数学、计算机科学与物理学中的三个新发现
OpenAI 声称其模型已经给出证明，解决了调和分析、复杂性理论和量子场论中的重大开放问题——包括一种会否定指数时间假说的次指数时间算法——这被视为 AI 辅助研究的潜在分水岭。评论者探讨这些结果对长期以来关于问题困难性、P vs NP，以及标准模型数学基础的信念意味着什么，同时指出这些算法在实际应用上仍然相差甚远。除了兴奋之外，许多人还提出了对验证、署名与优先权、将研究者提示词用作训练数据，以及高端理论工作从大学转向不透明的私营 AI 实验室这一更广泛转变的担忧。
ETH / #SAT 突破
- 讨论围绕一项声称“指数时间假说是假的”的结果展开：通过一种确定性的次指数时间算法，精确计数 k-CNF（#k-SAT）的可满足赋值，运行时间大约为 (2^{n / (\log n)^{1/2+o(1)}})。
- 这仍然是超多项式的，离多项式还很远；发帖者强调它并不意味着 P=NP，也不会在实践中破解密码学。
- 对于该结果在常见归约下有多强，存在争论：有人说它削弱了许多基于 ETH/SETH 的困难性结果；也有人指出归约可能把实例规模放大得非常多，以至于这种次指数界未必能传递过去。
其他数学与物理结果
- Kakeya / 局部平滑：据说在所有维度中解决了 Kakeya 及相关调和分析猜想，被描述为“菲尔兹奖级别”的成果，也是对以往零散进展的一次巨大整合。
- 物理 / QCD–杨-米尔斯：4 维杨-米尔斯 / QCD 的存在性以及标准模型的“完成”被称为对严格量子场论意义重大。不过，质量隙尚未被处理，而且有人强调这主要是对物理学家本来就使用的东西进行了形式化。
对复杂性理论与 P vs NP 的影响
- 一些评论者小幅上调了自己对 P=NP，或对 P vs NP 不可判定性的先验；另一些人则认为变化不大，指出“勉强次指数”与多项式之间仍有巨大差距。
- ETH 作为精细化困难性假设被广泛使用，这意味着许多先前结果现在以一种新的方式变成了条件性的，并引出了许多新的开放问题。
Lean 形式化与 AI 的作用
- 这三个结果都有 Lean 形式化；许多人把 Lean 定理陈述视为真正的事实基础。
- 讨论中提到，自然语言 AI 证明是“原始研究数据”，需要人类将其提炼为理解与理论，而不只是正确性证书。
科学实践、署名与可及性
- 对 OpenAI 采用新的流程、招募“shepherd”专家以及采用不同发布策略（立即发布、仅 Lean 发布，或对物理学延后发布）反应不一。
- 支持者认为这是协作性的，并能打开新领域；批评者则认为这只是公关、偏袒，以及私人实验室正在取代大学，成为重大发现的主要场所。
- 强烈担忧模型可能会用研究者的提示词来训练，从而实际上与那些为其提供养料的社区竞争，并对其进行资源攫取。
- 更广泛的担忧是科学能力向少数几家私营 AI 实验室集中，以及数学会变成“忙于形式化的杂务”，而不是人类发现。