🔢 mathematics

Grokability in five inequalities

本文介绍了与 AI 模型 Grok 协作完成的五项已验证的数学发现，包括高斯周长的改进界、汉明立方体上更精确的矩不等式、加强的自卷积不等式、 $g$ -Sidon 集更优的渐近界，以及最优的 Szarek 平衡不等式。

原作者： Paata Ivanisvili, Xinyuan Xie

发布于 2026-05-07

📖 1 分钟阅读🧠 深度阅读

原作者： Paata Ivanisvili, Xinyuan Xie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一支数学家团队与一位非常聪明、速度极快的数字助手“Grok”坐下来。他们并非仅仅询问事实，而是请 Grok 协助解决五个棘手的数学难题。论文报告称，Grok 不仅给出了答案，还帮助他们发现了五条此前从未被记录过的全新数学真理。随后，作者们对这项工作进行了双重核查，并确认其正确无误。

以下是这五项发现的分解说明，采用简单的类比进行解释：

1. 形状的“模糊边缘”（高斯周长）

难题：想象空间中有一团雾。如果你在这团雾中画出一个形状，其“周长”不仅仅是线条的长度，而是该形状与雾气接触的程度。数学家们想知道：随着空间变得越来越大，一个形状最多能接触到多少雾气？
发现：多年来，关于这一极限的最佳猜测基于 2003 年的一项构造。Grok 帮助作者对形状进行了微调，就像调节收音机的旋钮以寻找更清晰的信号一样。这一微小的调整揭示出，该形状实际上能接触到比此前认为**多出 9%**的雾气。这就像找到了一种稍好的家具摆放方式，从而在房间里多容纳一个人，而此前大家都认为这是不可能的。

2. “体积与重量”之比（矩比较）

难题：想象你有一袋数字（一个函数）。你可以用两种方式测量这袋数字的“重量”：一种是粗略的平均值（L1），另一种是更敏感、权重更大的平均值（L2）。数学家们想知道，敏感的平均值相对于粗略平均值最多能重多少，其确切规则是什么。
发现：有一个问题在网上被问了十年：“这个规则是否正好是根号 2？”Grok 帮助作者证明，该规则实际上要复杂一些。他们找到了一个更精确、更紧密的范围。这就像意识到，虽然汽车的速度表通常与发动机转速以简单的比例匹配，但在最极端的情况下，实际上存在一个特定的、略有不同的齿轮比。

3. “平衡的跷跷板”（Szarek 不等式）

难题：通常，数学问题假设每一次抛硬币都是独立的（比如抛 100 次硬币）。但如果强制硬币保持“平衡”呢？例如，你只观察那些正面总数等于反面总数的抛掷结果。在这个平衡的世界里，硬币不再独立；如果你看到一枚正面，你就知道别处必然存在一枚反面。
发现：作者们找到了描述这些平衡硬币行为的完美规则（最优常数）。令人惊讶的是，尽管这些硬币是“关联”的而非独立的，但旧的、经典的数学工具仍然能完美地用于找到答案。这就像发现，即使跷跷板上的孩子们手拉手一起移动，而不是随机坐着，跷跷板依然能完美平衡。

4. 模式的“阴影大小”（自卷积与 Sidon 集）

难题：想象你在一条线上有一串点阵图案。如果你将该图案在自身上滑动，并观察点阵重叠的位置（即“阴影”），最大的重叠区域有多大？这有助于数学家确定他们能在一条线上排列多少个点，而不会以特定方式发生冲突（称为g-Sidon 集）。
发现：这个问题长期以来一直使用巨型超级计算机进行研究，这些计算机检查了数百万种模式。Grok 帮助作者审视了其中一次计算机检查背后的数学原理，并发现计算中存在一个微小的错误。通过修正这唯一的一个小错误，他们改进了答案的下限。这就像一个人看着计算机长长的计算列表，说道：“等等，如果你只是把这个数字稍微向上取整，整个答案就会变得稍微好一点点。”

5. “完美平衡”（最优平衡 Szarek 不等式）

（注：这本质上与第 3 点相同，但论文强调了所发现常数的特定“最优”性质。）
发现：这证实了上述“平衡”规则不仅仅是一个良好的猜测，而是绝对最佳的规则。这在数学上等同于找到了一个复杂物体的精确重心；你无法再将其移向更完美的平衡点。

大局观：这意味着什么

这篇论文最令人兴奋的部分不仅仅是数学本身，而是他们如何达成这一成果。

旧方法：要解决像第 4 点这样的问题，研究人员通常会编写代码来检查数百万个特定的、预定义的场景（就像检查每一种可能的锁组合）。这需要数千小时的计算机运行时间。
新方法：作者们只是用** plain English**（普通英语）与 Grok 进行了对话。他们请它审视一个特定的不等式，看看是否能使其更紧密。在几分钟的对话中，Grok 就发现了一个细微的改进，而庞大的计算机搜索却忽略了这一点。

核心启示：这篇论文表明，人工智能不仅仅是一个遵循严格规则的计算器。它可以像一位富有创造力的伙伴那样发挥作用，利用自然语言在复杂的数学论证中察觉细微的改进，而即使是最强大的计算机，如果只是盲目地搜索数据，也可能会忽略这些改进。这让我们得以一窥未来：数学家与人工智能通过对话共同解决问题。

“Grokability in five inequalities”的技术摘要

概述
本笔记报告了五项在分析学、概率论、凸几何和加性组合数学领域的数学发现，这些发现是通过与大型语言模型（LLM）Grok 的协作对话获得的。作者 Paata Ivanisvili 和 Xinyuan Xie 证实，这些结果在公开文献中是新的。本文作为“对话式”数学发现的案例研究，展示了推理型 LLM 能够完善现有论证、纠正细微的不准确性，并探索参数空间，从而在既定不等式中得出更优的常数。

