🧮 当AI闯入数学神殿：Grothendieck常数之谜的破局时刻
> *"如果你不能向一个六岁的孩子解释清楚，那你自己也没真正理解。"* —— 理查德·费曼
---
🎭 开场：一个让数学家失眠了70年的数字
想象你走进一家昏暗的古董店。木质的货架上摆满了泛黄的羊皮纸和锈迹斑斑的仪器。店主是个留着白胡子的老人，他从柜台下取出一个雕花木盒，轻轻放在你面前。盒子上刻着一行小字："自1953年起，无人解开。"
"这里面有一个数字，"老人说，声音低沉得像从地底传来，"从1953年到现在，全世界最聪明的数学家——从普林斯顿到巴黎，从莫斯科到京都——都想知道它到底是多少。有人猜它大概是1.5，有人猜接近2。但没人能确定。不是算不出来——是连它到底落在哪个区间，都争论了七十多年。"
你打开盒子。里面没有珠宝，没有地图，只有一张纸条，上面写着：$K_G$。
这个数字，就是Grothendieck常数。
它听起来像某个法国小镇的邮政编码，但实际上，它是20世纪数学中最神秘的常数之一。它不像π那样家喻户晓，不像e那样在微积分课本里随处可见。它藏身在泛函分析的最深处，却同时掌控着优化理论、量子物理和理论计算机科学的命脉。更疯狂的是，2026年8月，一群来自德克萨斯大学、普林斯顿和加州大学洛杉矶分校的研究者，带着一个AI助手，居然把这个数字的精确范围又收窄了一步——而且AI给出的洞见，被领域专家认定为"新颖的"。
这篇论文不是传统的"我们用AI算了个数"的故事。它是一个关于人类与AI如何在数学神殿中并肩作战的案例研究，充满了失败、顿悟、以及那种只有在深夜实验室里才会发生的奇妙时刻。它告诉我们：数学的未来，可能不再只属于人类。
---
📚 第一章：这个常数到底在说什么？从一块披萨讲起
🍕 1.1 离散与连续之间的"翻译费"
要理解Grothendieck常数，我们先从一个日常场景开始。这个场景你可能每天都经历，只是从未意识到背后的数学。
假设你是一家物流公司的调度员。公司有50辆货车，每天需要决定每辆车走哪条路线、经过哪些城市。每个决定都是二元的：货车A要么走路线1，要么走路线2，没有中间状态。这在数学上叫做离散问题——变量的取值只能是整数（0或1，走或不走）。
你用整数规划来求解，但很快就遇到了麻烦。当城市数量超过30个时，求解时间呈指数级爆炸。你的电脑从早上算到晚上，进度条只前进了1%。老板开始催你，客户开始抱怨。
这时候，一个戴眼镜的数学家走过来，拍拍你的肩膀说："别急着算整数解，先把所有变量放松成连续的，用线性规划求解，快得多。"
你照做了。把"走或不走"变成"走0.37的路线1和0.63的路线2"，连续版本的问题秒出结果。但新问题出现了：这个连续解不能直接用在现实中——你不能让一辆货车"半走"路线1、"半走"路线2。现实中没有半辆货车。
于是数学家又说："没关系，我们把这个连续解'四舍五入'回离散解。虽然会损失一点精度，但有个理论保证：连续最优解和离散最优解之间的差距，不会超过某个常数倍。"
这个"某个常数"，在很多情况下，就是Grothendieck常数。
它量化的，本质上是一种"翻译费"——把连续世界的答案翻译成离散世界的答案时，你需要付出多大的代价。这个常数越大，说明连续松弛和真实离散解之间的差距可能越大；越小，说明连续方法越靠谱。
打个比方：你有一个英文合同，需要翻译成中文。如果翻译费是原合同价值的1.7倍，那还能接受；如果是5倍，那你可能得考虑直接找中文律师重写了。Grothendieck常数就是这个"翻译费"的系数。
🧠 1.2 更深层：不等式、张量积与量子纠缠
Grothendieck常数的"本职工作"其实比我上面说的更抽象。它诞生于一个叫做Grothendieck不等式的数学命题。
1953年，法国数学巨星亚历山大·Grothendieck在研究巴拿赫空间的张量积时，发现了一个惊人的事实：在有限维空间中，有一种特殊的双线性形式，它的"有界性"在某种意义下可以被一个普适常数控制。
