
文章摘要
【关 键 词】 凸优化、梯度下降、GPT – 5、曲线凸性、自主证明
OpenAI研究人员喂给GPT – 5 Pro一篇关于凸优化问题的论文,模型读完后针对边界问题给出比原文更精确的阈值和相应证明,引发全网热议。不过研究人员未将其成果发表成论文,因论文更新版本给出新边界反超了GPT – 5 Pro,但GPT – 5 Pro证明思路不同,具备独立探索能力,OpenAI总裁称此为“生命迹象”。
这篇论文研究凸优化问题,聚焦“当使用梯度下降算法优化光滑凸函数时,其产生的优化曲线是否是凸的”。论文结论指出优化曲线凸性关键取决于步长选择:当步长η ∈ (0, 1/L]时,优化曲线保证是凸的;当步长η ∈ (1.75/L, 2/L)时,优化曲线可能非凸;对于整个收敛区间η ∈ (0, 2/L],梯度范数序列||∇f(x_n)||单调递减;对于凸且二阶连续可导函数及凸L – 光滑函数,梯度流的优化曲线总是凸的;对于连续时间的梯度流,优化曲线也总是凸的。论文证明凸性保证区间核心是证明序列{f(x__n) – f[(x__(n + 1)]}非递增,引入辅助函数g_k(t)转化为连续函数积分证明;非凸可能区间则构造分段函数作为反例。
在论文第一版中,(1/L, 1.75/L]范围内未有定论。GPT – 5 Pro通过更精细不等式技巧,17分半将1/L边界移到1.5/L,其核心思路是将优化曲线凸性问题转化为证明函数值下降量递减,运用Bregman散度不等式和标准的共强制性不等式细化凸性条件。之后论文原作者更新论文,证明1.75/L是精确界限,闭合之前未探索区间。虽GPT – 5 Pro证明被人类反超,但思路和过程与新版论文不同,表明其确实具备自主发现并证明数学规律的能力。
原文和模型
【原文链接】 阅读原文 [ 1314字 | 6分钟 ]
【原文作者】 量子位
【摘要模型】 doubao-1-5-pro-32k-250115
【摘要评分】 ★☆☆☆☆