一則塞得進單一則社群貼文的式子，推翻了一個被相信 87 年的數學猜想。2026 年 7 月 19 日深夜（多數報導繫於 7 月 20 日），任職於 Anthropic 的數學家 Levent Alpöge 在 X 上丟出一組三變數多項式映射，說 Jacobian 猜想是錯的——而這組式子，是他用 Claude Fable 5 找出來的。接下來幾小時，世界各地的數學家各自用電腦代數系統驗算，全部通過；隔天，Imperial College London 的 Paul Lezeau 就把它形式化成 Lean 程式碼，送進 Google DeepMind 的 Formal Conjectures 儲存庫。
先把我要下的判斷放最前面：這件事真正的意義不是「AI 比數學家強」，而是 AI 在數學裡的角色，正從「幫你算」變成「幫你翻人類直覺根本不會去翻的角落」。 但它最誠實、也最讓人不安的一面是——AI 給了答案，卻說不出為什麼是這個答案。
Jacobian 猜想是什麼？為什麼卡了 87 年
先用白話講。想像一台機器，你丟進三個數字，它照一組固定的多項式規則吐出三個數字。數學家關心的是：這台機器能不能「倒著轉回去」——看到輸出，就能唯一還原出當初丟進去的是什麼。
Jacobian 行列式，可以粗略理解成「這台機器在每個位置把空間拉伸或壓縮了多少倍」。如果這個倍率在每一點都是同一個非零常數，直覺上代表機器從來沒有把空間壓扁、也沒有在任何地方摺疊，那它「應該」就是可逆的。這就是 Jacobian 猜想的主張，由 Ott-Heinrich Keller 在 1939 年提出，重要到被列進 Steve Smale 於 1998 年開給 21 世紀的 18 題數學難題清單（第 16 題）。
它難的地方，正在於它看起來太對了。局部處處不摺疊，為什麼整體會摺疊？87 年來，絕大多數投入心力的人都在往「證明它是對的」那個方向走。這是人類直覺的包袱——當你相信一件事為真，你會把力氣花在搭橋，而不是花在沒人看好的荒地上找石頭。
為什麼一個「反例」就能終結 87 年
這裡有個必須講清楚的分寸：反例不是證明，兩者是完全不同的事。
證明一個猜想，要說明它對「所有」情況都成立，那是一整套環環相扣的推理，篇幅可以上百頁，驗證起來要靠專家逐行讀。而推翻一個猜想只需要一件事：找出「一個」不成立的例子。這正是數學最漂亮的不對稱——反例只要驗算就知道對錯，不需要理解它是怎麼被想出來的。
這次的反例正是如此。根據數學家社群的同步記錄與獨立的符號運算驗證，這是一組三變數的多項式映射，Jacobian 行列式在每一點都恆等於 −2（非零常數，完全滿足猜想的前提），但它並不可逆：有三個不同的輸入點會落到同一個輸出點。一台會把三個不同的東西壓成同一個東西的機器，當然倒不回去。
因為式子短、驗算只是（照 John D. Cook 的說法）一道繁瑣但初等的微積分練習，全球數學家才能在幾小時內獨立確認。這一點很關鍵：它之所以能被這麼快接受，不是因為大家信任 AI，而是因為根本不需要信任 AI。
同時要標清楚射程：這個反例推翻的是三維以上的一般情形，最經典、被研究最久的二維情形仍然未解。Lean 形式化的 PR 目前仍是 open 狀態、尚未合併，正式的期刊同儕審查與社群共識也還需要時間。
AI 到底做了什麼？別寫成「AI 自己解開難題」
外電標題很容易讓人以為是 AI 自己坐在那裡解開了 87 年難題。實際分工不是這樣。
依 The Conversation 的整理，題目是另一位數學家 Akhil Mathew 提給 Alpöge 的；Alpöge 的貢獻是把 AI 導向正確的方向、設定搜尋的形狀，並確認結果；模型負責的是在龐大的可能性空間裡把那個東西翻出來。The Next Web 也指出，Alpöge 本人長年就在用演算法手段處理這一類問題——換句話說，是一位知道該往哪裡搜的人，配上一台能真的搜完的機器。
而且這件事的價值判斷，Imperial College London 的 Kevin Buzzard 講得更準：近期一連串進展顯示，機器變得非常擅長「找反例」；但下一步——搞懂這個例子到底在發生什麼事——仍然是人類的工作。
最誠實的一面：它說不出為什麼
這正是這則新聞裡最有份量、卻最常被略過的部分。
反例被驗證了，但沒有人（包括模型自己）能講出一個「為什麼會是這組式子」的故事。當初把題目丟給 Alpöge 的 Akhil Mathew 就直接說了：能檢查它是對的，但要是能講出一個道理來就好了（經 Stanford Tech Review 引述）。事後數學家們反過來動用 ChatGPT、Claude Opus 等模型去反推這個構造背後可能的幾何意義，也還在拼。
在數學這種「理解比答案更重要」的學科裡，這是個真正的哲學問題。數學家要的從來不只是「是或否」，而是「為什麼」。一個沒有故事的正確答案，在工程上是勝利，在數學上只完成了一半。