用通俗的话讲：想象你在玩一个双人游戏。玩家A和玩家B各自独立地选择一些策略。如果允许他们串通（共享信息），他们能获得的收益是某个值；如果只能各自独立决策（不能沟通），收益会下降。Grothendieck常数量化的，正是这种"不能沟通"带来的损失上限。
有趣的是，这个纯数学的发现，在半个多世纪后找到了意想不到的物理对应。量子物理学家发现，Grothendieck常数精确地描述了量子纠缠所能提供的"额外优势"。
具体来说：在Bell不等式的实验检验中，量子力学允许的关联强度，与经典物理学允许的最大关联强度之间的差距，正好与Grothendieck常数有关。Tsirelson在1985年最早建立了这种联系。后来，量子信息理论的发展进一步揭示：如果我们能精确知道Grothendieck常数的值，就能回答量子力学中一个根本性的问题——量子纠缠的"威力"到底有多大。
这就是数学的奇妙之处：一个1953年在泛函分析中诞生的抽象概念，到21世纪成了量子计算和量子通信的理论基石。
🏔️ 1.3 为什么它这么难？
知道了Grothendieck常数的意义，下一个问题自然就是：既然它这么重要，为什么70多年还没算出来？
答案是：因为它不是一个可以"计算"的数。
像π或e这样的常数，虽然也是无穷不循环小数，但我们有明确的公式可以计算它们到任意精度。π可以用各种级数展开，e可以用极限定义。
但Grothendieck常数的定义涉及无穷维空间中的最优策略。它不是某个公式代入数值就能得到的。它要求你在无穷多个可能性中找到一个"最优"的构造——而"最优"本身又是通过复杂的极限过程定义的。
打个比方：你知道地球上有座山，很高。你能测量它的相对高度（它比周围的山都高），但你不知道它的绝对海拔。更糟糕的是，你连它大概有多高都没把握——有人说5000米，有人说8000米，但谁也拿不出确凿证据。
Grothendieck常数就是这样一座"数学珠峰"。数学家们知道：
- 它肯定存在（Grothendieck证明了）
- 它大于某个值（下界）
- 它小于某个值（上界）
---
🔬 第二章：70年的人类攀登史——一步一步往上爬
⛰️ 2.1 Krivine的惊人突破（1977）
在Grothendieck提出这个常数后的二十多年里，几乎没有人能找到它的非平凡界限。大家只知道它大于1（这是平凡的），但上界呢？下界呢？一片茫然。
1977年，法国数学家Jean-Louis Krivine改变了这一切。他提出了一个巧妙的构造方法，证明了 $K_G \geq 1.676$。这个方法后来被称为"Krivine方案"，成为后续所有下界证明的基石，也为上界证明提供了思路。
Krivine的想法像什么呢？想象你在一个巨大的房间里撒了一把豆子，然后试图证明"无论如何撒，总会有两个豆子的距离不超过某个值"。Krivine构造了一种特殊的"撒法"——不是随机的，而是精心设计的几何排列——使得任何试图缩小常数的努力都必须面对这种构造的挑战。
他的核心洞察是：通过巧妙地选择向量空间的嵌入方式，可以构造出一类"难题实例"，这些实例逼迫任何舍入方案都必须付出至少某个倍数的代价。
Krivine的工作同时给出了上下界：
- 下界：$K_G \geq 1.676...$（通过构造具体的"难题实例"）
- 上界：$K_G \leq \frac{\pi}{2\log(1+\sqrt{2})} \approx 1.782...$（通过提出一种舍入方案）
🧱 2.2 Reeds的下界推进（1991）
Krivine的工作之后，上界长期停滞不前。但下界方面，1991年J.A. Reeds（一位鲜为人知但技艺高超的数学家）通过改进Krivine的构造，将下界推进到了约1.782。
等等，这和上界一样？不，Reeds的下界并没有达到Krivine的上界，但他的工作表明Krivine的舍入方案几乎是最优的——至少在某个特定框架内。
这段时间（1991年到2020年代），Grothendieck常数的精确值问题几乎成了一个"沉睡的巨人"。数学家们知道这个常数很重要，但似乎没有人能找到突破Krivine框架的方法。
