闻乐 发自 凹非寺
量子位 | 公众号 QbitAI
数学界尘封32年的拉姆齐数经典难题被打破！
浙大校友王宜平借助自研AI框架ScaleAutoResearch-Ramsey，成功将拉姆齐数R(3,17) 下界从92提升至93，终结了自1994年以来长期停滞的纪录。
同时他还将R(4,15) 下界刷新至160，成果直接超越谷歌DeepMind同期AlphaEvolve的研究水平。
而且，这次世界级数学突破并没有依赖超级算力集群，仅用Claude Code、Codex+1台CPU服务器就完成全部攻坚，成果已全量开源。
拉姆齐数如果外星人威胁地球，要求我们给R (5,5) 的精确值，人类应动用所有算力；但如果要的是R (6,6)，我们不如直接开战。
数学巨匠保罗・埃尔德什的这句调侃，直接说明了拉姆齐数有多难缠。
作为组合数学的核心难题，拉姆齐数本质上是在寻找“无序中必然出现秩序”的临界值。
R (3,17) 下界用生活化的派对问题来理解就是：
无论派对上的人如何随机社交，总能找到3个互相认识的小圈子（对应数学中的三角形结构），或是17个完全互不相识的人（对应“17点独立集”），这个最小的派对人数，就是R (3,17) 的精确值。
但求解这个数值远比想象中艰难。
如今R (5,5) 的精确值仍卡在43-48的区间，算出R (6,6)还不如向外星人开战……
而R (3,17) 自1994年被数学家Wang-Wang-Yan锁定在92后，全球顶尖团队轮番攻关，却始终无法撼动这一数字，渐渐成了横跨32年的学术僵局。
而且，它的研究成果直接关联图论、算法设计、网络优化等关键领域，从人工智能到通信网络，都能找到它的应用影子，是数学与计算机科学交叉领域的香饽饽。
怎么做到的？王宜平的突破，始于一次“反其道而行之”的尝试。
在此之前，传统方法的思路是：
先构造一张没有三角形的图，再慢慢压缩其中的独立集规模。
但无论算法如何优化，在92个顶点的限制下，独立集始终停留在18个，怎么也压不到16个的目标。
但王宜平换了一条逆向思路：
放弃零三角形的初始要求，先构建一张独立集不超过16个但含少量三角形的图，再通过AI的复合删除修复策略，一点点删掉三角形，同时修复过程中新生的独立集冲突。
他融合了了karpathy autoresearch、AlphaEvolve、拉姆齐数综述等成熟思路，搭建了一套AI自我迭代进化的研究框架，让AI可以不断沿用过往的优质探索结果，往更深、更细的方向持续深挖。
系统会同时启动多组独立智能体，用不同算法、不同初始参数并行搜索图结构空间，有效避免探索陷入局部无解；
全程以结构冲突数为评判标准，把每一次优化出的更好图谱保存下来当作基础模板，后续迭代都在已有优质成果上继续打磨，靠不断沉淀积累逼近最优解，这也是其和谷歌AlphaEvolve最大的区别；
而且所有推演得出的结果都会通过专业核验工具严格筛查，精准校验图中是否存在违规三角形、是否超出独立集数量上限，每一个关键突破节点都有完整核验记录，从根源上保证研究结果严谨可信。
这套AI框架从最初仅含12个三角形的图结构出发，像闯关升级一样逐步推进。
12个、11个、10个……每一步都要平衡“删三角形”和“控独立集”的矛盾，最终在92个顶点上，成功构造出一张完美的图——
既没有三角形，也不存在17个互不相连的点，直接证明了R (3,17)≥93。
这套框架还顺带攻克了R (4,15) 的下界难题，将其从159提升至160。
而就在今年，谷歌DeepMind的AlphaEvolve也只做到了复刻R (3,17) 的旧下界92，没能实现实质性突破。
作者介绍王宜平本科毕业于浙江大学竺可桢荣誉学院，获计算机科学与数学双学位。
现在是华盛顿大学保罗·G·艾伦计算机科学与工程学院博士生。
他现任xAI 技术团队成员，并曾在微软实习。长期研究目标是开发安全、可扩展的超人类AI系统，推动科学进步。
近期研究聚焦于大语言模型的推理强化学习以及AI for Math，同时也涉猎多模态和机器学习理论等领域。
One More Thing除此之外，中科大马杰教授、清华申武杰、中科大谢晟捷团队在拉姆齐数研究中实现78年来首次指数级理论改进。
就在前几天，相关成果发表于数学四大顶刊之一《Inventiones Mathematicae》（《数学新进展》）；
从宏观数学规律层面，显著拔高了拉姆齐数下界的增长阶数，相当于给这类问题的求解划定了更高的理论天花板。
参考链接：
[1]https://x.com/ypwang61/status/2052508685591785619[2]https://github.com/ypwang61/ScaleAutoResearch-Ramsey— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
天创网提示：文章来自网络，不代表本站观点。
