OpenAI内部模型确定Cohn-Elkies球堆积线性规划的精确衰减率

TL;DR. OpenAI内部模型取得了一组横跨数学与理论计算机科学的成果。核心结果精确确定了Cohn-Elkies球堆积线性规划的指数衰减率，这是1978年以来一般球堆积指数的首次改进。

核心要点

这组成果是什么，为什么有一个结果格外突出. 文件的开头很低调。它展示了一个OpenAI内部模型取得的一组结果，并说这些结果横跨数学与理论计算机科学。这是对来源和范围的描述，并没有说明模型是如何使用的，也没有说明它的输出是如何检验的。这些问题很重要，但这里概括的资料没有给出答案，所以本文也不会假装有答案。这些主张能够支持的，是一份所述结果的清单。这份清单足够长，所以有意思的问题不在于其中某一项是否令人印象深刻，而在于为什么其中一项最值得关注。.
Cohn-Elkies规划及其给出的上界. 球堆积问题问的是，互不重叠的球能以多大的密度填满空间。文件为此确定了记号。当球心之间的距离至少为1时，∆d是Rd中半径为1/2的球的上密度的上确界。换句话说，∆d表示Rd中的最大球堆积密度。这组成果第一章中的一切都以这个量为基准来衡量。.
这个框架此前已经取得的成就. 在转向新定理之前，值得具体说明傅里叶分析的线性规划框架此前已经带来了什么，因为新结果在一定程度上是在说明这个框架还能走多远。.
主定理. 文件的主定理证明了那篇2020年论文中猜想3.1和猜想3.2所猜想的指数衰减率。按主张所能支持的层面来说：作者们精确确定了Cohn-Elkies球堆积线性规划的指数衰减率。用资料的话说，这个规划的渐近强度被精确确定了。.

OpenAI内部模型取得的一组数学成果确定了Cohn-Elkies球堆积线性规划的渐近强度，给出了1978年以来对一般球堆积指数的首次改进，并同时给出了与之精确匹配的下界。

这组成果是什么，为什么有一个结果格外突出 #

文件的开头很低调。它展示了一个OpenAI内部模型取得的一组结果，并说这些结果横跨数学与理论计算机科学。这是对来源和范围的描述，并没有说明模型是如何使用的，也没有说明它的输出是如何检验的。这些问题很重要，但这里概括的资料没有给出答案，所以本文也不会假装有答案。这些主张能够支持的，是一份所述结果的清单。这份清单足够长，所以有意思的问题不在于其中某一项是否令人印象深刻，而在于为什么其中一项最值得关注。

原因在于，球堆积结果是这组成果中唯一一个在一项历史悠久、广为人知的研究计划中填补定量缺口的结果。其他结果本身也很引人注目。一个显式的非sofic群回答了一个长期存在的问题。对Connes猜想的否证了结了一位知名数学家提出的问题。但球堆积结果位于一条链条的末端：它从一个傅里叶分析框架出发，经过个别维度上两个著名的精确解，一直通向一个多年悬而未决的高维问题。要理解这个结果，就必须理解这条链条。

因此，下文的大部分内容关于Cohn-Elkies线性规划：它是什么，人们原先对它知道些什么，新定理说了什么，以及论证中符号不确定性的一侧是如何搭建的。随后的简短一节再概览这组成果中的其余结果，每一项都按所述内容呈现，不作进一步引申。

Cohn-Elkies规划及其给出的上界 #

球堆积问题问的是，互不重叠的球能以多大的密度填满空间。文件为此确定了记号。当球心之间的距离至少为1时，∆d是Rd中半径为1/2的球的上密度的上确界。换句话说，∆d表示Rd中的最大球堆积密度。这组成果第一章中的一切都以这个量为基准来衡量。

Cohn-Elkies规划给出∆d的一个上界。它的最优输出记作LPd，定义为该规划所提供的最优密度界。其机制是Gorbachev–Cohn-Elkies界，它为一个名为Ad的函数类中的每个f赋予密度上界vd f(0)/(2d f̂(0))。用文字来说，就是从容许类中选一个辅助函数f，计算它在原点的值以及它的傅里叶变换在原点的值，再结合体积和缩放因子构成这个比值，所得结果便从上方界定了堆积密度。线性规划要寻找的，是使这个上界尽可能小的f。

