刘嘉浩称 AI 推翻了 YTD 猜想，但真正的结果更为精确

刘嘉浩称，尽管数十年来的研究一直支持该猜想的若干版本，生成式 AI 仍帮助他在其长达 79 页的 YTD 预印本中构造出了首个反例。论文提出了一个光滑射影五维簇：它具有 K-多稳定性，但据称不存在常数量曲率 Kähler 度量。若该证明经得起专家审查，这一对象将推翻 Yau-Tian-Donaldson 猜想的经典一般性表述。

刘嘉浩于 2026 年 8 月 19 日 17:19 UTC 向 arXiv 提交了这篇论文。摘要将主要结果归功于 GPT-5.6-sol、Fable 5 和 Danus 系统。与董斌、郜国雄合写的附录则讨论了生成式 AI 的使用方式。

这一披露解释了为何该消息迅速传播，但它本身并不能定论数学问题。该论文是一篇新的预印本，而非经过同行评审的发表成果；其中声称的反例需要专家从多个技术层面进行核验。

更深层的故事也比“AI 推翻了 YTD”这一病毒式概括更为狭窄。该结果针对的是：对一般极化簇而言，通常 K-多稳定性与常数量曲率 Kähler 度量存在性之间的等价关系。关于 Fano 簇的重要 YTD 定理仍然有效，而更强的稳定性表述此前已开始取代经典陈述。

这篇 AI 辅助的 YTD 预印本实际声称了什么

核心主张是一个具体的数学不匹配，而非宣称数十年的 Kähler 几何研究全都错了。

Yau-Tian-Donaldson 猜想连接了对几何对象的两种不同描述。一方面，它询问极化簇是否存在某种典范度量；另一方面，它询问该簇是否满足一种代数稳定性条件。

极化簇是指配备了充足线丛的射影簇，这为代数几何中使用的嵌入数据提供基础。所讨论的度量具有常数量曲率，即其数量曲率在底层 Kähler 流形上保持均匀。

该猜想的吸引力正来自这座桥梁。一个困难的非线性解析存在性问题，将等价于称为 K-多稳定性的代数判据。数学家因而可通过退化和数值不变量研究典范几何，而不必直接求解微分方程。

刘嘉浩的 YTD 预印本声称将这两方面分离开来。它构造了一个极化的光滑射影五维簇，即复维数为五的复射影簇；该簇通过了 K-多稳定性检验，却不存在预期的常数量曲率 Kähler 度量。

一个有效例子便已足够。当某个对象满足所提出的条件、却不具备所承诺的结论时，这种等价关系便告失效。

因此，“K-多稳定”与“没有常数量曲率度量”之间的区别承载了整个结果。若其中任一部分不成立，这篇论文就不能推翻经典猜想。审稿者必须核验构造、稳定性计算、解析阻碍，以及它们之间的逻辑联系。

预印本的日期很重要，因为 Bilibili 上的热度仅在 arXiv 提交数日后便出现。截至 8 月 23 日，这篇论文尚未有足够时间通过传统期刊评审。它出现在 arXiv 上，只能证明该主张已被公开发布，并不意味着论证已经获得认证。

作者并非匿名社交媒体账号。刘嘉浩是北京大学的代数几何学家，也是北京国际数学研究中心成员。他的研究主页列出了双有理几何、奇点、叶状结构和显式代数几何等主要兴趣方向。

这一背景使该主张不同于毫无依据的聊天机器人输出，但验证缺口依然存在。专业作者也可能出错，AI 生成的论证可能隐藏细微错误，而 arXiv 进行的是审核管理，并非完整的同行评审。

因此，恰当的标题应带有条件性。刘嘉浩及其论文声称已完成反证，而独立的数学界共识仍在形成中。

为什么 YTD 早已不只是一个猜想

“YTD 猜想”这一说法如今涵盖了多个命题，它们的适用范围、稳定性概念和既有成果各不相同。

这一广泛理念源自与丘成桐、田刚和 Simon Donaldson 相关的工作。它预测，典范 Kähler 度量的存在性应与代数稳定性相对应。

这一原则催生了重大定理。它并非一个始终未变、直到某个 AI 系统找到反例才被推翻的单一命题。

对于 Fano 簇，将 K-多稳定性与 Kähler-Einstein 度量联系起来的重要 YTD 表述已获证明。Fano 簇具有充足的反典范丛，因此处于具有额外结构的特殊几何环境中。刘嘉浩声称的例子并不会抹去这些定理。

