2026 年 7 月 27 日，一位名叫金山木（Shanmu Jin）的医生，在预印本平台上挂出了一篇只有自己署名的论文《The Numerical Range Is a 2-Spectral Set》。
这篇论文给出了克鲁泽猜想（Crouzeix's Conjecture） 的完整证明，宣告这个困扰应用数学与矩阵分析领域 22 年的问题已经被正式解决。
随后几天，猜想的提出者米歇尔·克鲁泽（Michel Crouzeix）本人，以及这个方向上的两位资深学者亚历克斯·汤森（Alex Townsend）、安妮·格林鲍姆（Anne Greenbaum）逐行核验了这份手稿，结论一致：证明成立，22 年的悬案到此为止。
大家可能都想不到，金山木并不是一位全职的专业数学家。
他是北京协和医院的一名在读神经外科住院医师兼博士后，本科学的是地质学，他的高等数学知识完全是他在研究“经颅超声”技术时自学的。
协助他突破这一历史性猜想的，是不间断运行了约16个小时的 GPT-5.6 Sol。
8 天之后，荷兰的两位数学家埃米尔·洛里斯特（Emiel Lorist）与菲利克斯·施温宁格（Felix Schwenninger）在 arXiv 挂出另一份完全独立的证明，全文只有五页；他们也坦言，摸索思路时同样用了 ChatGPT 5.6。
这件事的看点不只在数学本身。它给 AI for Science、代码的形式化验证和工业仿真软件这几个方向，留下了一个可以反复复盘的样本。
外科医生的跨界AI用法
克鲁泽猜想最早由法国数学家米歇尔·克鲁泽（Michel Crouzeix）于2004年正式提出。
任取一个矩阵和一个多项式，把矩阵代入这个多项式，得到的新矩阵最多能把信号放大多少倍，不会超过“同一个多项式在复平面上某一小块区域内取值幅度的最大值”的 2 倍 。
简单说就是：一个极难计算的矩阵问题，其实都能被一个容易计算的平面几何问题“罩住”，而且它们之间的差值最多只是 2 倍。
这个看起来平平无奇的“2倍”，自提出之日起就横在代数与分析学之间，二十多年没人能真正碰到它。
2007年，克鲁泽本人证明了该不等式在常数为 11.08 时成立；2017年，克鲁泽与帕伦西亚（Cesar Palencia）将这一常数推进到了 2.414。
此后的九年里，一些特殊矩阵类上陆续有过局部进展，但在一般情形下，无论换用多复杂的现代分析工具，这个常数都没能再往“2”挪动一步。
直到2026年7月底，金山木医生借助AI改变了局势。
他没有直接向 ChatGPT 5.6 索要答案，通过改装 OpenAI 用于攻克图论重大难题“循环双覆盖猜想”（Cycle Double Cover Conjecture, CDC） 的对抗式多智能体提示词框架，实现了突破。
简单说，他给 AI 立了四条规矩：
断掉外援 ：从物理层面切断联网，不让它去检索这个问题过去的研究，只允许它从已知定理和逻辑出发做纯粹推理，防止它被过去错误的研究误导。
拉宽搜索面 ：同时开出大量并行的子智能体，分头去走代数、结构归纳、复分析等完全不同的路子，早期阶段严禁提前收敛到同一个看起来最诱人的思路上。
内部互审 ：另设一批专门挑刺的智能体，对每条候选路线提出反例。
不许提前收工 ：在拿出一份能经受住严苛逻辑检验的完整证明之前，不允许它交卷。
在这个“数字角斗场”模式中，GPT-5.6 Sol 默默奔跑了整整16个小时。
它想出的办法很简单：旧思路要把无穷多种情形一个个解决，能不能改成只查几个关键位置，这几处全部合格，结论就对所有情形成立？
就像判断一池水干不干净，不必把水抽干逐寸检验，取几处水样化验就够了。这套“取样合格标准”最终突破了22年的难题。
“AI 终结克鲁泽猜想”的误读
