文章核心观点 - 由上海科学智能研究院、北京大学、复旦大学组成的联合团队，利用名为PackingStar的强化学习系统，在困扰人类300多年的高维“亲吻数”数学难题上取得系统性重大突破，标志着AI for Science进入由AI自主探索未知的2.0新阶段 [10][49][55][60] 研究背景与问题定义 - “亲吻数”问题研究在n维空间中，一个球体周围最多能有多少个同等大小的球体与其相切而不重叠，该问题源自1694年牛顿与格雷戈里的争论，在三维空间中被证明为12个，但高维空间求解极其困难 [2][5][6] - 高维空间球体排列方式呈指数级暴涨，人类几何直觉失灵，在过去近50年里，亲吻数构造仅有7次实质性进展，方法难以迁移 [9][17] 研究团队与核心成果 - 研究团队来自上海科学智能研究院、北京大学和复旦大学，其PackingStar系统一次性刷新了25至31维连续7个维度的世界纪录，并在其他多个维度及广义亲吻数问题上刷新纪录 [10] - 具体成果包括：在13维发现优于1971年以来所有有理结构，在14维等多个维度找到超过6000个新构型；将“两球亲吻数”中14维、17维纪录分别刷新至252和578；将“三球亲吻数”中12维、20维、21维纪录分别刷新至81、405和567 [11][13] - 这些成果获得了离散几何领域权威专家（如麻省理工Henry Cohn教授）的高度评价，并被收录至权威榜单，是该领域三百多年来罕见的系统性突破 [10][34][61] 技术创新与方法论 - 团队完成了关键问题转化，将高维球体堆积问题转化为余弦矩阵上的操作，使计算天生适配GPU大规模并行计算 [18] - 首创多智能体博弈框架，通过“填充”与“修剪”两个智能体协同的“填充—修剪—解构—再填充”机制，大幅降低高维探索难度 [21][24][25] - 方法具有开创性：零数据、零先验，首次系统性发掘出大量反人类直觉的“非对称”高维构型，打破了学术界长期依赖对称型构造的认知框架 [27][59][60] 基础设施与工程支撑 - 项目依赖上智院联合复旦大学和无限光年建设的“星河启智科学智能开放平台”，强大的AI基础设施（AI Infra）是解决此类复杂问题的决定性因素之一 [35][40][41] - 工程团队通过自研底层CUDA算子，将核心计算链路的端到端吞吐效率提升了数倍，并开发了高鲁棒自动容错机制，确保千卡级GPU长周期任务的稳定运行 [42][44][45][46] - 这种以科学家为中心的开放基础设施，让科研人员无需担忧算力稳定性，能专注于科学灵感，用工程的确定性对冲科学发现的不确定性 [47][48] 行业意义与发展阶段 - 该成果标志着AI for Science进入2.0阶段：AI不再依赖人类提供的海量数据和标准答案，而是能在没有先验逻辑的领域进行从无到有的自主探索，并启发科学家 [49][52][54][55] - 与DeepMind的AlphaFold（1.0阶段）、AlphaGeometry等相比，PackingStar直面的是人类尚未明确问题边界的挑战，其系统性产出开创了AI for Math的新范式 [57][58][59] - AI的角色从替代人类计算答案，转变为参与科学探索本身，成为科学家的协作工具，能赋能更多年轻研究者站在科研前沿 [64][65][69] 团队文化与协作模式 - 团队营造了独特的跨学科协作文化，如上智院内的“学术酒吧”，促进了数学家、生物学家、AI研究员之间的思想碰撞 [74][75] - 团队体现了深度的人机协作：AI在远超人类直觉的空间中学习求解，人类科学家则对AI的结果进行解读并提炼新数学规律，双方在互动中共同进步 [67][68][76]