在这个框架里，全部难点都在于如何选好f。巧妙选择的函数给出紧的上界，选得不好的函数给出的上界较弱，但仍然成立。这正是新结果中的匹配下界如此重要的原因。它一次性地对所有容许函数作出论断，把寻找更好函数的搜索变成了一个已有定论的问题。

这个框架此前已经取得的成就 #

在转向新定理之前，值得具体说明傅里叶分析的线性规划框架此前已经带来了什么，因为新结果在一定程度上是在说明这个框架还能走多远。

Viazovska利用这个框架证明了E8格在八维中给出最优堆积。随后，Cohn、Kumar、Miller、Radchenko和Viazovska确立了Leech格在二十四维中的最优性。这些是单个维度上的精确结果，也是这个框架的声誉超出其作为界定工具这一角色的原因。在两个特定的维度上，它达到了真正的答案。

高维的图景则模糊得多。Cohn和Zhao证明了线性规划总是至少和Kabatianskii–Levenshtein球面码界一样强。这是一个有用的保证，因为Kabatianskii–Levenshtein界一直是已知最好的一般指数。但“至少一样强”留下了两种可能：这个规划可能恰好与该指数相等，也可能超过它。文件直接写明了其后果：线性规划能否改进经典的高维球堆积指数，一直是一个悬而未决的问题。

Afkhami-Jeddi、Cohn、Hartman、de Laat和Tajdini猜想了线性规划的高维衰减率。这个猜想是一个带有保留的对象，资料也是这样对待它的。它是一个猜想，得到作者们所掌握的证据的支持，但没有人证明过它。新结果改变了它的地位。

主定理 #

文件的主定理证明了那篇2020年论文中猜想3.1和猜想3.2所猜想的指数衰减率。按主张所能支持的层面来说：作者们精确确定了Cohn-Elkies球堆积线性规划的指数衰减率。用资料的话说，这个规划的渐近强度被精确确定了。

从资料中可以直接得出两个推论。第一个是高维中一般堆积上界的改进。第二个是相应的傅里叶符号不确定性问题在渐近意义上得到解决。这两个推论性质不同。一个关于几何，另一个关于分析，而同一个定理同时带来两者，这一事实是第一个线索，表明球堆积问题和不确定性问题是同一结构的两个侧面。

资料还把这项成就放在历史中衡量。它把这一结果描述为1978年以来对一般球堆积指数的首次改进。经典的Kabatianskii–Levenshtein指数是0.59905576...，这个数字一直是基准。文件记载，后来的球面码改进只改进了低阶因子。换句话说，就指数本身这个主阶的量而言，一直没有任何变化。

我认为，用这种方式来评估这一结果是正确的。低阶改进调整的是常数和多项式因子，而指数衰减率保持不变。指数的改进则改变衰减率本身。这些主张恰好支持这一区分，也支持此前的改进都落在低阶一侧这一说法。

维度 / 框架	经典基准（1978年）	Cohn-Elkies线性规划	新模型的证明
球堆积指数	Kabatianskii–Levenshtein界：0.59905576...	至少和球面码界一样强（Cohn–Zhao）	证明了Afkhami-Jeddi等人（2020年）猜想的精确渐近衰减率
上界的最终性	仅有低阶因子的改进	高维渐近缺口是悬而未决的问题	精确匹配的下界：任何辅助函数都无法超越这一衰减率
傅里叶符号不确定性	分开的符号界（$A^+(d) < A^-(d)$）	与反自傅里叶测试函数相联系	渐近解决；符号不确定性由梅林反射支配
纠错码	经典的球面码与二元码上界	与堆积上界渐近耦合	所有固定距离参数下都有指数级因子改进
方法的天花板	多项式因子的数值优化	辅助测试函数 $f \in \mathcal{A}_d$ 的优化尚无定论	证明了数学天花板：进一步的改进需要非Cohn-Elkies的方法

