AI 大事件 | 2026年10月28日

导读： 10 月 27 日的 AI 新闻，主题是“AI 开始做科研本身”。OpenAI 一口气甩出三份手稿，宣称在数学、计算机科学与理论物理上同时取得突破——其中最刺眼的一条是“指数时间假说为假”；同一天，Axiom Math 宣布用 AI 智能体集群在 24 天内写出了 4310 万行 Lean 代码，完成了有限单群分类定理的首个计算机完整校验。模型不再只是解题工具，正在变成产出原始研究数据、甚至重写教科书的仪器——但两份成果都还处在“宣称”阶段，真正的考验在同行手里。

1. OpenAI 三项科学突破宣称：局部平滑猜想、指数时间假说为假、量子色动力学存在性证明

10 月 27 日，OpenAI 宣布其 AI 模型在数学、计算机科学与物理学三个领域取得新进展。数学方面，模型证明了适用于所有维度的局部平滑猜想，并由此解决该猜想与 Kakeya 猜想；计算机科学方面，模型宣称“指数时间假说（ETH）为假”——即推翻了 1999 年 Impagliazzo 与 Paturi 提出、被数百篇论文作为前提的长期假设；物理学方面，模型给出了量子色动力学（QCD）及杨–米尔斯理论的严格数学存在性证明，涉及七大千禧年难题之一。OpenAI 称数学与计算机科学成果已通过 Lean 形式化验证工具完成验证，证明材料已公开。

OpenAI 在新闻稿里的措辞值得原样记住：这些手稿“最好被理解为一种原始研究数据”，公司正“尝试一种新方法”，即与外部专家合作理解结果。换句话说，OpenAI 自己也没有完全宣称“我们证明了”——它说的是模型跑出了这些结构与关联，请全世界最硬核的头脑来帮忙读懂。第三方拆解也给出了必要的冷水：ETH 论文给出的算法只有在变量规模大到天文数字（开关数超过 2 的 521283 次方级别）时才快于人类纪录，它反驳的是“无限规模下”的假设，并不证明 P 等于 NP，也不直接影响日常加密。

摘要： OpenAI 10 月 27 日宣布三项进展：局部平滑猜想与 Kakeya 猜想、指数时间假说为假、QCD 存在性与标准模型完备化；数学与计算机科学成果称已通过 Lean 形式化验证；公司自称手稿是“原始研究数据”，请外部专家共同解读。

为什么重要： 如果其中任何一项经同行确认，都足以改写教科书——ETH 一旦为假，算法复杂性理论的地基要重排；QCD 存在性证明则是千禧年难题级别的进展。但眼下最值得从业者学到的不是结论，而是范式：AI 从“帮人解题”转向“产出人类尚未完全理解的研究数据”，验证环节（Lean 形式化、同行复核）成了瓶颈。在同行确认之前，引用时务必保留“宣称”二字——这是对读者负责，也是对这项工作本身负责。

来源： 搜狐 / 市场资讯：OpenAI 宣布三领域新进展（10 月 27 日） · 财联社经新浪：OpenAI 三项新成果（10 月 27 日） · YouTube 拆解：ETH 论文的算法细节与适用规模说明（注：结论均为 OpenAI 宣称，尚未见同行评议确认；ETH 算法仅在极大输入规模下优于人类纪录）

2. Axiom Math：AI 智能体集群 24 天写出 4310 万行 Lean 代码，完成有限单群分类定理首个计算机完整校验

10 月 27 日，Axiom Math 宣布发布首个经计算机完整校验的有限单群分类定理（CFSG）证明。工程师与数学家指挥数十个 AI 智能体组成的集群，在 24 天内完成了这一成果，智能体在 Lean 证明助手中编写了约 4310 万行代码。分类定理确定了有限群的基本构件，其原始证明分布在 500 多篇论文中、约 1.5 万页、约 100 位数学家参与撰写，因此被称为“巨大定理”——人类花了几十年才写完、至今无人能完整通读的证明，第一次有了可由机器逐行校验的版本。

摘要： Axiom Math 10 月 27 日发布 CFSG 首个计算机完整校验证明：数十个 AI 智能体 24 天内在 Lean 中写出约 4310 万行代码；原证明约 1.5 万页、500 多篇论文、约 100 位数学家。

为什么重要： 这条新闻与上一条是同一枚硬币的两面：OpenAI 产出“待解读”的手稿，Axiom 则产出“可校验”的证明——后者恰恰是前者最缺的一环。对数学与形式化验证从业者，这意味着 AI 智能体集群已经能承担超大规模证明工程的施工队角色；对更广泛的 AI 从业者，启示是“可验证性”正在成为 AI 科研产出的分水岭：能被 Lean 逐行校验的成果，与只能被“相信”的成果，价值不在一个量级。下一步值得盯的是：这份 4310 万行证明能否被独立团队复现校验、以及其中 AI 生成部分的错误率。

