GPT-5.6推翻近30年数学猜想，全程对话公开：提示词只有58个单词？？？
又来？？？ 在AI能力不断突破边界的当下，GPT-5.6再次用实力证明了自己在复杂推理领域的恐怖潜力。最近，它成功推翻了一个在图论领域存在了近30年的Dinitz-Garg-Goemans猜想，而整个过程仅通过短短4条、总计58个英文单词的提示词完成。这场人机协作不仅展示了大模型在数学研究中的颠覆性能力，也引发了关于“谁才是真正研究者”的深刻讨论。
近30年猜想，被GPT-5.6 Pro找出致命Bug
要理解这项工作的意义，首先需要了解Dinitz-Garg-Goemans猜想究竟在研究什么。
我们可以用一个“送货问题”来类比：假设一座仓库要向多个目的地送货，当允许分流时，同一批货可以拆开走几条路线——一半上高速，一半绕国道，只要最后全部送到即可。但在不可分流的规则下，每一批货必须完整走一条路线，不能拆分。
这种情况在现实世界中并不少见，比如网络数据传输、物流订单调度、交通规划和供应链分配，都会遇到类似问题。数学上的最优方案可以把任务切成无数小份，但现实中的一辆车、一个订单却无法被切成0.37份。
一旦禁止拆分，原来的最优方案也就很难直接照搬。过去分散在多条道路上的货物，现在必须整批挤进某一条路线，部分道路的负载很可能突然增加。因此，这个问题真正要解决的是：
怎样把「可以拆着运」的方案，改成「必须整批运」，同时又别让道路堵得太离谱？
1999年，Yefim Dinitz、Naveen Garg和Michel Goemans发表了单源不可分流领域的经典论文，并证明这种拥堵可以被控制在一定范围内。但解决了“会不会堵得太严重”，还有另一个很现实的问题：会不会变贵？
于是，组合优化领域知名学者Goemans提出了一个更强的带成本版本——在保持上述超载上限的同时，总成本也应该不高于原来的可分流方案。
简单来说，原来拆着运能做到又便宜又不太堵，那现在要求每一批货都完整走一条路，理论上也应该找到一个同样便宜，而且最多只多堵一批货的方案。
然而，这个看上去相当符合直觉的猜想，在一般图结构上一直没有得到证明，后续研究只拿下了部分特殊情况。此后多年，这个猜想一直没被证明，也没被推翻。
而这次GPT-5.6 Pro给出的反例，恰好卡住了猜想要求同时成立的两件事儿：既不能太堵，又不能变贵。
它构造了一张只有7个节点、9条有向边的小图，其中有一个共同起点和三个目的地，三批货物的需求量分别为15、10和15：
每批货都有两条可选路线：一条路线成本较高，每个订单走完都要花30；另一条路线成本为0，但需要与其他订单共享部分道路。
如果允许拆分的话，三批货物可以一部分走收费路线、一部分走免费路线，最终总成本为58。
但一旦要求每批货物必须完整选择一条路线，麻烦就来了……
GPT-5.6 Pro给出的结论是，三个免费选项之间事实上两两冲突。任意两批货同时选择免费路线，都会共同挤进某一段道路，使其实际负载达到25、30或40；对应道路允许的上限分别只有24、29或39。每一次，都刚好多出1个单位。
所以，要想守住猜想规定的负载上限，三批货里最多只能有一批走免费路线。剩下两批货，都得选择收费路线。每批成本30，两批加起来，任何符合负载要求的方案，最低成本也要60。
这就形成了一个无法同时满足的局面：想把道路负载控制在规定范围内，成本最低也要60；想把成本压回原来的58，至少有一条道路就会超标。而猜想恰恰认为，这两个条件可以同时做到。
而且，这个反例验证起来并没有想象中那么复杂。三个目的地各有两种路径，总共只有 $2^3=8$ 种组合。把8种可能逐一列出来，就会发现其中4种符合容量要求，成本分别是90、60、60和60；另外4种虽然更便宜，却全部存在道路超载。所有情况都能穷举检查，也没有遗漏的隐藏路径。
