1997 年的數學猜想被 AI 解開，這次驗證做全了：機器逐步檢查、三位作者逐行查核；但功勞記錯了模型——解題教授說用的是上一代 5.5 Pro，OpenAI 總裁宣傳成新旗艦 5.6

今日主線

[本週]（原發 07-13，07-29 經放大後本報收錄）解開猜想的不是 lab，是要用它的人：Rutgers 統計教授駕駛 AI 工具鏈，補上「AI 解數學」一直缺的驗證環節

先講事情本身。Rutgers 大學統計系教授 Guanyang Wang 於 07-13 在個人 blog 自述：他用 ChatGPT 5.5 Pro 生成了 1997 年 Kannan–Tetali–Vempala（KTV）猜想的證明（作者 blog，一手）。KTV 猜想是機率論裡懸置近 30 年的問題，問的是一種「隨機交換洗牌」的過程要走多少步才算洗勻的數學界限。這次的流程走了三道驗證：模型生成證明；再用 OpenAI 的程式代理工具 Codex 把證明改寫成 7 到 8 萬行（重構後行數）的 Lean 程式碼——Lean 是一種形式化證明語言，通過檢查等於機器確認每一步推導無誤，但不保證「題目翻譯對了」，也不等於期刊審查；最後由 Wang 與兩位共同作者逐行人工查核，結論是證明成立、而且定理比原猜想更強，成果已上 arXiv（論文，2026-06，附 Lean 程式庫）。作者還主動寫下侷限：模型會漏引文獻，人類必須細讀——這不是自主 AI 研究，是專家駕駛的工具鏈。這件事為什麼值得用力記：三週前 GPT-5.6 上線 48 小時內，OpenAI 圈流傳「64 個 AI 代理一小時證明了懸置 50 年的圖論難題 Cycle Double Cover 猜想」（AINews 當時的彙整，2026-07），放大者同樣是 OpenAI 總裁 Greg Brockman，那個宣稱至今零項通過外部查核。同路線的另一頭，DeepMind 系團隊 2026-05 已示範用「模型生成證明＋Lean 機器驗證」系統性掃數學家 Erdős 留下的開放問題、自主解出 353 題中的 9 題（論文）——跨兩家 lab 的模型都走得通，這不是單一公司現象。

而歸因要單獨記一筆：作者 blog 白紙黑字寫「I used ChatGPT 5.5 Pro to obtain a proof」，Brockman 07-29 放大時卻寫成「5.6 for solving another longstanding open problem」（放大推文）。0.1 個版本號的差距，恰好跨過新旗艦 GPT-5.6 的發布日（2026-07-09）——而解題發生在那之前（2026-06）。

驗證： 解題流程與行數全部出自作者本人一手自述，三位作者查核屬團隊自報；證明未經期刊同行審查，Lean 驗證未經第三方重跑，目前只看到這個來源，方向可信、細節保留。版本歸因一節：Brockman 引推的原文（Wang 本人的 X 貼文）未能直接讀取，不能完全排除作者後續補充用過 5.6，但兩份可讀的一手材料口徑目前就是對不上，本報以作者口徑為準。

判斷更新： 「AI 解了某道數學難題」類新聞，從今天起有一個可用的分類器，問三件事：發起人是誰（獨立學者還是利益方）、有沒有機器可驗的形式化、作者查核了沒——KTV 案三項全過，Cycle Double Cover 案至今零項。同時把版本歸因列入例行核對：功勞被記到新旗艦頭上的這種通膨，會系統性高估最新模型。現況截至本期：證明的期刊審查與 Lean 第三方重跑都還沒發生。