问题背景与方法论
本文解决了五个不同的问题，其目标是在各种不等式中确定最优或改进的常数。该方法依赖于一种“对话式方法”，作者通过以下方式与 Grok 互动：

审查现有的复杂证明（例如 Nazarov 的构造）。
识别并纠正文献中微小的数值不准确性或缺失的证明。
微调构造中的参数以优化界限。
将已知框架（例如半群方法、正交基）应用于新场景（例如条件随机变量）。

与将问题参数化为代码并通过穷举搜索迭代演化解决方案的自动推理系统不同（该方法在先前关于 $C_{1a}$ 常数的工作中被使用），这种方法利用自然语言对话来引导数学推理。

主要贡献与结果

1. 最大高斯周长的改进下界

问题： 确定 $\Gamma(n)$ 的增长，即 $\mathbb{R}^n$ 中凸集的最大高斯周长。已知其增长阶数为 $n^{1/4}$ ，但常数因子自 Nazarov 2003 年的构造以来一直是研究课题。
方法论： 作者遵循了 Nazarov 构造随机凸多面体的策略。Grok 协助提供了原论文中未证明的中间陈述的详细证明，并纠正了被积函数指数中的一个微小不准确性。随后，该模型帮助微调了 Nazarov 构造中的参数（ $a, b, W$ ）。
结果： 作者证明了 $\liminf_{n\to\infty} \Gamma(n)/n^{1/4} \ge 0.31258$ 。这比之前最好的下界 $e^{-5/4} \approx 0.2865$ 提高了约 9%。

2. 哈明立方体上更锐利的 $L^2-L^1$ 矩比较

问题： 确定最优指数底数 $C^*$ ，使得对于 $\{-1, 1\}^n$ 上具有傅里叶 - 沃尔什次数 $d$ 的函数 $f$ ，满足 $\|f\|_2 \le C^d \|f\|_1$ 。2014 年 MathOverflow 上的一个问题询问 $C^*$ 是否等于 $\sqrt{2}$ 。
方法论： 作者利用了一个观察结果：函数族中 $L^4/L^2$ 的大幅增长会给出 $C^*$ 的下界。Grok 建议使用在长线性型（高斯模型）上评估的埃尔米特多项式来构造一个反驳 $\sqrt{2}$ 猜想的反例。
结果： 本文确立了 $2.408\dots \ge C^* \ge \sqrt{3}$ 。下界 $\sqrt{3}$ 明确地以否定答案回应了 MathOverflow 的问题。上界从 $2.69\dots$ 改进到 $2.408\dots$ 被一篇相关论文的作者注意到，但尚未明确发表；Grok 恢复了这一改进。

3. 最优平衡的 Szarek 不等式

问题： 将 Khintchine 不等式扩展到哈明立方体的“中间切片” $\Omega_n = \{x \in \{-1, 1\}^n : \sum x_i = 0\}$ ，其中坐标是相关的。具体而言，寻找 $L^1$ 端点（ $p=1$ ）的最优常数。
方法论： 作者调整了 Kwapie'n、Lata\l a 和 Oleszkiewicz 的半群框架，该框架通常用于独立变量。为了处理缺乏独立性的问题，他们引用了 Filmus 关于哈明立方体切片正交基的最新结果。
结果： 他们证明了不等式 $c_n \sqrt{E|\sum a_i x_i|^2} \le E|\sum a_i x_i|$ 成立，且最优常数为 $c_n = \sqrt{\frac{n-2}{2(n-1)}}$ 。这是文献中首次记录该端点的最优常数。

4. 自卷积和 $g$ -Sidon 集的下界改进

问题： 寻找最大的通用常数 $c$ ，使得对于支撑在 $[-1/4, 1/4]$ 上的非负函数 $f$ ，满足 $\sup_x (f*f)(x) \ge c (\int f)^2$ 。该常数与 $g$ -Sidon 集的渐近大小相关。
方法论： 作者改进了先前研究 [7] 中的估计，该研究使用了大量的 CPU 时间（20,000 小时）来穷举搜索离散空间。Grok 被提示收紧现有证明中误差项的不等式。
结果： 下界从 $c \ge 1.28$ 改进到 $c \ge 1.2802$ 。这一改进源于对特定误差项自卷积的 $L^\infty$ 范数更紧的界限，这是通过简单的自然语言提示推导出来的。

5. 意义与主张
本文主要作为当前前沿推理模型对数学问题的“可 Grok 性”（grokability）的演示，声称其具有重要意义。

方法的创新性： 作者强调，虽然自动推理系统通常依赖于显式参数化和代码演化，但这种“对话式方法”成功地在那些已通过结构化、穷举搜索进行过广泛研究的问题（特别是 $C_{1a}$ 常数问题）中发现了改进。
LLM 的能力： 结果表明，LLM 能够执行复杂的分析论证，探索现有方法的边界，并以有意义的准确性实施新思想。
谦逊性： 作者对数学贡献的幅度持谦逊态度。他们指出，自卷积常数的改进在数学上“并非特别显著”，仅代表微小的细化。然而，他们强调了方法论上的启示：对话式 LLM 能够从那些被认为显式结构搜索已耗尽潜力的问题中提取进一步的改进。

本文最后提供了导致每个结果的与 Grok 的具体聊天会话链接，旨在让数学界了解这些工具在数学探索中日益增长的效用。