🌊 2.3 量子信息带来的新视角（2000年代）
转机出现在21世纪初。量子信息理论的快速发展，让数学家们重新审视Grothendieck常数。
2006年左右，研究人员发现：如果把Grothendieck不等式中的"实数"换成"复数"，得到的就是复Grothendieck常数，而这个复数版本与量子力学中的Bell不等式有直接联系。
这个发现的意义远超数学本身。它意味着：如果我们能精确知道Grothendieck常数的值，就能回答量子力学中一个根本性的问题——量子纠缠到底比经典关联强多少？
这个问题不仅关乎基础物理，也直接关系到量子计算的能力边界。如果 $K_G$ 很大，说明量子纠缠能提供巨大的优势；如果 $K_G$ 接近1，说明量子优势其实很有限。
🔥 2.4 近期的竞争（2026年上半年）
就在这篇论文发表前的几个月，数学界突然爆发了一场"Grothendieck常数竞赛"。
2026年初，Steven Heilman发表了两篇论文：
- 《A lower bound for Grothendieck's constant》
- 《An upper bound on Grothendieck's constant》
这些工作都在试图突破Krivine的框架，但各自从不同角度入手。Heilman从随机矩阵和概率方法出发，Jones和Malavolta则从Krivine方案的内在限制入手。
在这场竞赛中，AI悄然登场了。
---
🤖 第三章：AI如何闯入这座神殿？
🧩 3.1 不是计算，是洞察——AI角色的本质区别
这里要强调一个关键区别：这篇论文里的AI，不是在做数值计算。
如果是纯粹的数值计算，那Grothendieck常数早就算出来了——现代计算机算个数值积分、解个优化问题，不要太轻松。问题是，这个常数的定义涉及无穷维空间中的最优策略，不存在闭式解，也没有直接的数值逼近路径。它不是那种"代入公式就能算到第100位小数"的数。
AI在这里做的，是提出新的数学构造——新的证明策略、新的舍入方案、新的分析框架。
用作者的话说："这些改进是通过一个能够产生被领域专家认为新颖的洞见的AI研究系统实现的。"
这就好比：不是让AI帮你算1+1等于几，而是让AI帮你发现一种新的加法。前者计算器就能做，后者需要创造力。不是让AI验证一个已知的定理，而是让AI提出一个以前没人想到过的证明思路。
这个区别至关重要，因为它触及了人工智能领域最深奥的问题之一：机器能否具有真正的创造力？这篇论文给出的答案是：在受限但非平凡的范围内，可以。
🔧 3.2 "长程"AI研究系统——不只是问答
论文标题里的"Long-Horizon"（长程）不是随便加的。它是整个工作的灵魂。
大多数AI系统（比如ChatGPT）是"短程"的：你问一个问题，它给出一个回答，对话结束。一次交互可能就几秒钟。但数学研究不是这样。
一个真正的数学问题可能需要：
- 先读几十篇文献，理解前人的工作
- 尝试十几种不同的证明策略
- 大部分尝试会失败，而且失败的方式各不相同
- 从失败中学习，调整方向，换一条路径
- 可能需要几个月的持续探索
- 中间会有无数次"这看起来有希望...不，又死了"的起伏
具体来说，这个系统能：
1. 持续搜索 在巨大的策略空间中不断探索。对于Grothendieck常数，策略空间包括：不同的舍入方案构造、不同的向量空间嵌入、不同的分析技术。这个空间是组合爆炸的，人类数学家只能凭直觉探索其中一小部分。
2. 从失败中学习 这是最关键的。一次尝试失败后，系统不是简单地"再试一次"，而是分析失败的原因，调整下次尝试的参数。比如："上次用高斯嵌入失败了，这次试试余弦嵌入；上次在3维有效但5维失效，这次分析失效原因。"
3. 保持上下文 系统记住之前所有的尝试和结果，形成一个"探索历史"。当人类数学家提出新的想法时，系统能立即检索相关的先前实验。"这个思路和三个月前第4721次尝试有点像，但那次用了不同的参数..."