这篇新预印本涉及的是一般极化簇的、更广泛的常数量曲率问题。该情形更难，因为相关的解析与代数空间更为复杂。稳定性的恰当定义也始终是争论的核心。

通常 K-稳定性通过称为测试构型的代数退化来检验极化簇。每一种构型都会获得一个数值不变量。粗略地说，负性行为揭示了不稳定退化，而多稳定性只允许边界上特定的平凡情形。

问题在于，这组代数检验能否捕捉度量无法存在的所有解析机制。刘嘉浩提出的例子称不能。该簇满足通常 K-多稳定性，但仍有一种解析阻碍存在。

这一可能性并非毫无预兆。研究者已发展出更强的概念，包括一致 K-稳定性和非阿基米德表述。这些条件对稳定性进行量化，而不只是要求某个不变量非负。

Sébastien Boucksom 和 Mattias Jonsson 在其 2026 年的非阿基米德方法中，描述了一个基于一致修正 K-稳定性的版本。他们的框架使用了非阿基米德度量的完备空间，超越了经典测试构型。

另一篇 2026 年 5 月的预印本提出了一个一致表述，将常数量曲率度量与经自同构调整的一致 K-稳定性形式相联系。这项工作说明，为何专家可能将刘嘉浩的结果视为对稳定性条件的修正，而非整个 YTD 研究纲领的崩塌。

这正是关键的解读分歧。病毒式版本称 AI 击败了一个著名猜想；技术性版本则称，对最一般的常数量曲率问题而言，通常 K-多稳定性似乎过于薄弱。

两种说法在范围上不同。前者吸引注意力，后者则告诉数学家必须改变什么。

一个有效反例将表明，原有代数检验遗漏了某些不稳定行为。这会进一步支持完备化、一致或基于滤过的稳定性概念，因为它们能看到标准测试构型之外的内容。

因此，该结果反而可能支持更大的 YTD 哲学。代数稳定性或许仍能刻画典范度量，但正确的代数定义必须更强。

真正的对手是通常 K-多稳定性

这篇论文让通常 K-多稳定性与更强的稳定性框架相对，而不是让 AI 对抗人类关于 YTD 的每一项证明。

经典表述承诺，K-多稳定性足以保证常数量曲率 Kähler 度量的存在。刘嘉浩的五维簇据称揭示了这一承诺失效的情形。

更强的框架通过扩展何为不稳定方向来作出回应。它们不只检查传统的代数测试构型，还考察滤过、非阿基米德度量或定量下界。

这种差异听起来可能抽象，但其功能很直接。稳定性检验只有在能检测与度量存在性相关的每一种阻碍时才有用。若一项检验遗漏了一类退化，它便可能将某个对象标记为稳定，而解析几何却给出相反结论。

据报道，刘嘉浩的构造正是利用了这一缺口。该极化五维簇在通常定义下是 K-多稳定的，但论文论证它未能满足保证度量存在所需的更强一致条件。

若这一论证正确，反例并不会让该领域失去替代方案。它界定了较弱条件与旨在捕捉缺失解析行为的条件之间的边界。

这也是维数与类别为何重要。五维簇与经常引导几何直觉的最简单曲面或三维簇相距甚远。高维构造能够以低维例子无法实现的方式结合丛、对称性和交叉数据。

论文中的例子也不意味着通常 K-多稳定性毫无用处。它在广泛情形下仍是必要条件，并在重要特例中充分。所声称的失效，是在完全一般性下的充分性失效。

可以把这种区别看作一项诊断检验。阴性结果可可靠地识别问题，但阳性结果仍可能漏掉一种罕见情况。检验本身仍有价值，只是其阳性预测需要更高的门槛。

这一框架也解释了为何先前的正面结果不会自动被推翻。在 Fano 假设、离散性条件或一致稳定性下证明的定理，仍然是定理。一般反例只会击败其假设涵盖该新例子的陈述。

数学新闻常常丢失这些量词。“对每个极化光滑射影簇”变成了“YTD”，“K-多稳定”变成了“稳定”。一旦这些细节消失，对某一表述的修正便会听起来像是对整个研究纲领的否定。

