三小时内的"独立发现"

2026年7月23日，arXiv上出现两篇论文，解决了量子密码学中同一个开放问题——“不可克隆加密”（unclonable encryption）的高效无条件构造。第一篇由UC Santa Barbara教授Prabhanjan Ananth和UCLA教授Amit Sahai提交，时间是太平洋时间上午10:35。第二篇由MIT博士生Seyoon Ragavan提交，时间相差3小时18分钟。

两篇论文的核心证明思路都来自同一个"研究者"——OpenAI GPT-5.6 Sol Ultra。

这不是两个团队碰巧选择了同一个研究方向。他们在同一个月的同一个学术报告上听到了同一个开放问题的提出，然后分别用同一个AI模型去攻击它，各自得到了正确的证明。Ragavan的朋友、UCSB博士生Yao-Ting Lin在发现这一重合后给Ragavan发了一封邮件：“We are definitely living in strange times.”

确实如此。但"奇怪"可能还不足以描述这件事的分量。它揭示了一个正在发生的结构性变化：当所有研究者都能调用同一个最强AI模型时，“独立发现"这个概念本身正在瓦解。

不可克隆加密：为什么这个问题重要

理解这件事的分量，需要先理解被解决的问题。

不可克隆加密是量子密码学中的一个核心概念。它的目标听起来像是一个悖论：加密一条消息，使得即使攻击者拿到了密文，也无法将其复制成两份——每份在获得密钥后都能解密。

经典信息论告诉我们，数字数据可以无损复制——一个文件的拷贝和原件完全一样。但量子力学提供了另一条路径：量子不可克隆定理（No-Cloning Theorem）指出，未知的量子态无法被完美复制。不可克隆加密正是要利用这一量子特性来构造一种"复制即销毁"的加密方案。

2019年，Ottawa大学的Anne Broadbent和她的学生Sébastien Lord提出了一个现代框架[1]，但此前的构造要么存在多项式级别的安全损失，要么需要低效的加解密操作。两篇新论文声称同时解决了这两个问题——首次在标准模型下实现了高效的、信息论安全的一次性不可克隆加密。

技术细节值得注意。Ragavan的方案基于Pauli本征态：密钥是一个均匀随机的非单位元无相位Pauli算符（作用在n个量子比特上），比特$a$被加密为该Pauli的一个随机$(-1)^a$本征态。安全性证明表明，两个接收者同时恢复出比特的概率上界为$\frac{1}{2} + O(2^{-n/2})$，而根据Broadbent、Culf和Rochette的下界，这已经是最优的[2]。

这不是一个简单的练习题。这是量子密码学界等待多年的突破。

两条路径，同一个大脑

真正耐人寻味的是两个团队使用AI的方式截然不同。

Ragavan采用了高度交互的方式。他将GPT-5.6 Sol Ultra（OpenAI称该模式默认协调四个并行Agent）设定为以两小时为一个工作周期，每个周期结束后检查进度并重新引导方向。经过多轮迭代，系统产出了一个他认为可靠的证明，以及一份粗糙的初稿，然后由他整理和重写。

Ananth和Sahai则使用UCLA的一个定制系统（由LAude项目支持），该系统专门设计用来让AI模型自主追寻和批评可能的解决方案，不需要研究者在每一轮中介入。他们的论文明确说明：模型提出了核心构造和主要证明思路，研究者负责精炼和验证。

两种工作流反映了两种不同的AI辅助研究哲学：一种是将AI视为需要引导的高能力助手，另一种是将AI放入自动化管道中让它自主探索。但殊途同归——两个团队在同一问题上用同一个底层模型得到了正确答案。

Ananth说的一句话比证明本身更值得深思：“If someone mentions an open problem, the first thing is to see if GPT solves it.”

这句话翻译成学术界的潜台词就是：人类研究者正在从"解决问题的人"变成"向AI提出问题的人”。

“银盘子"问题

这个事件中有一个容易被忽略的细节。在Ananth团队即将提交论文时，他突然想起来自己在哪里见过AI提出的初始构造。事实证明，Broadbent和合作者几个月前已经发表了本质上相同的构造方案。新论文的真正贡献不在于构造本身，而在于证明了它具有研究者们一直在寻找的更强安全性质。

Broadbent本人的反应很坦率：“In hindsight, this was an obvious thing to look into. There’s a body of literature, lots of conjectures, lots of schemes. You kind of feel like you gave it on a silver platter."（” hindsight来看，这是一个很显然该研究的方向。有那么多文献、猜想和方案，你基本上等于是把问题放在银盘子上端过去的。"）

这句话揭示了一个更深层的现实。AI并没有凭空"发明"解决方案——它综合了已有的学术文献，找到了一条人类因为信息过载或视角局限而未曾注意到的路径。当文献中充满了猜想、方案和部分结果时，一个能同时"阅读"所有这些内容并在其中发现连接的模型，确实就像一个站在图书馆中央的全知索引员。

但这也意味着：如果问题是"端在银盘子上的”——也就是说，如果解决方案的逻辑已经隐含在已有文献的结构中——那么使用最强模型的第一个团队几乎一定会得到答案。 不是因为模型是魔法，而是因为它能在人类无法企及的规模上进行组合搜索。