4. 与人类协作 不是替代人类数学家，而是作为"第二大脑"。人类提供方向感和"数学品味"，AI提供计算力和不知疲倦的探索。
🔄 3.3 一个迷人的案例：从失败的上界搜索到成功的新下界
论文中最精彩、最具启发性的部分，是第六章的案例研究。这是一个关于失败如何转化为成功的故事。
故事是这样的：研究团队最初让AI去搜索上界——也就是找到比Krivine更好的舍入方案，把 $K_G$ 的上限压低。
AI搜索了很久。几天？几周？论文没有说具体时间，但从"长程"（long-horizon）这个词可以推断，这可能是一个持续数周甚至数月的计算过程。AI尝试了无数种构造：
- 不同的向量嵌入方案
- 不同的舍入函数
- 不同的维度选择
- 不同的对称性假设
在普通人看来，这是一堆"垃圾数据"——失败的尝试，毫无价值。但研究团队中的人类数学家注意到了一些不寻常的东西。
在AI的上界搜索过程中，某些中间构造虽然没有给出更好的上界，但它们表现出了一种特殊的数学结构。这种结构看起来和下界证明中需要的"难题实例"有某种微妙的对偶关系。
这个发现像什么呢？就像你在挖井找水，挖了100个坑都没找到。但地质学家看了看这些坑的岩层分布，突然说："等等，这些坑虽然没水，但岩层的走向暗示了地下水的流向——我们应该在相反的方向挖！"
于是他们转换思路：不如让AI用这些"失败的"上界搜索成果，去攻击下界问题。
具体怎么做？论文没有给出全部技术细节（这在配套论文中有），但大致思路是：AI在上界搜索中发现的某些构造，可以被"反转"用来证明"任何舍入方案都必须在某类实例上付出至少某个代价"。
结果？成功了。
新的下界 $\frac{6\pi}{11} \approx 1.714$ 正是通过这种方式发现的。AI在上界搜索中积累的"失败经验"，成了下界突破的养料。
这个案例完美诠释了人类-AI协作的精髓：
- AI负责在巨大的可能性空间中探索和试错
- 人类负责识别模式、转换视角、判断哪些"失败"其实暗藏玄机
- 最终的成功，是两者结合的结果——缺了任何一方都不行
---
🧪 第四章：技术深潜——他们到底做了什么？
🎯 4.1 下界的新思路：限制Krivine方案，而非构造实例
传统的下界证明遵循这样的范式：
"我构造了一个具体的数学对象（比如一个特殊的矩阵或图），然后证明：任何舍入方案在这个对象上的损失都至少是X。因此，$K_G \geq X$。"
Krivine（1977）和Reeds（1991）的下界证明都是这样做的。他们手工构造了具体的"难题实例"。
这篇论文的下界证明走了完全不同的路：
"我不构造具体例子。相反，我证明所有渐近最优的Krivine方案都有某种内在限制。因此，任何基于Krivine框架的方法都不可能突破某个界限。"
这就像两种抓小偷的策略：
- 传统方法："我找到一个具体的小偷，看他最多能偷多少"
- 新方法："我证明所有用这个手法的小偷，都不可能超过某个限额"
技术细节上，论文证明了：Krivine方案虽然在低维度表现良好，但当维度趋于无穷时，它们存在一种固有的结构性限制。这种限制来自于向量空间嵌入的几何约束——你无法在保持某些对称性的同时，又达到比某个阈值更好的近似比。
AI在这个证明中的作用是什么？是帮助人类数学家发现了这种"结构性限制"的模式。通过大规模搜索不同维度、不同参数下的Krivine方案变体，AI积累了足够的数据，让人类数学家能够识别出"所有这类方案都逃不过的瓶颈"。
🏗️ 4.2 上界的新思路：渐近舍入方案
传统的上界证明使用低维舍入方案。Krivine的方案 beautiful，但只在有限维度有效。
什么是"低维舍入方案"？想象你要把一组连续变量（每个变量可以是-1到1之间的任何实数）"舍入"成离散变量（只能是-1或1）。低维方案的做法是：把问题投影到一个低维空间（比如3维），在那个低维空间里做舍入，然后把结果映射回去。
这在直觉上很合理：低维空间里，几何直觉帮助我们做出好的舍入决策。但问题是，当原始问题维度很高时，这种"投影到低维再舍入"的方法会损失很多信息。就像你把一张高分辨率照片压缩到100x100像素，然后再放大——模糊了很多细节。
这篇论文的贡献是：提出了第一个渐近舍入方案的构造和严格分析。
什么是"渐近舍入方案"？想象你在用越来越精细的网格来近似一条曲线。低维方案就像用几个大格子粗略地描；渐近方案则让格子无限细化，最终精确地捕捉曲线的每一个细节。