對台灣讀者可以帶走的判斷框架
我要下的第二個判斷，是這件事給一般人的用法啟示，比新聞本身更值錢：把 AI 放在「答案容易驗證、但搜尋空間巨大」的問題上，它的投報率最高。
這次的例子就是教科書級的示範：可能的多項式組合近乎無限（搜尋空間巨大），但任何一組候選丟進電腦，幾秒就知道對不對（驗證極便宜）。符合這個形狀的任務，你其實天天在碰——程式的疑難除錯（跑一次就知道有沒有修好）、資料清理規則、SEO 或廣告文案的 A/B 候選、材料與配方的初篩。我們寫過的物理知情 AI 壓縮藥物貼片實驗週期，本質上也是同一個形狀。
反過來，答案難驗證的事，我不建議這樣用 AI。 商業策略該往哪走、這篇文章寫得好不好、這個人適不適合這個職位——這些沒有一個「跑一次就知道」的驗證器。你只會得到一個聽起來很順、但沒人能證偽的答案，而且它同樣說不出為什麼。這也是為什麼 AI 大規模標記可疑論文那件事必須停在「初篩」而不是「定罪」——那類判斷缺的正是廉價驗證器。
所以實務上，導入 AI 前先問自己一題就好：我有沒有一個便宜、客觀、我自己就能跑的方法，來檢查它給的答案對不對？ 有，就放手讓它去翻，翻一百次錯九十九次也划算；沒有，那它產出的每一句話你都得自己扛。這條線，比追哪家模型分數高、哪家開源權重最新、哪家安全評比較好看，都更決定你用 AI 的成敗。
常見問題
Jacobian 猜想被推翻了，是不是代表 AI 已經比數學家強？
不是。這次是數學家 Levent Alpöge 把題目與搜尋方向設定好，再由 Claude Fable 5 在龐大的可能性空間裡找出候選反例，題目本身還是另一位數學家 Akhil Mathew 提的。AI 擅長的是大規模搜尋，而「這個例子背後的數學意義是什麼」目前仍然沒人說得出來，那部分還是人類的工作。
「反例」和「證明」差在哪裡？為什麼一個例子就能推翻猜想？
猜想主張的是「所有情況都成立」，所以要證明它，得涵蓋全部情況，通常是又長又難驗證的推理；但要推翻它，只需要找到一個不成立的例子。這次的反例是一組三變數多項式，行列式恆為非零常數卻不可逆，直接違反猜想的結論。因為只要驗算就知道對錯，全球數學家幾小時內就能各自確認。
這件事已經被完全確認了嗎？還有什麼沒解決？
核心運算已被多位數學家獨立驗算通過，也有人用 Lean 定理證明器把它形式化、送進 Google DeepMind 的 Formal Conjectures 儲存庫，但該 PR 截至查證時仍未合併，正式的期刊同儕審查也尚未完成。另外要注意射程：被推翻的是三維以上的一般情形，最經典的二維情形至今仍未解。
一般人怎麼判斷「這個任務適不適合交給 AI」？
問自己一題：我有沒有一個便宜、客觀、自己就能跑的方法，檢查它給的答案對不對？有的話（例如程式能不能跑、數學式能不能驗算、資料格式對不對），就適合放手讓 AI 大量嘗試，錯很多次也划算。沒有的話（策略判斷、內容好壞、人事評估），AI 的輸出你只能自己逐句負責，風險完全不同。
參考來源
- Secret Blogging Seminar：The new counterexample to the Jacobian conjecture（數學家社群同步記錄，行列式 −2、非單射、事後以多個模型反推幾何意義）
- John D. Cook：Locally everywhere does not imply everywhere（白話說明局部可逆不蘊含整體可逆，並指出驗算屬繁瑣但初等的練習）
- The Conversation：why a tiny social media post has mathematicians rethinking AI（人機分工描述：人設定方向、模型負責搜尋）
- The Next Web：AI just disproved the 87-year-old Jacobian conjecture（模型名稱 Fable 5、1939 年、Alpöge 背景）
- Kevin Buzzard（Xena Project）：Human mathematicians are being outcounterexampled（機器擅長找反例，理解仍是人類的工作）
- google-deepmind/formal-conjectures PR #4474：feat: add Jacobian disproof（Lean 形式化，2026-07-20 開啟，查證時仍未合併）
- jacobianfun.org：The Jacobian counterexample, explained（三個碰撞點、多項式次數、n=2 仍未解）
- Wolfram MathWorld：Jacobian Conjecture（Keller 1939、屬 Smale 問題之一）