来源： Unite.AI：Axiom Math 发布群分类定理的 Lean 证明（10 月 27 日）

3. Liquid AI 发布 LFM3：一套共享骨干上长出文本、视觉、音频、全模态与决策六款 2B 级开源模型

10 月 27 日，Liquid AI 宣布 LFM3——新一代开源 Liquid 基础模型，把文本、视觉、音频、全模态与决策模型放在同一共享骨干上。首批六款模型均属 2B 参数级别：LFM3-1.7B（纯文本）、LFM3-VL-2B（文本+图像+视频输入）、LFM3-Audio-2B（文本或音频输入、文本或语音输出）、LFM3-Omni-2B（公司首个全模态模型，四模态输入、文本与语音输出），以及两款决策模型 d1-2B 与 d1-omni-2B（输出校准答案而非生成文本）。全部从同一 LFM3-1.7B-Base 分支而来，文本模型 1.73B 参数、25.6 万 token 上下文、支持 16 种语言，采用 LFM Open License v1.0，权重已上 Hugging Face。

官方口径的两个数字值得记：基座模型在 22 万亿 token 上预训练，LFM3-1.7B 以比上一代 LFM2.5-2.6B 少 35% 的参数实现更优表现；4-bit 量化后文本模型约 1GB，可塞进手机。架构上保留了门控短卷积（过半层）加滑动窗口注意力，并在三星、OnePlus 手机、树莓派 5、苹果与 AMD 笔记本、高通 Hexagon NPU 等 14 种设备与后端组合上调优；首发合作方包括 Ambarella、AMD、Arm、Intel（OpenVINO）、英伟达、OpenRouter、高通与 Vercel，梅赛德斯-奔驰与 Shopify 参与了发布前测试。

摘要： Liquid AI 10 月 27 日发布 LFM3：六款 2B 级开源模型共享同一 1.7B 基座，覆盖文本、视觉、音频、全模态与决策；25.6 万 token 上下文、16 种语言、Hugging Face 开放权重；4-bit 下约 1GB，面向端侧部署。

为什么重要： 端侧 AI 的竞争正在从“能不能跑”转向“一个骨干够不够用”：同一骨干长出六种能力，意味着开发者可以用一套微调与部署管线覆盖从聊天到决策的场景，而不必为每种模态各养一套模型。对做手机、车机、边缘设备的团队，LFM3 是值得上机实测的候选——但要先验证中文与多语言表现（16 种语言的具体覆盖需查模型卡），以及决策模型的校准质量是否真如其名。

来源： Unite.AI：Liquid AI 发布 LFM3 六款开源模型（10 月 27 日） · AI Brief：LFM3 端侧发布细节（22 万亿 token 预训练、14 种设备调优）

4. Google DeepMind 推出 Genie 4：实时交互世界模型进入研究预览，画面、声音、对话由模型同步生成

10 月 27 日，Google DeepMind 宣布 Genie 4——新一代世界模型，用于实时交互式模拟，现以研究预览形式向受信任测试者开放。Genie 4 原生多模态：音乐、环境音与交互对话与模拟世界同步生成，而非事后配音。DeepMind 称其“解锁了前所未有的真实感”，演示中画面更写实、运动更流畅、伴音直接由模型产出。技术底座来自 Gemini 家族：Gemini Omni 让模拟锚定真实世界的外观与行为，其他 Gemini 模型提供维持模拟连贯性所需的复杂推理——用户推动一个事件，模型接着模拟世界如何回应、听起来如何、其中的人如何移动、反应与说话。

摘要： DeepMind 10 月 27 日发布 Genie 4 世界模型研究预览：实时交互模拟，原生同步生成音乐、环境音与对话；Gemini Omni 锚定真实外观行为，Gemini 推理维持模拟连贯。

为什么重要： 世界模型是通往机器人训练与 Agent 仿真环境的关键一环：过去训练机器人要么靠昂贵真实数据，要么靠规则仿真；一个能实时生成可交互、可听可见世界的模型，意味着训练环境可以“无限变量”地生成。但目前仍是受信任测试者限定的研究预览，普通开发者还拿不到——值得记的是方向而非立即上手：交互式模拟正在从“生成视频”升级为“生成可进入的世界”，游戏、机器人仿真与交互内容创作都会被波及。

来源： Unite.AI：DeepMind 推出 Genie 4 研究预览（10 月 27 日）

5. 百度发布并开源文心 Unlimited OCR 2：文档解析上限从数十页推向“无限”，3600 页一读到底

10 月 27 日，百度发布并开源文心 Unlimited OCR 2，全球首次实现任意页数文档解析——把 OCR 的处理上限从数十页推向“无限”。实测中，模型一次性解析《哈利·波特》全系列 7 部、累计超过 3600 页，在文档长度大幅增加的情况下仍保持较高精度与处理效率。公开基准上，面向多页文档解析的 MPDocBench 与百页级超长文档解析的 MarathonDocBench 综合得分分别为 84.6 分与 77.1 分，达到端到端性能 SOTA，领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等模型。