最具影响力的结果将是形成修订后的共识：通常 K-多稳定性是必要但不充分的，而经增强的非阿基米德或一致条件给出了正确的等价关系。

这仍将是一项重大成果。它会将证明、例子和模空间问题引向更强的不变量，也会澄清为何早先试图证明通常表述的努力反复遇到技术障碍。

该反例可能成为一个基准对象。研究者会追问：哪些稳定性定义会排除它，哪些不变量揭示其阻碍，以及低维中是否存在相关例子。

这些问题比这件事是否算作某一家 AI 厂商的胜利更重要。持久的数学价值在于诊断出缺失的条件。

GPT-5.6-sol、Fable 5 和 Danus 如何参与这项工作

论文将 AI 呈现为研究系统的一部分，而一位具名数学家仍对发表的证明及其主张负责。

摘要明确列出了 GPT-5.6-sol、Fable 5 和 Danus。与仅泛泛致谢语言模型辅助的论文相比，这种披露程度异常直接。

GPT-5.6-sol 和 Fable 5 被描述为用于获得主要结果的生成式模型。Danus 是一个用于协调 AI 驱动数学探索的软件框架。其公开的 Danus repository 提供了可供研究人员检查和调整的具体产物。

多模型工作流可以将数学工作划分为候选生成、文献检索、符号操作、批评和修订。一个模型提出构造，另一个模型审视其假设，而编排系统则维护不断演变的状态。

这一过程不同于向面向消费者的聊天机器人提出一个问题。冗长的数学论证需要稳定的记号、持续的目标，以及反复检验。编排层可以保留中间结论，并将其分派到多次尝试中。

然而，编排并不会将模型输出变成定理。语言模型可能复现看似合理的定义，却颠倒量词、在不满足前提时套用结果，或忽略奇异情形。

因此，这一五维簇构造必须独立于其发现过程而成立。读者应当能够验证每一条引理，而无需信任提出它们的模型。

这一原则也避免了两种相反的错误。怀疑者不应仅因 AI 参与发现就否定一个证明；热衷者也不应仅因多个先进模型参与就接受该证明。

数学最终评判的是书面论证。一个正确的证明仍然正确，无论其最初想法来自人类、计算机搜索还是语言模型。

署名问题则更为复杂。arXiv 条目将 Liu 列为论文作者，而 Dong 和 Gao 则加入了关于 AI 使用的附录。模型被视为工具而非作者，因为它们无法承担责任、处理编辑问题或回应质疑。

这一工作流仍标志着研究实践的变化。专家现在可以让模型调查相邻构造、组合技术，并以原本会耗费大量人力时间的规模搜索例外情况。

反例尤其适合这种方式。系统只需找到一个满足有限组性质的对象。一旦提出，该对象有时可以通过明确计算和既有定理加以检验。

全称证明则带来不同的负担。它必须覆盖某一类中的每一个对象，并控制所有例外情形。一段流畅但不完整的论证，可能在多轮审查中存续，其隐藏漏洞直到后来才显现。

Liu 的主张介于这两类之间。一个五维簇的存在即可推翻该等价性，但要证明其解析度量不存在，不能仅展示一个简单的数值见证。

因此，根据论文，这项工作不应被描述为自动化搜索产出了可立即核验的答案。它是一项漫长的几何论证，AI 协助了发现、综合和起草。

这一区别对评估 AI 研究代理的企业很重要。相关能力并非无人值守地生产真理，而是加速假设生成，并配合专家验证和可审计记录。

采用类似工作流的团队需要保留提示词、模型版本、中间输出、失败分支和人工修正。可检索的 AI knowledge base 有助于维护这种溯源信息，尽管它无法验证数学本身。

最重要的启示是操作层面的。模型可以拓宽搜索空间，但责任仍由选择、检查并发表结果的研究人员承担。

YTD 主张仍未证明什么

一篇新的 arXiv 投稿可以确立某项主张的优先权，但不能替代独立专家验证。

截至 8 月 23 日，投稿日期距本分析仅相隔四天。这段时间不足以完成通常的研讨会讨论、逐行检查、修订和期刊审稿周期。

最明显的不确定性在于：该五维簇是否确实在经典猜想所使用的精确定义下 K-多稳定。稳定性计算可能取决于所有可能的测试构型，而不仅仅是某个显而易见的族。

第二个不确定性涉及所声称的常数量曲率 Kähler 度量不存在。该阻碍必须适用于指定的极化，并经受住所有相关对称性或自同构问题的检验。

第三个问题涉及通常稳定性与一致稳定性之间的桥梁。如果证明暗中引入了前提更强的定理，那么该构造可能揭示的是定义不匹配，而非一个反例。

这些并非对错误的指控。它们是针对一篇雄心勃勃预印本的标准问题；由于生成式系统参与了论证产生过程，因此受到额外关注。

AI 披露还带来了可复现性问题。列出模型名称能告诉读者哪些系统参与其中，却无法说明其他研究人员能否重建发现路径。托管模型会变化，内部版本可能无法获得，而且随机输出也会有所不同。