为什么匹配的下界改变了问题 #

单凭上界的改进就已经是好消息。真正让这一结果格外具有终结性的，是后半部分。匹配的下界表明，任何Cohn-Elkies辅助函数都无法改进这个指数。

想想这对研究计划意味着什么。在这一结果之前，一个对构造辅助函数有更好想法的研究者，有一条通向更好球堆积指数的可信路径。在这一结果之后，这条路在指数层面上被封死了。指数上的任何进一步进展都必须来自Cohn-Elkies框架之外，因为在框架之内，衰减率如今已是精确的。

我不想夸大这一点。这些主张并没有说新指数就是真正的球堆积指数，也没有说球堆积本身不能做得更好。这一论断关于的是线性规划：它的指数已被确定，改变辅助函数无法超越它。另一种技术能否超越它，是这些主张没有涉及的问题。这是一条清晰的边界，而这种边界恰恰告诉一个领域下一步该往哪里看。

对于关心精力投向何处的读者，这里还有一种商业化的解读。一个方法的已知精确天花板是有用的信息。它告诉你该停止在这个方法内部做优化了。对任何分配研究时间的人来说，从“也许能改进”到“不能改进”的转变，与一个不大的正面结果同样有价值。

球面码与二元码 #

这组成果并没有止步于堆积。固定距离的二元码和球面码的经典上界，在所有参数下都改进了指数级因子。这句话带有一个很强的量词。改进是指数级因子的改进，而且对所有参数成立，这比在某个有利区间内的改进要宽泛得多。

它还与第1章相连。球面码构造也重新得到了第1章的球堆积指数。于是两条线索连接了起来：编码一侧的构造重现了堆积一侧的指数。这些主张没有详细说明这种重现的机制，我也不会编造一个。它们确立的是，这种关系沿这个方向成立，即球面构造给出了与堆积一章相同的指数。

鉴于上文的历史，值得回顾一下这种联系为什么重要。Kabatianskii–Levenshtein球面码界是线性规划的比较基准，而Cohn和Zhao的定理说，规划总是至少一样强。新结果既改进了编码界，也改进了堆积界，而且是通过一个回到堆积指数的构造做到的。两侧是一起被推动的。

符号不确定性问题 #

主定理的第二个推论关于傅里叶符号不确定性，文件给出的定义足以勾勒出它的轮廓。

对一个函数g，r(g)定义为使得当|x| ≥ R时g(x) ≥ 0的R ≥ 0的下确界。通俗地说，r(g)是这样一个半径：在它之外，g处处非负。当不存在这样的半径时，r(g) = ∞。不确定性问题关心的是，对于与自身傅里叶变换具有某种规定关系的函数，这个半径能做到多小。

这种关系是一个符号。条件ĝ = ςg把一个函数与它的傅里叶变换在相差一个符号的意义上联系起来。符号+1和−1分别给出原始的不确定性问题和互补的不确定性问题。Cohn和Gonçalves引入了反自傅里叶的对应物，也就是互补问题，并把它与球堆积联系了起来。这一联系正是球堆积结果得以在渐近意义上解决不确定性问题的桥梁。

互补问题并不是纯分析中的奇珍。在无自旋的模自举中，模S反对称性产生反自傅里叶测试函数，其最终的符号控制着谱隙。资料在这一点上引用了Hartman、Mazáč和Rastelli，以及Afkhami-Jeddi等人的论文。因此，一个起初关于函数及其变换的问题，也出现在一个听起来颇具物理色彩的场景中，即谱隙。这些主张没有超出这一句话的机制，我也不会，但它提醒我们，不确定性问题在球堆积之外也有同伴。

附录A补充了两个问题之间的比较。它指出，对所有d都有A+(d) < A−(d)。这是在说两个问题在每个维度上都不同，而且第一个量严格小于第二个量。这些主张没有给出进一步的解释，而这个不等式之所以值得一提，仅仅因为它对所有d都无例外地成立。

