式是具体的。

把它与另一种情况比较。一个实验室发布一张图表、一个产品页面,以及一段关于推理能力提升的文字。你要么相信,要么不信。

形式化验证不是魔法,也不能解决数学问题。它解决的是一件更狭窄的事:某个特定的形式化陈述,是否依据特定规则从特定公理推出。至于该陈述是否是正确的那一个、公理是否是正确的那一组、结果是否重要,这一切仍然留给人来判断。

PSI 是一家位于马萨诸塞州剑桥市的公益公司,于 9 月公开亮相,完成了由 Breakthrough Energy Ventures 领投的 5800 万美元种子轮融资。它将自己描述为一个 AI 原生物理实验室,配备虚拟物理学家,旨在像理论家一样推理,并像计算物理学家一样验证。它表示上个月解决了量子信息理论中的五个长期存在的问题,而这是大约两周内的第二次重大发布。这种节奏要么令人印象深刻,要么是一个警告,取决于其中有多少在聚光灯之外仍能站得住脚。

这对量子叙事意味着什么

这一结果进一步明确了一条边界。对于关于无结构随机输入的是/否问题,量子机器无法省下指数级数量的查询。算法设计者应当寻找在数学或物理上具有真实结构的问题,而不是在通用输入上搜寻加速。

它并没有告诉你哪些应用会带来回报。查询模型统计的是输入读取次数,而不是加载和处理数据的工作量,因此它不会对总运行时间或量子计算机的商业价值施加普遍限制。任何引用这篇论文来证明量子计算已死的人,引用的都是论文中并不存在的内容。

它也没有终结关于 AI 从事研究的争论。一个由内部系统产生、经内部审计、且所涉问题的周边文献已经把路径收窄到某个未解决不等式的结果,只是一个数据点。Lovett 和 Zhang 有方案。Reimer 有一个引理。系统补上了一个缺口。这是真实的工作,但它也只是数学研究所涉及内容中很窄的一部分。

剩下的那一步,是 PSI 无法替自己完成的。该领域的某个人必须阅读形式化陈述,认可它就是 Aaronson 和 Ambainis 的猜想,而不是一个图方便的近似版本,并公开这样说。在那之前,存在的是一个由机器验证的推导,它非常接近一项著名主张;此外还有一个经过精心构建、让最后一英里变得很短的仓库。

这比大多数公告留下的处境要好。

相关文章