即使拥有完整的提示词记录，也无法令证明自动成立。它只会展示作者如何得出该结果，并有助于辨别哪些步骤接受了有实质意义的人类审查。

形式化验证可以解决其中一部分担忧，但该预印本并未将自己呈现为在 Lean 等系统中经过机器检查的证明。将先进的 Kähler 几何和代数几何转化为证明助手中的形式化内容，本身就需要大量基础性工作。

同行评审也并非万无一失。更好的标准是由专家进行趋同验证：尝试复现稳定性分析、质疑解析阻碍，并简化构造。

公开讨论已经展现出兴奋与谨慎并存的态度。一些数学家将 AI 辅助反例视为研究自动化正在加速的证据；另一些人则强调，专家指导和证明检查仍构成绝大部分智力负担。

两种观点可以同时成立。AI 或许生成了决定性的构造，但人类专业知识仍是识别其相关性并确立其周边每项主张的必要条件。

读者也不应从一篇论文中推导出劳动力市场结论。在一个高度结构化领域中得到模型辅助结果，并不表明自主系统能够选择有价值的问题、维持研究项目，或培养下一代数学家。

这一事件确实表明，简单否定已经不再足够。当一位知名研究人员公开称多个模型为一项重大猜想级结果提供了帮助时，研究界必须严肃评估该证明及其工作流。

目前最稳妥的结论应当准确表述为：一位可信的专家已发布一项详细的 AI 辅助反证主张，但该主张尚未获得与其重要性相称的独立验证。

将决定这一结果如何经受时间检验的三个信号

下一阶段不是又一个病毒式传播的标题，而是专家复现、修订后的稳定性图谱，以及对 AI 工作流的持久记录。

第一个信号是独立的数学验证。专家需要确认该五维簇的构造、其通常 K-多稳定性，以及所声称度量的不存在。简洁的独立证明、研讨会共识或公开修正，都比互动数据更有分量。

如果专家复现了论证，对其的解读会立刻增强。如果他们发现可修复的漏洞，关注点将转向该构造能否被挽救。如果核心稳定性或阻碍主张失败，反证便无法成立。

第二个信号是研究人员如何将该例子置于更强的 YTD 表述框架中。一个有用的反例应当准确揭示，哪一种增强条件能够检测到其不稳定性。

这种比较将决定论文是终结一个研究计划，还是使其更加清晰。最可能经久不衰的解读是，通常 K-多稳定性过于弱，而一致稳定性或完备的非阿基米德稳定性捕捉到了缺失的方向。

关注后续论文是否计算 Liu 示例中的这些更强不变量。也关注是否有人尝试降低其维数，或构造更广泛的反例族。任一进展都将表明，该对象揭示的是一个结构性边界，而非孤立异常。

第三个信号是披露质量。附录通过列出模型和编排系统开创了先例。未来修订可以通过区分机器提出的建议、人类干预、被舍弃的论证和最终验证，使这份记录更有价值。

这些证据将塑造期刊和研究机构如何评估 AI 辅助数学。透明的工作流可以支持贡献归属和错误分析；含糊地声称“AI 解决了它”则不能。

对开发者和知识工作者而言，眼下的启示是将溯源视为输出的一部分。通过严谨的 research workflow 保存源材料、模型上下文、决策和修正。同样的做法也适用于 AI 分析代码、合同、实验或市场数据时。

因此，YTD 的故事既不是单纯的机器胜利，也不是忽视 AI 生成研究的理由。它是对一种混合过程的实时检验：模型负责搜索和综合，专家负责选择和验证，更广泛的社群则尝试推翻结果。

未来几个月应当提出的问题很具体：独立几何学家能否验证该五维簇，识别出它违反的更强稳定性条件，并重建足够多的 AI 过程，从而信任这一结果是如何产生的？