核心观点 - 上海科学智能研究院联合高校团队利用多智能体强化学习系统PackingStar，在数学的“亲吻数”问题上取得系统性突破，标志着科学智能进入“人机协作”互促进化的2.0新范式 [1][3][6] 技术突破与科学意义 - 团队设计的PackingStar系统在多个维度刷新了困扰数学界数百年的“亲吻数”纪录，实现了数学结构领域的系统性突破 [1] - 该系统解决了高维组合优化问题，其找到的解拥有明确的几何规则，却破坏了全局对称性，蕴含着新的数学构造逻辑 [3] - 此次突破的意义超越了数据本身，在于开启了一种“人机”互促进化的科研新范式：人类提供直觉和洞察，AI构造结构和搜索证明，人类再理解结果并抽象理论，进而改进直觉和AI系统 [3] - 对比依赖海量已知数据的“科学智能1.0”代表AlphaFold，PackingStar面对几乎没有现成训练数据的数学问题，实现了在“无中生有”的过程中搜索、生成与合成数据以逼近未知结构，是科学智能2.0的代表 [4] 研发方法与团队协作 - 项目成功的关键在于“工程+算力”，利用人工智能这一工程性平台，以工程化的稳定性来对冲科学发现的不确定性，从而加速数学发现过程 [6] - 研发过程形成了“AI—科学—工程”三位一体的紧密协同模式：科学家提供问题理解与判断边界，AI专家设计搜索与学习机制，工程团队支撑规模化计算与系统实现 [6] - 团队由平均年龄约30岁的跨界年轻人组成，成员背景涵盖物理、人工智能、数学等，没有学科界限，体现了跨界的碰撞与协作 [7] - 团队名称“PackingStar”具有双层含义：既指高维空间填充的球体像星星，也喻指团队中每一位跨界的年轻人都是新星 [7] 行业影响与范式转变 - 此次突破证明了人工智能能够解决有意义的数学问题，挑战了行业里一些大数学家认为AI短期内不可能做到这一点的断言 [5] - 人工智能将数学家从繁琐的计算和构造证明的尝试中解放出来，使其角色转变为“数学观察者”和“直觉设计者” [3] - 这标志着科学研究范式转变为人类定义问题、AI协助解决的“人机协作”模式，AI从工具转变为合作伙伴，让人类能更快更深入地探索奥秘 [8] - 这种创造诞生于“科技与人文的十字路口”，AI不再是冰冷工具，上海在此过程中展现了其独特的人文底色 [8]

研究突破与成果 - 研究团队设计多智能体强化学习系统PackingStar 在多个维度刷新亲吻数与广义亲吻数纪录 实现数学结构领域罕见的多维度 系统性突破[1] - PackingStar在25维至31维刷新人类已知最佳结构 打破14维与17维长期保持的"两球亲吻数"纪录以及12维 20维 21维"三球亲吻数"纪录[2] - 在13维发现优于自1971年以来所有有理构造的新结构 并在多个维度发现6000余个新构型 这些由AI生成的构型数学多样性极为丰富 包含数学家从未想到过的构造方式[2] 研究方法论 - 研究团队将亲吻数的高维堆积问题转化为余弦矩阵填充问题 在多智能体协作框架下探索远超人类直觉的复杂空间[1] - 与过去仅修补个别维度构型的方法不同 PackingStar选择重新定义问题本身 将高维几何难题转化为AI模型所擅长的代数计算问题 形成可跨维度迁移的探索路径[2] - 研究团队表示 这不是工具层面的替换 而是开创了全新的方法论 带来了AI for Math范式的一次前移[2] 系统性能与协作模式 - PackingStar项目通过系统性的工程优化 使计算效率显著提升 同时构建稳定的容错机制 为大规模 长周期计算提供可靠支撑[1] - 研究过程中逐步形成稳定的人机协作模式 通过将宏大的科学目标拆解为具体项目 由人工智能与科研人员协同推进[3] - 以工程效率和系统稳定性对冲探索过程中的不确定性 使重大问题能够持续 有序推进[3] 行业影响与评价 - 相关成果获得麻省理工学院教授 离散几何领域权威亨利·科恩的高度评价[2] - 在人工智能加速进入基础科学领域 驱动科研范式变革的背景下 该研究意味着数学研究正呈现新的探索路径[3]

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]