论证内部：平均、消失与质量估计 #

文件中包含若干技术性的陈述，让人能感受到不确定性分析是如何搭建的。它们是片段，我也会把它们当作片段来呈现，但合在一起，它们勾勒出一种方法。

先从对称性说起。旋转平均是用O(d)上归一化的哈尔测度来定义的。把一个函数对旋转取平均，就得到一个径向函数，这样做的目的是在不破坏约束的前提下简化问题。资料说，旋转平均保持问题约束列表（编号为(2)）中的每一个符号条件。它还补充说，如果ĝ = ςg，那么r(Rg) ≤ r(g)，其中Rg是g的旋转平均。所以平均永远不会让符号半径变差。此外，按资料的说法，只要g ≠ 0最终非负，就有Rg ≠ 0，因此平均不会抹掉一个在远处具有正确符号行为的函数。

这三个事实合在一起，证明了化归到径向函数是合理的。这种化归在半径上没有任何代价，它保持符号条件，也不会把函数压缩为零。这是标准对称性论证的形态，而这些主张逐一确认了它的每个组成部分。

接下来是原点。函数g = h − ĥ在原点处消失。这是那种在证明中发挥大作用的小事实，因为Cohn-Elkies界直接涉及原点处的值，而一个在那里消失的函数，其行为与不消失的函数不同。资料还记录了一个相关的修正步骤：修正后的函数gn满足gn(0) = 0，并且在L1中gn → g。也就是说，一列各自在原点消失的修正函数，在L1的意义下收敛到g。这使得论证可以使用恰好满足原点条件的函数，同时仍然逼近目标函数。

然后是一个定量约束。质量估计迫使1/a ≥ (1/π − o(1))√d。这些主张没有定义a，所以我无法说它衡量的是什么，也不会去猜。可以说的是结论的形式：这是关于1/a的一个下界，它像维度的平方根那样增长，常数为1/π，修正项趋于零。维度的平方根这种尺度，对高维几何来说看上去是一个自然的大小，但那只是我对表达式形式的观察，这些主张并没有把它当作一种机制来断言。

梅林变换的图景 #

文件中还出现了工具箱里的另一件工具，它最清楚地解释了为什么径向傅里叶分析在这里易于处理。经过梅林变换之后，径向傅里叶变换会反射梅林变量。这是关于一个变换如何作用的简洁陈述。径向函数的傅里叶变换通常是一个积分算子，直接推理起来很棘手。它变成了梅林变量上的一次反射。反射几乎是最简单的算子了。

同一段落还记录了另一侧的一个分析条件。g的施瓦茨衰减给出Φg在v → +∞时的快速衰减。这里Φg是在梅林分析中得到的对象，v是它的变量。这种搭配很有启发：反射性质处理结构，施瓦茨衰减处理无穷远处的控制。这种风格的证明两者都需要，因为没有衰减的结构会留下可能不收敛的积分，而没有结构的衰减则什么也算不出来。

文件还指出，Sd是单位球面的面积，在把径向积分在球面和直线之间转换时，它作为归一化因子出现。这是一个定义层面的要点，而正是这类簿记决定了最终上界中的常数能否算对。

我想说清楚这些片段是什么。它们不是证明。这些主张给出的是陈述，而不是推导，任何读者都不应据此重建完整的论证。它们表明的是，这一分析结合了对称化归、原点条件、定量的质量估计，以及一个在变量替换后作用变得简单的变换。对于傅里叶分析的极值问题来说，这种组合是常规的，这反而让最终结果的精确性更加值得注意，而不是更不值得注意。看起来很标准的工具，就足以得到一个锐利的答案。

这组成果的其余部分 #

球堆积一章只是文件的一部分，其余结果也值得公正地加以介绍。每一项都按主张给出的原样在此陈述。

在群论中，构造了一个显式的非sofic群，回答了是否每个可数群都是sofic群这一长期存在的问题。证明把Kun以及Kun–Thom的工作与一个组合的扩张图匹配论证结合起来，并借助二元Leavitt代数和Thompson群V来实现。“显式”一词在这里很有分量：这个结果是一个构造，而不是一个存在性论证。

