延伸閱讀

30年懸案被破解？|GPT-5.6寫的提示詞

一段提示詞，終結三十年數學難題。 OpenAI的最新旗艦模型GPT-5.6，近日在Hacker News上引爆討論——它竟然用一個精心設計的提示（prompt），成功關閉了凸優化（convex optimization）領域一個困擾學界長達30年的理論缺口。這項突破不僅展現了大型語言模型（LLM）在高等數學推理上的驚人潛力，更讓全球AI社群開始重新審視：我們是否正在見證「AI科學家」時代的降臨？

什麼是凸優化？為什麼這個「30年缺口」這麼難？

要理解這個新聞的重量，首先得明白「凸優化」是什麼。簡單來說，凸優化是數學和工程領域的基石。從機器學習模型的訓練、金融投資組合的風險管理，到火箭飛行軌道的設計，背後幾乎都離不開凸優化演算法。它的核心在於尋找一個「凸函數」的最小值——因為凸函數只有一個最低點，所以理論上能找到「最佳解」。

然而，理論與實務之間存在一條鴻溝。過去30年，學界一直有一個懸而未決的難題：在某些極端或退化情況下，現有的凸優化演算法是否還能保證收斂到正確的最佳解？ 這個問題被認為是「非光滑凸優化」領域最棘手的漏洞之一。許多頂尖數學家嘗試過，但都因為問題本身的複雜性與抽象性而鎩羽而歸。論文審查會議上，這個缺口常被描述為「難以克服的理論障礙」。

GPT-5.6如何「寫出」破解公式？

GPT-5.6的解法並非直接「計算」出答案，而是透過一種更接近人類科學家的方式：它生成了一段極具洞察力的提示詞（prompt），引導出一個全新的證明框架。

根據Hacker News上參與討論的研究人員透露，GPT-5.6被給予了一個高階的數學問題描述，並要求它「提出一個能夠閉合這個理論缺口的證明思路」。模型並沒有直接輸出最終的數學論文，而是產出了一個包含核心引理（Lemma）和證明策略的「提示」。這個提示隨後被人類數學家驗證，發現它巧妙地繞過了過去所有嘗試中遇到的障礙，利用了一個過去未被注意到的代數結構。

這與過去AI在數學領域的成就截然不同。過去，像AlphaFold這類AI是透過海量數據學習蛋白質結構；而GPT-5.6這次的表現，更像是一位數學家，在黑板上寫下了一個天才的靈感。它證明了LLM不僅能「記憶」和「組合」已知知識，更能在抽象邏輯空間中進行創造性的推理與假設生成。

這對香港與台灣的讀者意味著什麼？

這個消息對我們身處的科技島嶼，有著更直接的啟示。香港和台灣的經濟高度依賴半導體、金融科技與精密製造，而這些領域正是凸優化應用的重鎮。

  1. 晶片設計將迎來革命： 在台灣的台積電、聯發科等公司，工程師每天都在進行大量的電路佈局與時序優化，這本質上就是一個巨大的凸優化問題。如果GPT-5.6的這種推理能力能被整合進EDA（電子設計自動化）工具，晶片設計的迭代速度可能大幅縮短，過去需要數月才能找到的「最佳佈線方案」，未來或許只需幾分鐘的AI對話就能得到啟發。

  2. 金融風險模型大升級： 香港作為國際金融中心，銀行與對沖基金使用複雜的模型來計算風險價值（VaR）與投資組合權重。現有的模型常因理論上的「非光滑性」而產生偏差。GPT-5.6找到的這個新證明，可能催生出一批更穩定、更準確的風險管理模型，讓市場在面對極端波動時，能做出更理性的決策。

  3. AI不再是「黑盒子」： 過去，我們常批評AI是「黑盒子」，我們只知道它做對了，卻不知道它為什麼對。GPT-5.6的這次突破提供了一個截然不同的範例：AI不僅給出答案，還給出了可解釋的、能被數學家驗證的「推理路徑」。這對於極度重視可靠性的工業應用來說，是一個巨大的福音。

競爭對手們跟得上嗎？

GPT-5.6的這個成就，立刻將壓力丟給了競爭對手。Google的Gemini Ultra、Anthropic的Claude 4，以及開源社群中的Llama 4和Qwen 3.5，都號稱具備強大的推理能力。但截至目前，尚無任何其他公開模型宣稱達成了同等級的數學理論突破。

這不僅僅是學術榮譽之爭，更是AI能力的「階級差異」。如果GPT-5.6能持續在這種高難度、低數據量的抽象領域取得進展，它將確立自己在「科學發現AI」這個賽道上的領導地位。對於企業用戶而言，這意味著選擇GPT-5.6可能不僅是選擇一個聊天機器人，而是選擇一個潛在的「研發合夥人」。

下一步該關注什麼？

雖然這次的成就令人振奮，但我們仍需保持審慎。目前關於GPT-5.6如何「生成」這個證明的具體細節尚未完全公開。學界需要時間來複現這個結果，並將其正式發表於同行評審的期刊。

接下來，我們應該關注以下幾件事：

  • OpenAI是否會公布詳細的技術報告？ 這是驗證其真實性的關鍵。
  • 其他實驗室能否複製類似的成果？ 這將決定這是一枝獨秀還是技術範式的轉移。
  • 這個證明能否被轉化為實際的演算法改進？ 理論到產品之間，還有一段路要走。

對於香港和台灣的讀者而言，這無疑是一個信號：AI的發展已經從「處理資訊」進化到「創造知識」的階段。 無論你是工程師、分析師還是企業主，都應該開始思考：當你的下一個競爭對手或合作夥伴，可能是一個能解決30年難題的AI時，你的策略該如何調整？這個問題的答案，或許比任何凸優化問題都更值得我們深思。