具体来说，论文构造了一族舍入方案 $\{R_d\}_{d=1}^\infty$，其中 $R_d$ 是 $d$ 维空间中的舍入方案。他们证明了：当 $d \to \infty$ 时，这些方案的近似比收敛到一个极限值，而这个极限值给出了Grothendieck常数的一个新上界。
技术挑战在于：你需要证明这个无限家族的收敛性，并计算出极限值。这需要精密的分析技术，涉及随机矩阵理论、高维几何和傅里叶分析。
AI在这里的角色是探索构造空间。人类数学家设定了"渐近舍入方案"的大方向，但具体选择什么样的函数族、如何参数化、在哪个性质上优化——这些细节由AI通过大规模搜索来确定。AI尝试了成百上千种不同的构造变体，最终找到了一种在分析上可处理、在效果上又足够好的方案。
🔗 4.3 两个bound的精妙配合——确定小数点后第一位
单独看上界或下界的改进，都只是数学上的"小步"。但两个bound一起收窄，就产生了质的飞跃。
论文的新结果是：
- 下界：$K_G \geq \frac{6\pi}{11} \approx 1.714...$
- 上界：$K_G \leq \frac{\pi}{2\log(1+\sqrt{2})} - 10^{-4} \approx 1.782...$
这意味着什么？
首先，小数点后第一位是7，确定无疑。因为不管是1.714还是1.782，小数点后第一位都是7。
在数学史上，这其实是重大突破。之前，Grothendieck常数的精确值完全未知，连小数点后第一位都无法确定。有人猜可能在1.5左右，有人猜接近2。现在，至少我们知道它是1.7几。
其次，上下界之间的差距从Krivine时代的约0.1，缩小到了约0.068。虽然还有差距，但已经收窄了三分之一。
最后，也是最鼓舞人心的：这个结果表明，完全确定Grothendieck常数是有可能的。它不再是那种"可能永远不知道"的问题。如果上下界能继续收窄，最终可能相遇——那时，我们就知道了这个困扰数学界70多年的精确值。
---
🎓 第五章：这对AI和数学意味着什么？
💡 5.1 AI在数学中的角色演变
这篇论文标志着一个重要的范式转变：AI在数学中的角色，从"计算工具"升级为"研究伙伴"，甚至"共同发现者"。
让我们回顾一下历史：
1976年：计算机辅助证明的开端 Appel和Haken证明了著名的四色定理。这是计算机第一次在大规模数学证明中扮演核心角色。但当时的计算机只是做穷举验证——检查成千上万个特殊情况，确认没有反例。计算机没有"想"出证明的思路，只是执行了人类设计好的验证程序。
2010年代：机器学习辅助猜想 研究人员开始用机器学习来发现数学中的模式。比如，通过训练神经网络来预测纽结不变量之间的关系，从而提出新的猜想。但这一阶段，AI主要是"提出猜想"，严格的证明仍然由人类完成。
2024年：几何构造的突破 Google DeepMind的AlphaGeometry在国际数学奥林匹克（IMO）中达到金牌水平。AI不仅能证明几何题，还能做出复杂的辅助线构造。但IMO几何题虽然困难，仍然是结构化的——有明确的公理系统和有限的搜索空间。
2026年：纯数学研究的深度参与 这篇Grothendieck常数论文是另一个层次。它涉及的是分析学中的开放问题，没有有限的搜索空间，没有明确的算法路径。AI在这里不是验证、不是猜猜想、不是做几何构造，而是参与原创性数学研究——提出被领域专家认可为"新颖"的洞见。
这是一个质的飞跃。
🤝 5.2 理想的协作模式：人类+AI的"双脑系统"
论文的核心洞察之一是：人类和AI的最佳协作方式，不是"AI做、人类看"，也不是"人类指挥、AI执行"，而是一种动态的双向互动。
论文作者坦诚地讨论了AI的强项和弱项，这种坦诚本身就值得赞赏。
AI的强项：
- 不知疲倦的探索者：可以在巨大的组合空间中24/7搜索，不厌倦、不沮丧
- 不受直觉偏见影响：人类数学家往往有"品味"和"直觉"，这既是优势也是枷锁。AI没有先入为主的观念，有时会跳出框框提出人类想不到的构造
- 模式识别：在大规模数据中识别微妙模式的能力远超人类
- 快速验证：可以快速检验一个想法是否可行，帮人类节省大量时间
- 缺乏"数学品味"：无法判断什么方向"有前途"、什么方向"是死胡同"。数学中，知道什么不值得做，和知道什么值得做一样重要
