Fable 5 与雅可比猜想：AI 真正做了什么

太长不看: 关于“Fable 5”推翻已有 87 年历史的雅可比猜想的病毒式传闻具有误导性。没有任何 AI 模型解决了这个问题；该新闻源于一位数学家使用 LLM 探索一个特定反例，针对的是相关多项式映射猜想，而非完整的雅可比猜想。我们将澄清数学原理、AI 的实际作用，以及如何通过开放模型 API 运行类似实验。

“Fable 5”与雅可比猜想究竟发生了什么？

简短回答：没有 AI 推翻雅可比猜想。 2025 年初在社交媒体上传播的新闻标题，指的是一个实验中数学家使用 LLM（昵称“Fable 5”）为一个较弱版本的问题构思反例。雅可比猜想本身——即具有非零常数雅可比行列式的多项式映射是否总是具有多项式逆——仍然悬而未决。

混淆源于这位数学家的工作触及了一个特定的多项式映射，该映射在特定条件下不具有多项式逆。这是该领域中已知类型的反例，并非对一般猜想的否定。LLM 帮助比手动计算更快地生成和测试候选函数，但数学洞见来自人类研究者。

以下是关键区别：

• 雅可比猜想（未解决）： 对于所有具有非零常数雅可比行列式的多项式映射 F: Cⁿ → Cⁿ，F 具有多项式逆。
• AI 探索的内容： 一个特定映射，违反了相关条件（例如“Furter”或“Keller”变体），表明猜想的假设不能轻易放宽。

这一点很重要，因为该故事被解读为“AI 解决数学问题”，夸大了 LLM 的作用。该模型充当了假设生成的加速器，而非证明者。

数学家如何使用 LLM？

工作流程是：用 LLM 生成候选多项式映射，然后用符号计算检查其雅可比性质。 这是你可以用任何现代 LLM API 复现的模式，包括通过 TokShop 提供的那些。

研究者可能使用了类似这样的提示：

import openai

client = openai.OpenAI(
    base_url="https://tokshop.xyz/v1",  # OpenAI 兼容端点
    api_key="sk-tok-..."  # 你的 TokShop 密钥
)

response = client.chat.completions.create(
    model="deepseek-v3.2",  # $0.42/M 输入，$0.63/M 输出
    messages=[
        {"role": "system", "content": "你是一位研究数学家。生成多项式映射 F: C^2 -> C^2，其雅可比行列式为常数 1，但 F 不可逆。"},
        {"role": "user", "content": "给我 5 个具体的显式多项式例子，并解释每个例子为何没有多项式逆。"}
    ]
)
print(response.choices[0].message.content)

LLM 在这里的价值在于建议的广度，而非证明。它可以快速提出数十个候选映射，然后数学家使用 SageMath 或 Mathematica 等工具进行验证。病毒式故事中的“几小时”时间线之所以合理，正是因为 LLM 压缩了搜索阶段，而非验证阶段。

LLM 在数学反证方面的局限性是什么？

LLM 无法可靠地证明或否定猜想；它们只能提出和总结。 雅可比猜想是关于无限映射族的一个陈述，需要全称量化——这是当前 LLM 无法直接处理的。它们缺乏：

• 形式验证： 无法保证生成的“证明”在逻辑上成立。
• 反例穷尽性： LLM 无法检查一个族中的所有可能映射。
• 自我纠正： 它们可能自信地陈述虚假的“事实”（幻觉）。

然而，它们擅长：

• 模式识别： 提出类似于已知反例的构造。
• 文献综合： 总结自 1939 年以来的尝试。
• 代码生成： 编写符号计算脚本以测试候选。

具体到雅可比猜想，真正的数学进展仍然来自人类。AI 的角色类似于一个非常快但略不可靠的研究助理。

我可以用开放模型 API 运行类似的数学实验吗？

可以，而且成本很低。 TokShop 提供多种适合此类探索性工作的模型。对于数学推理密集型任务，你需要一个具有强大符号操作能力的模型。以下是相关选项的比较：

模型	输入 $/M	输出 $/M	上下文	最适合
DeepSeek V3.2	$0.42	$0.63	128K	预算探索，代码生成
GLM 4.6	$0.90	$3.30	200K	长文推理，复杂提示
Kimi K2	$0.855	$3.45	131K	均衡性能，数学推理
Qwen3 Coder	$2.25	$11.25	262K	重代码 + 符号计算

对于雅可比式实验，你可以使用 DeepSeek V3.2 生成候选映射（便宜、快速），然后切换到 Qwen3 Coder 编写验证脚本（其更大的上下文处理长符号输出）。探索 50 个候选映射的会话总成本将低于 $0.50。

一个实用的工作流程：

# 步骤 1：生成候选映射（便宜模型）
curl https://tokshop.xyz/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-tok-..." \
  -d '{
    "model": "deepseek-v3.2",
    "messages": [{"role": "user", "content": "列出 10 个多项式映射 F: R^2 -> R^2，det(JF)=1，可能不可逆。"}]
  }'

# 步骤 2：用符号计算验证（通过 Qwen3 Coder 编写代码）
curl https://tokshop.xyz/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-tok-..." \
  -d '{
    "model": "qwen3-coder",
    "messages": [{"role": "user", "content": "编写 Python/SymPy 代码检查 F(x,y)=(x+y^2, y) 是否有多项式逆。"}]
  }'

关键洞见：你使用 LLM 进行假设生成，而非证明。 验证必须在确定性符号数学软件中完成。

对于“AI 解决数学问题”的标题，你应该相信什么？

对任何“AI 推翻猜想”的声明保持极度怀疑。 雅可比猜想的故事是科学传播失误的典型案例。实际研究可能产生了一个新颖的例子，阐明了某些证明策略为何失败——这很有价值——但这不是否定。

当你看到此类标题时，问：

1. 结果是否经过同行评审？（在这种情况下，没有——这是一个预印本/实验。）
2. 它是否针对完整猜想还是变体？（几乎肯定是变体。）
3. AI 的实际贡献是什么？（通常是：搜索加速，而非证明。）

对于在职数学家，LLM 正成为有用的工具。但它们不会取代人类对开放问题的推理。雅可比猜想仍未解决，病毒式故事歪曲了这项工作。

如果你想自己探索，可以使用 TokShop 的 API 运行类似实验。定价透明——你只为使用的 token 付费，无需订阅。查看定价页面了解当前费率，或阅读文档获取 API 详情。从 DeepSeek V3.2 开始进行廉价探索，仅在需要更深推理时升级到更大模型。

常见问题

Fable 5 真的推翻了雅可比猜想吗？

没有。雅可比猜想仍然悬而未决。病毒式故事描述的是数学家使用 LLM 探索相关问题的反例，而非对完整猜想的否定。

LLM 能做形式化数学证明吗？

不可靠。当前 LLM 生成听起来合理的文本，但缺乏形式验证。它们最适合用于假设生成、代码编写和文献综合——而非产生严谨的证明。

使用 TokShop 运行数学实验需要多少费用？

非常少。使用 DeepSeek V3.2 每百万输入 token $0.42，生成 50 个候选多项式映射的会话可能花费不到 $0.10。即使包含验证代码的重型会话也很少超过几美元。