2026年10月，就在哥伦比亚大学Zuckerman研究所里头，在岗的是理论神经科学家DavidGClark发布预印本，宣布解析出1988年Sompolinsky随机神经网络模型的完整李雅普诺夫谱。这个困扰理论神经科学约38年的问题，此前只能通过大规模数值模拟近似回答。Clark提到，GPT-6Astra只用了大概100分钟，就自己独立算出了初始推导结果，之后他和多个AI模型一起配合，把这份内容打磨成了逻辑更通顺清晰的物理解释。
这不是AI取代科学家的戏剧化故事，而是一次挺值得关注的协作实验，AI要做的是在海量的数学空间里找出可行的路径，人类要做的是判断这些路径的实际意义，验证它们是不是正确，再把这些内容整理成可以反复使用的科学理论。

一个38年的“混沌地图”
想要搞懂这项成果，得先搞清楚混沌是什么，混沌系统对初始条件的敏感度特别高，就像做天气预报的时候，一个很小的误差，会跟着时间推移以指数级的速度越放越大，李雅普诺夫指数衡量的，就是这种扰动在不同方向上放大或者缩小的速度，而凑齐一整套完整的指数，就是李雅普诺夫谱。
可以把混沌系统想象成一片起伏剧烈的地形：最大李雅普诺夫指数只告诉你“最陡峭的下坡有多危险”，完整谱则描绘出整片地形有多少条危险路径、系统实际占据多大空间，以及它产生信息的速度。
1988年，Sompolinsky、Crisanti和Sommers在《PhysicalReviewLetters》提出一个随机耦合神经网络模型。他们还证明，只要连接强度超过临界值，网络就会进入混沌状态。他们算出了最大李雅普诺夫指数，只是把完整谱留作开放问题。
Clark的新工作，在大型网络极限下给出了完整谱的解析框架。其结果与4096个神经元的模拟高度吻合，还从理论上证明该模型的混沌是“广延的”：吸引子维度和熵率会随网络规模按比例增长。

从大脑研究到天气预报
这项成果最直接的用处，就是能让科学家更精准地分析高维非线性系统，也就是由大量互相影响的部分凑在一起组成的复杂系统。
大脑研究：有谱vs无谱。过去，研究者面对大脑自发活动时，往往只能观察整体模式或依赖数值模拟；现在，理论家可以用完整李雅普诺夫谱判断神经回路中有多少“混沌方向”、信息如何被放大或压缩。Clark指出，这类随机递归网络既是皮层自发活动的模型，也常作为训练递归神经网络的起点。
AI与工程系统，从黑箱到可诊断，大型神经网络、电网、气候模型和自动驾驶系统，都带有高维动态的特性，之前工程师一般只能靠压力测试，判断系统会不会出现失稳的问题，接下来类似谱分析的方法，很可能帮大家找出系统内部最容易出现失控放大的部分，Clark也明确表示，希望把这个方法拓展到训练后的网络，甚至AI模型本身。
普通人看天气预报做健康管理，能更早发现临界点讲真，像天气来回变、传染病传开、心跳节奏不对劲还有金融市场上下震荡这类情况，其实全都归在复杂动态系统的涵盖范畴里头。对普通人来说，这代表以后的预测系统，可能不只是告诉你明天会不会下雨，还能更早发现系统已经快要到发生剧变的临界状态。目前这项研究，还没法直接优化第二天的天气预报，还有，搞清楚预测误差变大的整个过程，它为我们提供了一套更严谨的数学工具。
咱先唠个特别好明白的事儿哈，早先大伙只能攥着电筒，在黑得伸手不见五指的地方高一脚低一脚慢慢往前蹭，灯光照到的那片地界，往顶多说也就刚能看清乱哄哄的路况里最陡的那段坡，不过到了当下，咱们手里头早就攥着一张完完整整的行进路线图了，不光每一段路的坡度数值，就连每一条踩上去不打滑的稳妥小路，全都标得明明白白。

AI不是自动科学家
不过，不宜把这次突破简化为“GPT-6解决了38年难题”。Clark本人强调，GPT-6Astra给出的初始推导“复杂且有些神秘”，他随后深入分析其结构，并与AI模型协作，才得到物理上更透明的推导。
这提示了三个现实限制：
可验证性到当下依旧特别重要人工智能算出来的结论乍一看逻辑严丝合缝，不过一项科研成果能不能真的立得住，最核心的点其实要看能不能够满足三条硬性要求，分别是独立复现、模拟对照、同行评审，眼下这项研究目前只以预印本的形式对外公开，之后还得靠整个学术界接着跟进、核验再做确认。模型适用范围有限。这项工作针对的是特定随机递归神经网络在大型网络极限下的性质；真实大脑、真实AI系统拥有结构化连接、学习机制和噪声，不能直接套用结论。科研伦理领域的信任危机正逐步显现。当人工智能介入研究推导过程，论文必须明确说明AI承担的具体任务、所用提示词的设计逻辑、结果的验证方式，还有研究人员在各个环节的实际参与程度，如果没有这类透明化披露，公众很容易对AI的真实能力形成误判，学术共同体也很难厘清成果归属与责任边界，Clark在其论文中专设“AIMethodology”章节，正是为应对这一现实挑战而提出的务实举措。 还有一个更深入的社会层面问题，就是当AI可以快速生成一大堆候选数学结构的时候，人类研究者身上那种很稀缺的核心能力，就会从原本的计算，转变成“提出好问题、识别有意义的结果、承担科学判断的责任”。

下一个被解开的难题是什么
接下来的3到5年，AI辅助理论研究的重点大概率不是让AI独立做科研，而是搭出一套全新的工作流程，AI专门负责摸索推导路径，生成各类猜想，还有检查代数结构，人类则负责设定具体问题，设计验证环节，解释对应的物理意义，Clark已经打算把这套方法用到其他网络模型、训练完成的网络，还有范围更广的高维系统里。
有个不算主流但很值得仔细琢磨的判断，这项研究带来的最大影响，可能不在神经科学领域，反而在AI自身的可解释性方向，要是李雅普诺夫谱这类工具可以迁移到大型模型上，我们或许就不用只纠结“模型为什么给出这个答案”，转而可以去探究“模型的内部状态正在沿哪些方向放大误差、生成信息或失去稳定”。
从个人的角度来看，未来的AI可能不再只是更聪明的帮手，而是可以协助专家穿透复杂系统表象、识别深层结构的得力搭档，放到产业层面来看，科研、工程与风险管理三者之间的界限会越来越模糊，彼此交织、相互赋能，很难再完全区分开，从整个社会的层面来看，真正值得深入思辨的命题并非AI能否思考，而是当机器持续帮我们厘清混沌、梳理纷繁信息的时候，人类是否还能守住对何为真正理解这一核心定义的最终裁量权。
#科技##科学##人工智能##难题##攻克#
参考资料：
David G. Clark, Lyapunov spectrum of random neural networks, arXiv:2610.12426, 2026。David Clark个人网站及研究介绍。David Clark于2026年10月9日在X上对研究过程、AI协作方式和理论意义的说明。Sompolinsky, Crisanti & Sommers, Chaos in Random Neural Networks, Physical Review Letters 61, 259 (1988)。GitHub仓库：davidclark1/rnn-lyapunov，包含论文代码与数据。 声明：本文的内容90%以上为自己的原创，少量素材借助AI帮助。但是，本文所有内容都经过自己严格审核。图片素材全部都是来源真实素材AI原创。所写文章宗旨为：专注科技热点的解读，用简单的语言拆解复杂的问题，无低俗等不良的引导，望读者知悉。