[本週]（07-29）OpenAI 總裁：我們拿自家模型改善自家推理機房，這是價格優勢來源之一

與〈解開猜想的不是 lab，是要用它的人〉合看——同一天、同一個放大者，而且同樣往新旗艦的敘事上靠，評估時用同一把折扣尺。Brockman 07-29 另發推稱，OpenAI 拿 GPT-5.6 Sol 改善自家 production serving 的效率，是「我們能做到這種價格性能比的方法之一」（原推文）。serving 效率指的是推理機房把同樣的硬體榨出更多有效輸出的工程——批次排程、精度壓縮、快取設計——直接決定每個 token 的成本。背景是兩週前他把 GPT-5.6 Sol 的推廣主軸定在「任何任務給你最好的價格」，當時只有口號、公開徵反例，沒說憑什麼做到（定位宣言推文，07-15、價格效率數字推文）；今天算是他自己補了一半答案。這句話值得認真對待，是因為推理效率工程師是行業裡公認的稀缺人才——今年 6 月起，從業者間流傳多起「同樣的 GPU 靠這類工程多服務數十倍用戶」的自報案例，Lamini 執行長 Sharon Zhou 甚至開源了拿 AI 代理優化 GPU 核心程式的工具（Sharon Zhou 的 X；投資人 Nathan Benaich 的轉述，兩者互不相關）。

驗證： 單一來源、利益方自陳、零數字：效率提升幅度、具體做了什麼（排程？精度？快取？）全都沒給，「方法之一」也是自承講法。「有在用」和「用了有效多少」是兩回事，今天只能錨定前者。

判斷更新： 若為真，推理成本競爭的瓶頸會從「搶效率工程師」變成「誰的模型能自己改善自己」——護城河從團隊搬到模型自用權。該盯的訊號：OpenAI 工程端何時給出可核對的數字；在那之前，這條按「利益方宣稱」保留。

[證據更新]（原記錄 2026-01-07，查證完成 07-30）半年前的四個資本槓桿數字全數過了獨立源：一處要修正，還帶回「風險搬家」的新讀數

本報 2026/7/29 期（〈出保的在跌、被保的在漲：同一天、同一則消息，市場其實在按位置分帳〉，存檔）把循環融資的定價儀表指向債市；今天把半年前的一筆舊帳查完，結論同向。半導體獨立研究電子報 Fabricated Knowledge 的 Doug O'Laughlin 在 2026-01-07 的年度展望裡記下「AI 故事拿到槓桿」的四個關鍵數字（原記錄），當時只有這一個來源；今天逐項對表：①OpenAI 向投資人自報、至 2029 年累計現金消耗約 1,150 億美元——是累計預估不是年燒（The Information 原報、CNBC 轉載，2025-09）；②OpenAI 與 Oracle 的 3,000 億美元五年算力合約（2027-2031 執行）確認；③原記錄寫 Oracle「四年借了 1,000 億美元」——查證結果要修正：那是投行 KeyBanc 的分析師估算，履行合約「可能需要」新舉債約 1,000 億（約每年 250 億×4 年），是未來需求不是既成借款，引用一律用「估需舉債」（The Register，2025-09-29，②③同源）；④CoreWeave 的五年期信用違約交換——替它的公司債買的保險，保費越高代表債市認為違約風險越高——從 2025-09-26 的 371 個基點，走闊到 12 月盤中峰值 881（收盤口徑 773），再於 2026-06 回落到約 452（The Next Web）；自盤中峰值計約腰斬（881→452，約 −49%）。

驗證： 四個數字各有獨立於原記錄的來源，這筆記錄從「單一來源轉述」升為「多源核實」；③的口徑修正正是這種查證的價值所在。數據現況必須標明：CoreWeave 的 452 個基點截至 2026-06、Nvidia 的 82 個基點截至 07-27（TradingKey），兩者的今日值都未取。

判斷更新： 兩端擺在一起讀：被兜底的 CoreWeave 信用壓力緩解，出保的 Nvidia 信用壓力創新高——風險沒有消失，是搬家了，從被保方的資產負債表搬到出保方的信用曲線上。監測姿勢因此升級：從盯 CoreWeave 單點，改為 CoreWeave 與 Nvidia 對讀——被保方利差回落不等於警報解除，出保方利差創高才是主訊號。什麼會推翻這個讀法：Nvidia 的信用違約交換年底前回落到 40 個基點附近、且 CoreWeave 續降，就要下修為「虛驚一場」。

