微软研究团队破解31年数学难题KLS猜想

经过31年的等待，数学界一项重量级悬案终于尘埃落定。微软研究院机器学习与优化组的张信志（Xinzhi Zhang）与合作者赵松（Zhao Song）近日宣布，完整证明了卡南—洛瓦兹—西蒙诺维茨猜想，即KLS猜想。这一1995年提出的命题被广泛视为高维几何领域最核心的未解问题之一，其解决对统计学、优化、算法和理论计算机科学都有深远影响。值得注意的是，这项突破并非单靠前沿AI模型的一次性运行，而是通过研究者引导的智能体协作流程完成的，为“人机共研”的科学发现模式提供了标杆式案例。

什么是KLS猜想：高维空间的导航难题

KLS猜想询问的是一个看似简单却极为深刻的问题：对于一大类高维概率分布（对数凹分布），用平面或超平面进行的最优“切割”，是否总是与任意形状的最优切割几乎同样有效？更精确地说，KLS预测两者之间的差距不超过一个与维度无关的通用常数。如果成立，这将确立一个“维度无关”的几何原理。

这个问题之所以重要，是因为这些切割的几何性质决定了随机游走探索一个分布的速度，因此KLS在高维采样理论中处于核心地位，而高维采样正是许多随机化算法效率的理论根基。这一难题的重要性早已得到学界公认：数学科学研究所（MSRI）在2017-18年度报告中称其为“高维凸几何的一个核心未解问题”；西蒙斯研究所称它是“凸几何最重要的开放问题之一”；Ronen Eldan在2022年国际数学家大会（ICM）论文集中指出它对高维凸几何与计算几何的广泛影响；《量子杂志》则评价KLS“处于统计学与计算机科学诸多问题的核心”。

技术突破：递归精化消除维度依赖

研究团队首先改进了2026年7月已有的最佳结果。此前该结果允许误差界随维度缓慢增长，尚不能完全解决问题。在与AI智能体协作、结构化的人主导流程中，团队探索了超过100种候选方法，其中许多涉及高阶张量的冗长计算，最终提炼出一个新的数学判据，成为最终证明的基石。

随后作者发现这一新判据可以递归应用：每一次改进的界都可以反馈进同一论证，产生更紧的界。在2026年10月1日的论文版本中，这将维度依赖降低到了迭代对数——一个增长极其缓慢但仍在增长的函数，因此仍未彻底解决猜想。

最后一步是将整个递归精化过程反复执行，而非仅应用一次。这一灵感来自作者此前在线性规划快速算法上的工作。他们证明每一阶段引入的小误差收缩得足够快，其总量始终被一个与维度无关的通用常数所约束，从而彻底消除了对维度的依赖，并在2026年10月4日的论文版本中完成了证明。递归方法、其反复应用以及误差有界的证明，都是研究者的原创贡献；AI工具则辅助探索候选思路、执行详细推导、撰写稿件和进行内部证明检查。

独立验证：三重确认确立可信度

在作者发布完整证明的当天，一个由顶尖专家组成的独立团队也发布了他们并行开发的完整证明，其工作建立在微软论文第一版的基础之上，并称其中的关键判据是“证明中的关键一步”。同一天，第三个基于密切相关思想的证明也独立出现。此外，随后还发布了Lean 4形式化验证，将微软首篇论文的关键判据与后续研究相结合。

独立证明是数学界最强的验证形式之一，因为它表明结论并不依赖于单一推理链条。作者还缩短了证明并在Lean中验证了精简版本，计划在最终评审后一并发布。多种互补的确认方式进一步增强了学界的信心：这一领域揭示的是真正底层的几何原理，而非脆弱的技术性论证。

人机协作：研究者引导而非AI独奏

这项研究同样展示了“研究者引导AI”的巨大威力。作者采用的智能体搜索流程带有迭代式的人工剪枝：多个智能体并行探索某一想法的不同变体，研究者审视中间结果，淘汰无希望的方向，并将最有希望的结果传入下一轮。大约一百条研究轨迹被探索之后，关键突破才浮现。

项目的另一条平行轨道颇具启发性：作者用多个领先的AI模型反复进行无引导的尝试来求解同一问题，消耗的token总预算与主流程大致相当，但未能达到目标。这清楚地说明，最终的成功既依赖于AI系统的能力，也依赖于研究者的数学判断——正是人的科学判断在识别有希望的方向、发现概念之间的联系、以及洞察部分成果何时指向更深结论方面发挥了不可替代的作用。

影响与展望

KLS猜想的解决使此前依赖该猜想作为假设的大量结果现在可以无条件成立，为凸几何、概率论和理论计算机科学提供了更坚实的地基。它确立了高维空间比以往所知更有序的图景：在其中航行的障碍不会随维度增加而无限增长。作者现在正简化证明并扩展其形式化验证，以便数学与理论计算机科学界更容易检验并在此基础上继续构建。这一工作也预示着未来科研的新范式——AI负责大规模探索与推导，人类负责判断与方向，两者协同方能攻克真正的科学难题。