在算子代数中，构造了无穷多个两两不同构、具有性质(T)的群，它们具有相同的群冯·诺依曼代数。这否证了Connes猜想，并回答了Popa提出的一个相关的有限对一问题。一个构造解决了两个知名的问题。

在算术复杂性中，文件给出了积和式的下界。无除法电路需要Ω(n² log log n)个门，而公式需要Ω(n⁴ / log n)片叶子。这是针对两种计算模型的两个界，文件把它们并列给出。

在量子信息中，对每一个有限的双人纠缠博弈都证明了指数级的并行重复。资料说，这把经典的重复原理推广到此前处理过的量子博弈特殊类别之外。量词再次引人注目：每一个有限的双人纠缠博弈，不限于某个特殊类别。

在近似困难性方面，一个从3SAT出发的直接归约给出了欧几里得最近向量问题的n^(1/400)因子困难性，并对二元译码和其他格范数有相关推论。指数1/400很小，我宁愿照原样报告，也不愿加以粉饰。这些主张称这一归约是直接的，并附上了关于二元译码和其他范数的推论。

在凸几何中，对于重心是其唯一内部格点的凸体，在每个维度上都证明了锐利的体积上界(n + 1)^n / n!。锐利性和对所有维度的普遍性都是主张的一部分。

在拉姆齐理论中，一个新的超指数下界表明Rk(3)以k^Θ(k)的速度增长。在极值图论中，若干独立的二部图构造否证了两个猜想：Erdős和Simonovits的紧性猜想，以及Erdős的一个退化度猜想。

把这组成果作为整体来读 #

把这份清单当作一个奖杯陈列柜很容易，所以值得说明从中能得出什么、不能得出什么。

可以说的是，文件报告了至少八个领域的结果，其中若干被描述为回答或否证了知名猜想，而球堆积一章附有一个匹配的下界，使其结果在该框架内具有终结性。涉及的猜想冠以Connes、Popa、Erdős和Simonovits之名，而球堆积衰减率是由Afkhami-Jeddi、Cohn、Hartman、de Laat和Tajdini猜想的。解决知名问题的结果很容易评估，因为问题是在答案出现之前就提出的。

仅凭这些主张不能说的，是关于模型如何工作、需要多少次尝试、输出如何检验，或者与人类的努力相比如何的任何事情。资料说这些结果是由一个OpenAI内部模型取得的，而主张就止于此。想把这组成果作为机器数学的证据来衡量其意义的读者，需要这些主张所不包含的信息。我会抵制用听起来合理的叙述来填补这一空白的诱惑。

尽管如此，仍有一个值得采取的立场。这些结果在技术上是异质的：非sofic群用到二元Leavitt代数和Thompson群V，球堆积结果用到傅里叶分析和梅林变换，最近向量困难性用到从3SAT出发的归约。一组横跨如此广阔技术领域的成果，不是把同一个技巧反复套用的产物。无论产生这些结果的是什么，它都在多种数学方言中运作，而这些主张至少支持这一点。

对各行业的意义 #

高维Cohn-Elkies衰减率的精确确定以及随之而来的数学成果，影响着若干理论与应用计算领域。

纯数学与离散几何 #

对于从事高维几何和调和分析的数学家来说，Cohn-Elkies衰减率的精确确定改变了研究格局。由于匹配的下界证明了 $\mathcal{A}_d$ 中的任何辅助函数都无法超越新指数，研究者可以停止在经典线性规划框架内寻找更好的径向测试函数。今后要想获得更密的球堆积或更紧的普适上界，就必须探索非线性规划技术、高阶半正定层级，或截然不同的几何构造。

密码学与基于格的安全 #

基于格的密码构成了ML-KEM和ML-DSA等后量子标准的核心，它在很大程度上依赖于这样一个猜想：在高维欧几里得格中寻找最短向量或最近向量是困难的。从3SAT出发的直接归约确立了欧几里得最近向量问题（CVP）的 $n^{1/400}$ 因子困难性，再加上对球堆积和球面码更紧的指数天花板，这巩固了支撑最坏情形到平均情形格归约的理论基础，同时不会削弱具体的安全参数。