供應鏈校準（回顧）：[趨勢觀察]（原發 2026-01）口頭訊號領先研究確認約兩三個月——一個往後直接可用的時滯基準值

還是同一節目（EP630 音檔）：主持人團隊自述，2025 年從 AMD 與 NVIDIA 伺服器的元件用量反推出被動元件與 TLVR 電感（AI 伺服器供電鏈裡的電感元件）將缺貨漲價，當時業內的回應是「根本沒看到漲價」；到 2026 年 1 月，研究報告才開始寫這件事；我們自己的資料庫也要到 4 月才收進正式記錄。從口頭訊號到研究確認，約兩三個月——這個時滯樣本只有兩例（被動元件、TLVR），而且是自述的成功案例、沒列押錯的，選擇偏誤要打折。但配上主持人自己的警語，它反而更完整：「領先半年也沒有用」——資訊太早拿到不代表用得上，行動端還有績效與時間壓力。

驗證： 單一來源的方法自述，n=2、含成功案例選擇偏誤，時滯數字是經驗值不是統計。

判斷更新： 可複用的部分不是「他押對了」，是節奏本身：下次聽到「業內說沒有看到」，該問的不是真假，是還要幾個月。本報自己的引用紀律同款：早期口頭訊號一律當假說收，等報價或報告確認才升級。

也發生了

• [趨勢觀察]（原發 2026-01）台美對等關稅 15% 且不疊加、取得 232 條款（美國以國安理由課關稅的法條）調查下的最惠國待遇；所謂「5000 億赴美投資」拆開是 2500 億民間投資＋2500 億政府信用保證，幣別逐字稿未寫明、依上下文應為美元（股癌 EP628，2026-01-17）。僅此一個來源的市場側理解、半年來條件可能已變，故不展開。
• [趨勢觀察]（原發 2026-01）被動元件漲價自中國廠擴散到台系並獲客戶接受；機制是 AI 伺服器拉高規格、日系廠主供高階、中低階訂單外溢到台系與中系（股癌 EP627，2026-01-14）。與本報資料庫既有的漲價記錄同向，故只記一行。
• [趨勢觀察]（原發 2026-01）AI 儲存系統廠（Pure Storage、NetApp）股價受壓，主持人的歸因是 NAND 漲價吃毛利、而非需求不佳——同一條供應鏈上游吃暴利、中游吃成本，需求進來不等於獲利進來（股癌 EP630，2026-01-24）。單源歸因判斷，待財報驗證，故不展開。

過去洞見

[趨勢觀察]（原發 2023）三年前的預測對了幾成：把 2023 年的原始訪談翻出來逐條判分

「誰說得準」不能只靠印象，要回原典判分。本報今年 7 月初把 2023 年的一批原始訪談收進資料庫對表，三年後的成績單有三份最有教育意義。OpenAI 共同創辦人、首席科學家 Ilya Sutskever 2023-03 的訪談（Dwarkesh Patel 播客原集）命中得驚人：「若 2030 年 AI 的經濟影響令人失望，唯一原因會是可靠性」——可靠性與長時間任務正是 2026 年營收解鎖的主軸；「模型允許出聲思考時推理好得多」——就是後來的推理模型。他失分的兩條同樣有價值：「TPU 和 GPU 幾乎是同一種東西」低估了自研晶片的戰略分量，「硬體不是限制」在 2023 年的研究視角成立、到 2026 年全行業供給受限完全反轉。GitHub 前執行長 Nat Friedman 同月的訪談（原集）是半對半錯的範本：他判斷「GPT-4 成本比 GPT-3 高兩個數量級但能力顯然沒有——我們在 S 曲線的漸近段」，純預訓練這條軸上他是對的，但整體能力曲線沒有停——因為軸換了（強化學習、思考時間）。半導體分析師 Dylan Patel 2023-01 的微影管制分析（SemiAnalysis 原文）則是回測裡命中度最高的單篇：「只禁 EUV 擋不住中國，DUV 多重曝光在物理上可達 7 奈米，只是貴」——三年後成為現實。

判斷更新： 2023 那一代預測者的共同錯誤，不是看錯手上那條曲線，是低估了「換一條曲線」的可能。這條教訓已寫進本報自己的校準規則：評判斷力看的是逐條判分的紀律，不是單次命中。