独立性的坍塌

科学界有一套处理"撞车"的成熟机制。两个团队独立发现同一个结果并不罕见——微积分（牛顿与莱布尼茨）、演化论（达尔文与华莱士）、信息论（分散在多个团队）都是经典案例。论文归并（merging papers）也是常规操作。

但GPT-5.6事件引入了一个新变量：两个团队使用的不是类似的工具，而是完全相同的推理引擎。

传统意义上的"独立性"依赖于一个隐含假设——两个研究者的思维过程是各自封闭的，他们的大脑结构不同、经验不同、直觉不同，因此即使面对同一问题也会走上不同路径。当两个团队都用同一个权重矩阵、同一个注意力机制、同一个token生成策略来推理时，这种"独立性"还成立吗？

从证明结果看，两条路径确实不同——Ragavan使用了交互式引导加Pauli本征态的方法，Ananth/Sahai通过自动化系统得到了不同的构造切入。但这个差异来自人类的提示策略和系统设计，而不是AI本身的"独立思考"。如果换一种提示方式，同一个模型很可能在同一次对话中产出两种证明。

这对学术优先级体系是一个根本性的挑战。当你的竞争对手只需要把同一个问题喂给同一个模型，你领先的时间窗口可能只有几个小时。

“富人与穷人”：研究生该怎么办

Broadbent提出的另一个担忧更贴近现实：“I have a lot of questions about haves and have-nots.“她说，那种可以被自动化完成的工作，恰恰是她通常会分配给研究生的工作。

Ananth直接说：“I am happy that I am past being a student, and I worry for the current crop.”

Ragavan作为当事人——一个三年级博士生——的反应则更加务实：“The way I do research now has nothing to do with how I did research two months ago. The emotions are weird, but I think you’ve just got to adapt and roll with that.”

这段话值得所有学术工作者认真对待。Ragavan描述的不是工具的升级，而是工作方式的彻底替换。两个月前的研究流程已经被完全废弃，新的流程以AI为核心运转。

这种转变对学术训练体系有深远影响。博士培养的核心一直是一个学徒制过程：导师提出问题，学生在尝试解决的过程中学习如何做研究——如何读文献、如何构造证明、如何调试想法。如果这个过程可以被AI在两小时内完成，那么博士生训练的价值到底在哪里？

答案可能是：博士训练的价值将从"解决问题"转向"定义问题"和"验证结果”。AI擅长在已知空间中搜索，但不擅长判断哪些问题值得问、哪些结果有意义。研究者——特别是年轻研究者——需要学习的是如何与AI协作来探索新的问题空间，而不是在与AI竞争证明能力。

但从另一个角度看，这也可能加剧学术不平等。GPT-5.6 Sol Ultra是OpenAI最高级别的订阅产品，价格不菲。UCLA的LAude系统是定制研究基础设施。能访问这些资源的研究者和不能访问的研究者，在研究产出上将出现巨大鸿沟——这不是假设，而是正在发生的事实。

从"谁能想到"到"谁先提问”

回顾过去两年AI在数学和理论计算机科学领域的进展，一条清晰的轨迹浮现出来：从解决竞赛题（2024年的IMO银牌级别），到攻克单个开放猜想（Erdős问题、累积猜想），再到现在几乎同时解决同一个问题的两篇独立论文。AI在理论研究中的角色正在从"辅助工具"变成"核心引擎"。

这个轨迹的下一个阶段可能更加颠覆性。如果最强模型面对一个"银盘子上的问题"几乎一定能解决它，那么研究的瓶颈就从"解题能力"转移到了"问题选择能力"。谁先识别出一个值得让AI去攻克的开放问题，谁就占据了先机。

这也在改变学术竞争的本质。传统的研究竞争是"我比你更快想到解法"。未来的研究竞争可能是"我比你更早知道哪些问题可以被AI解决"——这需要一种不同的直觉，一种对AI能力边界的敏锐感知。

Ananth说"I was mentally preparing myself that, if we can use ChatGPT to solve this, I mean, everybody has access to it"——这句话描述的就是这种新竞争格局。他已经预期到其他人也会用同样的方法，因此关键不在于"能不能解决"，而在于"谁先行动"。

结语：新的研究伦理正在形成

这两个团队的应对方式令人尊敬——他们在发现重合后迅速沟通，考虑合并论文，而不是争抢优先权。Ragavan在论文中明确标注"GPT-5.6 Sol Ultra found this proof in an extended conversation with the author and drafted a preliminary version of this paper"，并声明"The author is fully accountable for the correctness of this paper."

这种做法应该成为标准。当AI参与了证明的核心构造过程时，不标注AI的贡献是不诚实的，正如不标注合作者的贡献是不诚实的一样。

但更深层的问题是：当AI的贡献从"辅助计算"变成了"提出核心思想"，传统的作者身份定义是否还适用？一个模型是否可以成为论文的co-author？如果不是，那它的贡献应该以什么形式被承认？

这些问题目前没有答案。但有一点是确定的：2026年7月23日那天，两位量子密码学家用同一个AI模型在三个小时内独立完成了同一项证明——这个日期将作为科学研究范式转折的一个标记被记住。

在那之后，每一个开放问题都首先是"AI能解决这个吗？“的候选。

参考来源：