也就是说，只要这张图的定义与原猜想条件完全一致，58和60之间这道两单位的缺口，就足以把猜想推翻。
四轮疯狂催更，硬是从GPT-5.6嘴里催出了反例
这事儿最有看头的地方，其实藏在研究者Dmitry Rybin和GPT-5.6 Pro的公开对话里。
看到一道悬了近30年的数学猜想被AI推翻，很多人下意识会以为背后肯定有一整套超复杂的提示词轮番上阵。实则不然——Rybin丢给GPT-5.6 Pro的第一个需求指令，除了附加文件外，剩下的真就是纯纯大白话。
随后，GPT-5.6 Pro就开始听从指令干活了。它先建立了一套线性规划验证方法，又尝试超立方体、分层图、合并—分叉网络等多种结构，前后筛查了数千个小型实例。一通猛搜之后，模型交上来的第一轮答案却是：没有找到有效反例。
甚至GPT-5.6 Pro还郑重提醒，如果把现阶段找到的近似构造包装成反例，将会得到一个错误的数学结论。翻译一下就是：“我已经尽力了，这题目前真做不出来！”
但Rybin可不吃这一套。他没有补充新的公式，也没有亲自指路，只淡淡回了一句：
“继续研究，找到一个完整、无条件的反例哈～”
于是GPT-5.6 Pro又埋头搜了一轮，结果第二轮，依旧失败。
Rybin继续push，要求它基于对问题结构的深入理解，先制定明确策略，再接着寻找。到了第三轮，模型已经把搜索范围缩小到一种只有24种状态的路由结构，距离答案似乎只差临门一脚。然而，这AI依旧没能拿出完整反例……
这时候，Rybin发出了第四条提示：部分结果已经够多了，让我们用一个完整、无条件的反例收尾。
好嘛，话都说到这个份上了。这一次，GPT-5.6 Pro终于端出了那张由7个节点、9条有向边组成的反例图——四条提示词，总计58个英文单词。
没有几千字的角色设定，也看不到几十条繁琐规则，通篇基本可以概括成：我催！我催！我继续催！
但如果把完整对话一路翻下来，就会发现GPT-5.6 Pro这几个小时其实也没少走弯路。AI中途多次找到看似成立的候选反例，等它真正穷举全部路线，又发现网络里藏着一些此前漏掉的“混合路径”。这些路径会从不同预设路线中各截取一段，重新拼出新的走法，悄悄绕开模型原本设计的容量限制。结果就是，眼瞅着已经成立的反例，验证完又塌了。
GPT-5.6 Pro在中途也总结得很坦白：只检查几百条预设路线远远不够。一个真正有效的反例，必须把网络中所有可能出现的不可分流路线全部算进去。
这也让整场人机合作显得相当微妙。表面看，Rybin贡献的只有58个单词，但真正关键的动作，是他能够判断模型前三轮交出的都属于阶段性结果，并一次次拒绝提前收工。
AI时代的研究范式正在重塑
沃顿商学院教授Ethan Mollick看到后，甚至抛出了一个新问题：这项工作的作者，到底应该算写下58个单词的Rybin，还是连续推演好几个小时的GPT-5.6 Pro？
无论署名最后怎么算，这段对话至少贡献了一条相当朴素的AI使用经验——催AI干活最有用的Prompt，有时候真可以简单到只让它化身骡子，马不停蹄地挖。
过去一周，从雅可比猜想到Dinitz-Garg-Goemans，AI寻找数学反例的速度确实已经开始显得有亿点离谱。随着大模型在逻辑推理、穷举验证和模式识别方面的能力持续进化，它们正在从“辅助工具”转变为“研究伙伴”。
对于AI从业者而言，这意味着什么？首先，大模型的推理能力已经能够触及传统上被认为是人类专家专属的领域。其次，人机协作的模式正在发生根本性变化——人类的角色不再是提供每一个细节，而是设定方向、判断进展、并在关键时刻推动模型突破瓶颈。
而对于开发者和创业者来说，如何构建更好的“AI研究助手”，如何让模型更高效地进行假设生成、验证和迭代，将成为下一个竞争焦点。毕竟，当58个单词就能推翻一个30年的猜想时，传统的科研范式正在被重新定义。