87 年數學猜想一夕崩塌：數學家用 Claude Fable 5 找到反例，AI 正在改寫『人類怎麼做數學』這件事

2026 年 7 月，一則只有短短一句話的社群貼文，讓全世界的數學家集體停下手邊的工作。「hello there the jacobian conjecture is false thanx」——「嗨，Jacobian 猜想是錯的，謝啦」。發文的人是在 Anthropic 工作的數學家 Levent Alpöge，時間點還是在世界盃足球賽決賽當天，語氣輕鬆到像在報告午餐吃了什麼。但這句話背後，是一個困擾數學界將近 87 年、自 1939 年提出以來始終沒人能證明也沒人能推翻的難題，被正式找到了反例。而更讓人玩味的是：協助找到這個反例的，是一個 AI 模型——Anthropic 的 Claude Fable 5。

這件事之所以重要，不只是「又一個數學猜想被解決了」，而是它可能標記著一個轉折點：人工智慧第一次以一種難以忽視的方式，實質參與了頂尖純數學研究的發現過程。

Photo by Vitaly Gariev on Unsplash

Jacobian 猜想到底在講什麼？

先用白話解釋這個猜想。想像你有一個把 n 維空間映射到 n 維空間的多項式函數——輸入一組座標，經過一串多項式運算後，輸出另一組座標。數學上有個工具叫「Jacobian 行列式」，它衡量的是這個函數在每一個點附近「有沒有把空間壓扁或翻面」。如果這個行列式在每一點都是固定的、而且不等於零，根據微積分裡的「反函數定理」，這個函數在局部一定是可逆的——也就是說，在任何一個小範圍內，你都能從輸出反推回輸入。

Jacobian 猜想大膽地主張：既然它在每個地方局部都可逆，那它在整體上也應該可逆，而且反函數同樣會是個漂亮的多項式。這聽起來非常合理，符合我們的直覺——「處處都對，整體應該也對」。正因為太符合直覺，這個猜想才會懸而未決這麼久，還被列為數學界最著名的難題之一。過去幾十年，數學界對它其實是分裂的：有人相信它是對的，也有人懷疑它是錯的，不像黎曼猜想那樣幾乎所有人都押它成立。

反例長什麼樣子？

Alpöge 找到的反例，是一個從三維空間映射到三維空間的多項式函數，它的 Jacobian 行列式在每一點都恆等於 −2，完全滿足猜想的前提條件。關鍵在於：這個函數雖然處處局部可逆，卻會把不同的輸入點對應到同一個輸出點。舉例來說，(0, 0, −1/4) 和 (1, −3/2, 13/2) 這兩個完全不同的點，經過這個函數運算後，居然都落到 (−1/4, 0, 0)。

這就出問題了。一個函數如果會把兩個不同的點送到同一個地方，那你拿到輸出後根本無法唯一地反推回輸入——它在整體上就不可逆。所以這個函數不但沒有「多項式反函數」，它連任何形式的反函數都沒有。「局部處處成立」，並不能保證「整體也成立」，這正是這次事件最優雅、也最反直覺的一課。

值得補充的是，這個反例推翻的是 n = 3（以及可以簡單推廣到的所有 n 大於 3）的情況。原始猜想在二維的版本，也就是 n = 2，目前仍然是開放的，甚至有數學家認為二維才是最難啃的骨頭。所以更精確的說法是：Jacobian 猜想在高維被推翻了，但它並沒有完全死透。

Photo by Microsoft Copilot on Unsplash

AI 在這件事裡，到底做了什麼？

這是整起事件最容易被誤讀的部分，也是最值得說清楚的地方。標題很容易寫成「AI 解開了 87 年數學難題」，但這個講法並不精準。

有個很有意思的插曲：有人事後去問 Claude 一般版本「在反例被找到之前，多數數學家相信這個猜想是對還是錯？」，Claude 的回答居然是——「這個問題的前提不太對，Jacobian 猜想並沒有被找到反例，它仍然是個開放問題」，還反過來要求對方提供出處。換句話說，AI 自己並不「知道」它參與推翻了這個猜想。它從頭到尾都不是一個有意識、會宣稱功勞的主體，而是一個工具，就像數學家手上的一支粉筆或白板筆。真正主導方向、判斷哪條路值得走、最後驗證並宣告結果的，是人類數學家。

但這不代表 AI 的貢獻可以被輕描淡寫。在這類問題裡，最困難的往往不是「驗算」，而是「從無窮多的可能性中，猜對一個該去嘗試的具體結構」。找到那個 Jacobian 行列式恆為 −2、又剛好會產生碰撞的多項式，需要在龐大的搜尋空間裡摸索。AI 的價值，就在於它能大幅加速這個「提出候選、快速試錯」的過程。據報導，整個過程只花了數小時，而不是數月或數年。

為什麼這次大家願意相信？

過去也有不少「AI 解出某某難題」的宣稱，最後被發現是模型的幻覺（hallucination）或推理漏洞。這次之所以能站得住腳，關鍵在於數學這門學科的特性：反例是可以被獨立驗證的。

Alpöge 給出的是一個具體、有限、精確的多項式。任何一個受過訓練的數學家，甚至一個大學生，都可以自己動手算一遍，確認那個行列式真的恆等於 −2，也可以自己找出更多會產生碰撞的點對——事實上，在相關的數學部落格上，很快就有其他人補充了新的碰撞例子，例如 (0, 1, −4) 和 (−2, 1, 2) 都會對應到 (0, 1, 0)。這種「拿出來大家一起算就知道真假」的性質，讓 AI 是否可靠這件事變得無關緊要：重點是答案本身經得起檢驗。

不過，這裡也有一個值得保留的地方。截至目前，完整的對話紀錄、模型的推理過程、研究筆記都還沒有公開。也就是說，反例「本身」已經被反覆驗證為真，但 AI「究竟是怎麼一步步走到這個反例」的完整過程，還沒辦法被外界獨立稽核。這中間有多少是模型的洞察、有多少是數學家的引導與修正，暫時只能靠當事人的描述。對於想理解「AI 到底有多會做數學」的人來說，這是一個仍然懸而未決的問號。

Photo by Shapelined on Unsplash

這對整個產業意味著什麼？

把視角拉遠一點，這件事其實呼應了 2026 年 AI 領域一個更大的趨勢：AI 正在從「會聊天、會寫程式」的通用助手，逐漸走向「能在特定專業領域產生真實貢獻」的協作夥伴。今年稍早，Google DeepMind 的數學推理系統在國際數學奧林匹亞（IMO）的題目上拿到了頂尖 1% 的成績；如今又有 AI 協助推翻長年猜想的案例。這些訊號共同指向一件事：AI 在需要嚴謹邏輯、可被驗證的領域（數學、程式、形式化證明），正展現出特別強的槓桿效果。

對研究工作者而言，這可能意味著工作型態的改變。過去要花數個月手工嘗試各種構造的探索階段，未來或許能被壓縮成「與 AI 協作、快速生成並篩選候選答案」的幾天。AI 不會取代數學家的判斷力與品味——決定哪個問題值得攻、哪個方向有前途，仍然是人的事——但它可能會把「動手嘗試」的成本降到極低。這和我們在軟體開發領域看到的變化如出一轍：AI 不是取代工程師，而是讓一個人能在更短時間裡試更多方案。

一點個人看法

這次事件最迷人的地方，反而不在於「AI 有多強」，而在於它逼我們重新思考「發現」這件事的定義。當一個困擾人類將近九十年的問題，答案其實一直靜靜地躺在多項式的某個角落，只是沒人找到——而一個沒有意識、甚至事後自己都不承認做過這件事的工具，幫忙把它挖了出來，這到底算誰的功勞？

我的看法是：功勞當然是人的，但這件事的意義不該被「功勞歸屬」的爭論淹沒。真正值得記住的，是我們手上多了一種前所未有的探索工具。就像望遠鏡沒有取代天文學家、只是讓他們看得更遠，AI 也不會取代數學家的直覺，只是讓「試錯」這件事變得便宜到幾乎免費。而當試錯變便宜，人類能觸及的問題邊界，就會被推得更遠。

同時，這件事也提醒我們要保持一份清醒：AI 會犯錯、會產生幻覺、甚至會信誓旦旦地否認自己做過的事。它之所以在這次事件裡值得信任，不是因為它「聰明」，而是因為它的產出剛好落在一個「人類可以獨立驗證」的領域。這其實是一個很好的使用原則——把 AI 當成強大的「候選答案生成器」，但最後拍板、驗證、負責的，永遠是人。在數學如此，在商業決策、在系統開發、在每一個我們把 AI 導入工作流程的場景裡，也是如此。

87 年的等待，換來一句「thanx」。這個略帶戲謔的結尾，或許正好象徵了我們正在進入的這個時代：重大突破不再一定伴隨著莊嚴的儀式感，它可能就發生在一個看球賽的午後，來自人與機器之間一次不經意的協作。而這，才剛剛開始。