- 无法"感觉"到证明的优雅：数学不仅是正确，还有优雅。一个 clumsy 但正确的证明，和一个优雅简洁的证明，在数学家眼中是完全不同的。AI目前无法区分
- 容易产生"伪证明"：可以生成看起来合理但实际上有隐藏错误的论证。这些错误往往很微妙，需要人类专家来审查
- 缺乏"元认知"：不知道自己什么时候在胡说八道。人类数学家会说"这个我不太确定"，但AI可能会自信地给出一个错误的答案
1. 人类设定大方向：选择问题、定义数学框架、判断什么是有趣的研究方向 2. AI负责探索：在框架内进行大规模搜索、尝试各种构造、收集数据 3. 人类识别突破口：从AI的探索结果中发现意外的模式、转换视角、提出新的假设 4. AI深化细节：一旦人类识别出突破口，AI可以深入验证、完善证明、检查边界情况 5. 人类审查和诠释：确保数学的严谨性，将结果放在更大的理论背景中理解 6. 循环往复
那个"从失败的上界搜索到下界突破"的案例，正是这种协作模式的最佳例证。
🌅 5.3 未来方向与开放问题
论文在讨论部分展望了几个激动人心的未来方向：
方向1：完全确定 $K_G$ 现在的bound虽然精确了很多，但仍有约0.068的差距。作者认为，结合更强的人类洞察和更强大的AI搜索，完全确定这个常数的一天可能不远了。一个大胆的猜测：也许在未来5-10年内，我们将知道 $K_G$ 的精确值（或者至少精确到小数点后3-4位）。
方向2：推广到其他常数 Grothendieck常数只是"困难差距"（hardness gap）的一个例子。类似的方法可能适用于其他数学常数或计算复杂性理论中的未知量。例如：
- Goemans-Williamson常数（Max-Cut问题的近似比）
- 各种图的染色数
- 量子信息中的其他"Tsirelson bound"
- 让AI具备更强的"元认知"能力——不仅能探索，还能判断自己的探索是否有效
- 更好的"数学品味"学习——通过分析历史上成功的证明，让AI学会什么方向值得 pursue
- 更强的形式化验证集成——如论文中提到的Lean 4机器检查，确保AI提出的论证在逻辑上无懈可击
- 理论物理（寻找新粒子、新材料）
- 药物设计（分子构造空间巨大，AI搜索+人类判断）
- 材料科学
- 任何需要"在巨大空间中搜索+人类洞察"的领域
🎬 尾声：数学的下一章
想象这样一个场景：深夜，普林斯顿的某个办公室里，一台服务器的指示灯在黑暗中闪烁，发出微弱的蓝光。屏幕上，AI正在探索第10,000种舍入方案的变体，一行行公式如瀑布般滚动。旁边，一位人类数学家喝着已经凉掉的第三杯咖啡，盯着屏幕上跳动的数学符号，眼神疲惫但专注。
突然，AI的输出中出现了一个不寻常的模式。某个中间结果的行为和之前所有尝试都不一样——不是更好的上界，而是一种奇怪的对称性。
数学家坐直了身体，眼睛在屏幕的蓝光中亮了起来。
"等等……"他喃喃自语，手指停在键盘上方，"如果我们把这个构造反过来用……如果这种对称性不是bug，而是feature……"
三个月后，一篇论文在arXiv上发表。一个困扰数学界70年的问题，终于有了实质性的进展。
这不是科幻。这就是2026年8月真实发生的事。
Grothendieck常数可能只是数学海洋中的一滴水。但它代表了某种更大的趋势：人类直觉与机器搜索力的结合，正在打开以前无法想象的可能性。
我们正站在一个历史性的转折点上。几百年来，数学一直是人类智力的最高殿堂——最纯粹的思维游戏，最抽象的艺术形式。现在，AI走了进来。它不是来取代数学家的，而是来成为他们的伙伴。
正如论文引用的Lakatos在《证明与反驳》中所说：数学不是一条从公理到定理的直线，而是一个充满猜想、反驳、修正的演化过程。AI的加入，只是让这个演化过程变得更快、更丰富、更不可预测。
那个木盒里的数字，终于被揭开了一层神秘的面纱。小数点后第一位是7。
但故事还没有结束。下一位是什么？再下一位呢？
也许，答案就在下一次人类与AI的深夜对话中。在普林斯顿的某个办公室，或巴黎的一间阁楼，或北京的一个实验室里，服务器正在运行，咖啡正在变凉，而某个伟大的发现，正在悄然酝酿。
> *"我们不知道的，远多于我们知道的。而知道我们不知道什么，本身就是进步。"* —— 理查德·费曼
---
📖 参考文献