自动定理证明与基础模型 #

对于开发推理系统和自动定理证明器的研究团队来说，这组成果的广度和技术深度提供了一个引人注目的基准。内部模型并非生成已知证明的合成变体，而是处理了横跨群论（借助Thompson群V构造显式的非sofic群）、算子代数（否证Connes猜想）和算术复杂性（积和式下界）的开放问题。它表明，只要验证和证明检查保持严格，神经网络架构就能驾驭深入的傅里叶分析和组合匹配。

结论 #

Cohn-Elkies球堆积线性规划精确衰减率的确定，为几何分析中的一个重要篇章画上了句号。通过证明Afkhami-Jeddi、Cohn、Hartman、de Laat和Tajdini的2020年猜想，并确立1978年以来对一般球堆积指数的首次改进，这项工作建立了一条不可动摇的数学基准线。由于匹配的下界确认任何Cohn-Elkies辅助函数都无法带来进一步的指数级收益，这一定理既确定了线性规划的渐近强度，也把高维几何的未来引向全新的分析视野。

常见问题 #

Kabatianskii–Levenshtein界有什么意义？

Kabatianskii–Levenshtein界确立于1978年，它为高维球堆积密度给出了0.59905576...的渐近上界指数。此后四十多年里，后续的改进只改进了低阶代数因子，主导的指数衰减率在这一结果出现之前始终未被触动。

为什么匹配的下界如此关键？

仅有上界只能说明线性规划能达到什么，而匹配的下界证明，在Cohn-Elkies容许类A(d)中无论选择哪个辅助函数f，都无法得到更小的指数。这为线性规划框架本身设定了一个绝对的天花板。

傅里叶符号不确定性问题与球堆积有什么关系？

Cohn和Gonçalves证明，互补的傅里叶符号不确定性问题（即g_hat = -g的情形）与球堆积上界紧密耦合。通过旋转平均和梅林变换的反射，Cohn-Elkies规划的渐近解直接解决了傅里叶符号不确定性问题。

这一结果会危及基于格的密码吗？

不会。这一定理使高维中球能堆积多密的上界更加锐利，并确立了最近向量问题的 $n^{1/400}$ 因子困难性，但它并没有提供多项式时间的格约化算法。实用的格密码系统在已知的量子攻击和经典攻击面前依然安全。

参考文献 #

Nima Afkhami-Jeddi et al., (2020). 高维球堆积与模自举 ⧉. Journal of High Energy Physics.
Henry Cohn and Noam Elkies, (2003). 球堆积的新上界 I ⧉. Annals of Mathematics.
Henry Cohn and Felipe Gonçalves, (2019). 傅里叶分析中的最优不确定性原理 ⧉. PNAS.
Henry Cohn and Yufei Zhao, (2014). 通过球面码得到的球堆积上界 ⧉. Duke Mathematical Journal.
G. A. Kabatianskii and V. I. Levenshtein, (1978). 球面上与空间中堆积的上界 ⧉. Problems of Information Transmission.
Maryna S. Viazovska, (2017). 八维中的球堆积问题 ⧉. Annals of Mathematics.

最近审阅 2026-10-05.

最近审阅 2026-10-27.

重新发布本文

OpenAI内部模型确定Cohn-Elkies球堆积线性规划的精确衰减率 — Sebastien Rousseau

OpenAI内部模型取得了一组横跨数学与理论计算机科学的成果。核心结果精确确定了Cohn-Elkies球堆积线性规划的指数衰减率，这是1978年以来一般球堆积指数的首次改进。

本文采用以下许可协议 Creative Commons Attribution 4.0 International. 重新发布需注明原始 URL 出处。

OpenAI内部模型确定Cohn-Elkies球堆积线性规划的精确衰减率 — Sebastien Rousseau

OpenAI内部模型取得了一组横跨数学与理论计算机科学的成果。核心结果精确确定了Cohn-Elkies球堆积线性规划的指数衰减率，这是1978年以来一般球堆积指数的首次改进。

Originally published at https://sebastienrousseau.com/zh-hans/2026-10-05-openai-neibu-moxing-queding-cohn-elkies/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER