GPT-5在30分钟内攻克量子NP难题，AI推动科学革命新纪元

GPT-5正在彻底改变科学研究的规则！一篇重磅论文披露，「量子版本的NP难题」竟被GPT-5在30分钟内成功解决，而这通常需要人类耗费1至2周时间。按照这种加速趋势，人工智能实现「诺贝尔奖级」科学突破已不再遥远。

近日，GPT-5率先通过「哥德尔测试」，并破解了数学领域的三大猜想，展现了其强大推理能力。

出人意料的是，GPT-5再次突破，在量子计算领域取得里程碑式进展。

量子计算权威专家Scott Aaronson首次发表论文，证实一个长期悬而未决的难题在GPT-5的辅助下被破解。

论文中，Scott深入研究了量子计算的核心问题——QMA复杂度类别，这被视为「量子领域的NP问题」。

关键点在于证明过程中的误差概率能否无限降低，尤其是实现完美完备性。

论文地址：https://arxiv.org/pdf/2509.21131

此前学术界已将误差压至极低水平，但最新研究发现：「双指数级误差」是现有方法的理论极限，无法进一步突破。

在推导关键步骤受阻后，作者向GPT-5寻求帮助。起初，AI提供了错误思路。

但经过约30分钟交互，GPT-5最终提出一个精妙的数学函数，精确分析了特征值行为。

研究证明，这一构想成为论文中最关键的突破点。

在最新博文中，Scott赞叹道，「这思路若出自学生之口，我定会称赞——绝妙至极」！

该难题预估需要人类研究人员1-2周时间才能完成

OpenAI科学家Sebastien和产品负责人Kevin激动转发，称「一场重大变革已拉开序幕」。

量子版NP难题：QMA复杂性的奇点

这篇于25日提交至arXiv的论文，重点研究了量子复杂性类「QMA中黑盒放大的局限性」。

那么，QMA究竟是什么？

QMA，即量子梅林-亚瑟（Quantum Merlin Arthur），可视为NP问题的典型量子版本。

它包含一类决策问题：

如果答案为「是」，Merlin可向Arthur发送一个量子见证态，使Arthur（经多项式时间量子计算后）以至少2/3概率接受；

如果答案为「否」，无论Merlin发送何种见证态，Arthur接受概率至多为1/3。

在复杂性理论中，常数2/3和1/3仅为惯例，可通过放大替换为如1-2⁻ⁿ和2⁻ⁿ等其他值。

该领域一个长期未解的问题是——

QMA是否等于QMA₁，其中QMA₁是QMA的子类，允许协议具有「完美完备性」？

2008年，Scott Aaronson通过实用分析方法，证明存在「量子预言机」，使得QMA≠QMA₁。

这意味着任何证明QMA=QMA₁的尝试，都需要「量子非相对化技术」。

这并非不可逾越障碍，但凸显了问题复杂性。

突破：双指数放大的理论极限

直至今年6月，Freek Witteveen和Stacey Jeffery发表重磅论文，证明QMA协议可通过黑盒方式放大，使完备性误差达到「双指数级小」，即1/exp(exp(n))。

论文地址：https://arxiv.org/pdf/2506.15551

他们采用了一种创新方法：将接受概率编码到量子态振幅中，这些振幅以几何级数递减。

事实证明，QMA这个相识25年的「老朋友」，依然能带来惊喜。

在8月线上会议中，Scott提问：

双指数完备性是黑盒技术的极限吗？能否进一步放大到三指数级小，即1/exp(exp(exp(n)))。

30分钟攻克，GPT-5贡献关键思路

一周后，Scott与Freek合作完成完整证明，表明在黑盒技术下，双指数级小完备性误差已是极限。

换言之，他们将2008年「QMA≠QMA₁」预言机分离结果量化，所得「下界」恰好匹配6月论文的协议。

这项研究最引人注目之处，或许并非量子复杂性本身，而是AI在其中扮演的关键角色。

如前所述，这是Scott Aaronson首篇论文，其主要成果证明中的一个关键技术步骤来自AI辅助。

具体而言，是GPT5-Thinking模型。

当时，作者面临分析一个N×N厄米矩阵E(θ)（如N=2ⁿ），其每个元素均为实参数θ的poly(n)次三角多项式。

需要证明当θ从0变化到1时E(θ)的最大特征值，以证明λₘₐₓ(E(θ))不可能从接近0值开始，然后长时间「停留」在接近1状态，例如接近1/exp(exp(exp(n)))。

针对此问题，若有1-2周时间，Scott和合著者通过查阅文献也可解决。

但他选择了GPT5-Thinking，5分钟后，AI给出一个自信但明显错误的答案。

Scott并未嘲笑AI，而是指出错误所在。GPT5-Thinking思考片刻后，再次尝试提出更好方案。

经过几次迭代，如同与研究生或同事交流，GPT-5最终给出以下函数：

它正确指出，这是一个关于θ次数可控的有理函数，并精准编码了最大特征值λₘₐₓ(E(θ))与1接近程度的相关信息。

令人欣喜的是，该方法有效，无需AI协助即可轻松验证。

Scott认为，或许GPT-5在训练数据中见过类似结构，但若学生提出此方案，他会毫不犹豫称其为「巧妙」。

最后，他回忆道，一年前，使用当时GPT推理模型尝试类似问题，结果远不理想。

如今，是2025年9月，我可以明确告知——

AI已开始真正触及那些最具人类智慧特征的核心工作：证明量子复杂性类之间的预言机分离。

虽然它尚无法独立撰写整篇研究论文，但若研究者清楚目标，AI能帮助摆脱困境，这无疑是绝佳应用场景。

谁知道，这种情况将持续多久？

Scott Aaronson调侃道，「想到此，不禁庆幸自己还有铁饭碗——终身教职」。

参考资料：

https://scottaaronson.blog/?p=9183

https://x.com/SebastienBubeck/status/1972368891239375078

https://x.com/kimmonismus/status/1972399015825203463