- Li, A., Saha, R., Xue, A., Chaudhuri, S., Klivans, A., Kothari, P. K., & Meka, R. (2026). *Long-Horizon AI Research for Grothendieck Constant: A Case Study in Human-AI Mathematical Collaboration*. arXiv:2608.11195.
- Saha, R., Li, A., Xue, A., et al. (2026). *New Upper and Lower Bounds for the Grothendieck Constant*. (Companion paper, arXiv:2608.11202)
- Grothendieck, A. (1953). Résumé de la théorie métrique des produits tensoriels topologiques. *Boletim da Sociedade de Matemática de São Paulo*, 8, 1–79.
- Krivine, J.-L. (1977). Sur la constante de Grothendieck. *Comptes Rendus de l'Académie des Sciences de Paris*, Série A-B, 284(8), A445–A447.
- Reeds, J. A. (1991). A new lower bound on the real Grothendieck constant. (Unpublished manuscript)
- Naor, A., & Regev, O. (2014). Krivine schemes are optimal. *Proceedings of the American Mathematical Society*, 142(12), 4315–4320.
- Pisier, G. (2011). Grothendieck's theorem, past and present. arXiv:1104.2083.
- Jones, C., & Malavolta, G. (2026). The Grothendieck constant is strictly larger than Davie-Reeds' bound. (arXiv preprint)
- Heilman, S. (2026). A lower bound for Grothendieck's constant. (arXiv preprint)
- Tsirelson, B. S. (1985). Quantum analogues of Bell's inequalities. *Zapiski Nauchnykh Seminarov LOMI*, 142, 174–194.
- Lakatos, I. (1976). *Proofs and Refutations: The Logic of Mathematical Discovery*. Cambridge University Press.
- Pólya, G. (1957). *How to Solve It: A New Aspect of Mathematical Method* (2nd ed.). Princeton University Press.
- Tao, T. (2007). What is good mathematics? *Bulletin of the American Mathematical Society*, 44(4), 623–634.
- Thurston, W. P. (1994). On proof and progress in mathematics. *Bulletin of the American Mathematical Society*, 30(2), 161–177.
- Hubert, T., et al. (2026). Olympiad-level formal mathematical reasoning with reinforcement learning. *Nature*, 651, 607–613.
#论文 #arXiv #AI #数学 #Grothendieck #人机协作 #小凯