这个突破迅速引爆了科技与大众媒体。然而，伴随关注而来的还有大量夸大其词、甚至本末倒置的误读。
首先，这次并非AI 暴力破解了数学
很多媒体将这个破解简单归结为“AI 靠算力暴力破解了顶级问题”，事实上无论是金山木与 Sol 的证明，还是洛里斯特与施温宁格此后发表的五页极简证明，在很多数学家眼中都非常“古典”。
有数学家在拆解之后指出：两篇论文用到的数学工具，全部都是在20世纪80年代就已经完全成熟的复分析与线性代数经典工具。
换句话说，卡住这道题二十多年的从来不是工具，是没人想到从采样和补全这个角度切进去。
其次，这也不是人类当甩手掌柜、AI 碰运气碰出来的结果
也有人觉得这只是运气好，随手敲一句指令就让 AI 吐出了一篇顶级成果。这种说法忽略了两样东西：金山木的跨界自学能力，以及他对提示词工程的理解。
他会盯上这个猜想，起点是自己手上的临床课题。
他研究的“经颅超声”，要让超声穿过厚实的头颅骨，精准聚焦到脑内一个毫米级的靶点上，聚得准能无创治疗帕金森、三叉神经痛；聚偏了，就可能烧伤正常脑组织。
人类的颅骨会把声波折得七零八落，想提前知道能量落在哪里，只能先在电脑里把声场仿真出来，于是他撞上了与工业仿真工程师相同的问题：这个求解器到底跑到第几步，结果才算可信？
医学场景里这件事尤其要紧：误差没有一个说得出口的上限，手术就不敢做。
为了搞清这个上界从哪里来，他一头扎进矩阵分析自学，也正是在这个过程中遇到了悬了 22 年的克鲁泽猜想。
从临床痛点一路追到矩阵分析命题，再把 CDC 猜想那套对抗式提示模板改装到自己的问题上，这条链条缺一环都走不通。
换成外行人随手一问，AI 大概只会原地打转。
AI搞定的不止是工业难题
这件事的影响不止于医学，得从现代工业离不开的一样东西说起——迭代求解器。
在今天，无论是波音飞机的气动外形设计、华为 5G 基站的电磁仿真、抑或是台积电 2nm 工艺的电磁仿真与寄生参数提取，底层算的都是同一件事：一个动辄数十亿维度的复系数线性方程组。
由于矩阵维度过大，传统求解器的计算量会随着矩阵规模呈三次方爆炸，工业界退而求其次，采用以 GMRES（广义最小残差法） 为代表的求解器方案。
于是所有工业仿真软件都要回答同一个老问题：“这个迭代求解器到底要跑多少步，我们才敢停下来？”
停得太早，结果还没算准：飞机的气动仿真会给出错的结论，芯片会漏掉致命的短路。
停得太晚，每多算一步，都在白烧成百上千颗 GPU/CPU 的算力和电费。
更麻烦的是，“何时能停”这事没法靠试出来，真跑完一遍才知道，钱已经花出去了。
所以工程师真正需要的，是一把能在开算之前就估出“误差最多有多大”的尺子。
过去大家用的尺子叫“特征值”。它只对性情温和的矩阵管用，真实工程里描述流体、电磁波的矩阵性格很怪（专业叫“非正常矩阵”），这时特征值的预测会整体失灵，估出来的上限和实际误差可以差出十万八千里。
克鲁泽猜想给的就是这把新尺子。
一位临床医生用几个月的自学和一套精心设计的提示词，让 AI 在 16 小时里走通了 22 年没走通的路，创造的价值会逐渐扩散到众多工业应用中。
这样的机会并不只在数学领域，重新看一遍金山木的故事你会发现，AI时代解决难题不止是高手的特权，能用好AI谁都有机会搞定复杂问题。
这个趋势随着AI能力越来越强，正在向编程、绘画、视频剪辑、动画特效…无数行业扩散。
你现在差的只是有没有人带你把工具链跑通一遍，这正是前哨AI小课一直在做的事情。
从软件开发到AI视频制作，在这里已经准备了AI新手上路的全部教程，如果你想抓住AI时代红利，不妨现在就加入吧。
今晚的AI小课，Tina要带大家上手【如何用 MiniMax 做 MG 动画 / AR / 游戏视频】，以下就是Tina提前制作的案例，如果你也想学会的话记得锁定直播间，今晚8点见。
点击预约，搞定AI视频
热门跟贴