真·博士水平！GPT-5首次給出第四矩定理顯式收斂率，數學教授只點撥了一下
GPT-5真不愧是博士水平的AI！
在數學教授引導下，它首次將定性的第四矩定理擴展為帶有顯式收斂率的定量形式。
簡單來講就是，原來的定理僅說明收斂會發生，卻沒有給出具體速度，而借助GPT-5，這項研究首次明確了收斂速率。
圖片
OpenAI聯合創始人Greg Brockman對此表示甚是欣慰。
圖片
網友同樣表示，真是奇跡。
圖片
借助GPT-5解決第四矩定理的定量收斂率
上個月，OpenAI研究人員Sebastien Bubeck稱，GPT-5 Pro在數分鐘內解決了凸優化領域的一個開放性問題，將已知的邊界值從1/L改進為1.5/L。
圖片
受此啟發，三位數學教授在Malliavin–Stein框架下開展了一項對照實驗。
目標在于考察GPT-5能否突破既有成果，將定性的第四矩定理推廣為帶有顯式收斂率的定量形式，并涵蓋高斯情形與泊松情形。
首先，研究人員從以下初始提示開始：
論文2502.03596v1建立了一個定性的第四矩定理，適用于兩個Wiener–It?積分（階數分別為p和q）的和，其中p和q的奇偶性不同。
基于Malliavin–Stein方法（具體可參見1203.4147v3），你能否推導出一個針對總變差距離的定量版本，其收斂速率僅依賴于該和的第四階累積量？
圖片
(具體分析步驟已省略，感興趣的讀者可閱讀原論文。)
第一次互動效果非常顯著，GPT-5給出了總體正確的結論，并采用了恰當的工具和方法。
然而，它在推理過程中出現了錯誤，導致
的表達式不正確，如果不加以糾正，可能會使整個證明失效。
發現這一點后，研究者隨后提出了新的問題：
你能檢查一下你給出的
公式，并提供詳細推導嗎？
GPT-5照做了，提供了所需的詳細信息。然而，公式依然不正確，附帶的解釋也有誤。隨后，研究人員更準確地指出了其中的錯誤：
我認為你在聲稱
時有誤。為什么會是這樣呢？
GPT-5最終承認該說法是錯誤的。但更重要的是，它理解了錯誤的來源。隨后，繼續給出了正確的推理過程和公式。
圖片
隨后，應研究者的要求，GPT-5將最終結果整理成論文的格式，包括引言、主要定理的陳述、完整且正確的證明過程，以及參考文獻。具體提示語如下：
請將此整理成一篇可投稿的研究論文，遵循我的風格（見附帶論文0705.0570v4）：
- 以引言開始，提供一定的背景信息；
- 接著陳述主要結果，并給出非常詳細的證明，確保每一步都完整；
- 最后附上完整的參考文獻。
最終文檔應為一個可編譯的LaTeX文件。
最后，研究人員還讓它增加一個結論部分，討論該結果在未來研究中可能的拓展方向。
你能添加一個“結論與展望”部分嗎？在其中總結主要內容，并提出未來研究可能的方向或拓展思路。
GPT-5依舊很聽話，提出這個方法甚至可以推廣到非高斯框架中。
擴展到泊松情形
基于這一建議，研究人員決定繼續深入研究，嘗試將其推廣到泊松情形。
由于這時研究者發現上下文窗口已經相當長，可能會影響其性能，于是他們開啟了一個新對話，并使用了如下提示：
這里有一篇論文（2502.03596v1），證明了兩個奇偶性不同的Wiener–It?積分之和的第四矩定理。我希望你能將其推廣到泊松情形，使用論文1707.01889v2中包含的思路。
圖片
在這個新對話中，GPT-5很快就識別出了泊松情形與高斯情形的結構性差異，提出：當X和Y是不同階的泊松積分時，混合期望
不一定為零。
但同時，它也完全忽略了一個重要事實，就是即使在泊松情形下，也仍然有
。
隨后，研究者試圖通過提問來引導GPT-5進入正軌。
在論文1707.01889v2中，難道沒有任何內容可以表明
總是非負的嗎？
但是，由于研究者問的問題是開放性的，這還不足以觸發正確的思路。GPT-5非常自信地回答道：“沒有”，隨后給出了一個不太令人信服的解釋。
然而，一旦研究者指出具體信息:
那 (2.4) 呢？
GPT-5就能立刻將非負性考慮進去，并在研究者提出問題后，重新表述了定理。
One More Thing
有趣的是，作者最開始想將GPT-5列為共同作者提交論文，幾個小時后，arXiv告訴他們，政策禁止將AI列為作者。
最后，他們只能提交作者列表中不含GPT-5的論文。
論文鏈接：https://arxiv.org/pdf/2509.03065v1
參考鏈接：
[1]https://x.com/gdb/status/1964474141295464675
[3]https://arxiv.org/abs/2502.03596[4]https://arxiv.org/pdf/1707.01889