关键技术是稀疏参考滑动窗口注意力机制（SR-SWA）：借鉴人类抄录书籍的过程——专注当前页面，只在需要核对前文或查找跨页信息时回看相关内容，而非反复翻阅整本。页面门控先把每个查询的视觉参考范围从整个文档缩小到相关页面并建模跨页位置关系，再引入得分最高的视觉 Token 桶捕捉长距离视觉依赖；报告称百页场景下单步解码速度比 Full Attention 快 7 倍、比上一代 R-SWA 快 5.6 倍。

摘要： 百度 10 月 27 日发布并开源文心 Unlimited OCR 2：任意页数文档解析，实测 3600 页《哈利·波特》全系列一次读完；MPDocBench 84.6 分、MarathonDocBench 77.1 分，端到端 SOTA；SR-SWA 机制使百页场景解码快 7 倍。

为什么重要： 对中文文档数字化、财报研报解析、法律档案处理这类“长文档是常态”的场景，这是直接的生产力变化：过去按章节切分再拼接的老办法，既丢跨页信息又贵；无限页解析把整本当作一个输入处理。对开发者：开源意味着可以本地部署验证中文长文档的实际精度——基准分数来自厂商口径，真实业务文档（扫描模糊、表格跨页、竖排混排）的表现仍需实测。

来源： 腾讯新闻：文心 Unlimited OCR 干掉文档解析上限，3600 页一读到底（10 月 27 日）（注：基准分数与速度倍数为厂商报告口径）

6. 苹果发布 M6 MacBook Pro 与 iMac：端侧 AI 性能最高提升 5 倍，11 月 6 日上市

10 月 27 日，苹果发布搭载最新 M6 芯片的 14 英寸 MacBook Pro 与 iMac，主打在设备本地更快运行 AI 任务。14 英寸 MacBook Pro 起售价 1999 美元，iMac 起售价 1499 美元；10 月 28 日起在 35 个国家和地区接受预订，11 月 6 日上市。官方口径：M6 MacBook Pro 图形性能比 M5 快 30%、AI 性能快 25%，续航最长 24 小时，为 Mac 史上最长；iMac 的端侧 AI 性能比上一代 M4 机型快 5 倍。发布次日（10 月 28 日）苹果还将在洛杉矶举办一场活动，据彭博社报道预计将展示首款触屏 MacBook Pro。

摘要： 苹果 10 月 27 日发布 M6 MacBook Pro（1999 美元起）与 iMac（1499 美元起）：M6 机型 AI 性能比 M5 快 25%、续航 24 小时；iMac 端侧 AI 比 M4 快 5 倍；11 月 6 日上市。

为什么重要： 端侧 AI 正在变成换机理由：当 LFM3 这类 2B 模型能在手机上跑、文心 OCR 能在本地读 3600 页时，芯片的本地推理能力直接决定了这些模型在用户设备上的体验上限。苹果把 AI 性能写进发布会主标题，说明“本地跑模型”已从极客需求进入主流卖点。对开发者：M 系列设备的本地推理生态（MLX、Core ML）值得重新评估——云端 API 成本与延迟之外，本地部署正在成为可选项。

来源： 路透社：苹果发布 M6 MacBook Pro 与 iMac，主打端侧 AI（10 月 27 日）

7. 瑞士 Giotto 发布主权 AI 家族：Solo 与 Alto，主打“AI 公共基础设施”、无美国依赖

10 月 27 日，瑞士洛桑 AI 实验室 Giotto.ai 宣布推出主权 AI 家族 Giotto Solo 与 Giotto Alto——面向公共云、专用云与本地部署的高效推理模型，附带免费匿名聊天与 iOS、Android 应用。官方定位：Alto 向所有人免费开放，在 8 块 B300 GPU 上运行；Solo 是“能在单块 GPU 上运行的最强模型”。部署路径刻意绕开美国依赖：欧洲共享云、瑞士或欧洲专用云、本地部署均可，Giotto 的使命表述是“让先进 AI 成为公共品，让人们按自己的条件使用它”。

摘要： Giotto 10 月 27 日发布主权 AI 家族 Solo 与 Alto：高效推理、免费匿名聊天；Alto 免费、8 块 B300 运行，Solo 单 GPU 运行；部署覆盖欧洲云与本地、无美国依赖。

为什么重要： “主权 AI”正在从口号变成产品形态：继各国政府表态之后，出现了一家把“部署地点、数据归属、可迁移性”写进产品说明书的实验室。对欧洲机构与出海企业，这类产品的意义不在基准分数，而在合规与可控：数据不出境、模型可本地运行、供应商不在美国管辖之下。对中国读者：Giotto 的模式也提供了一个参照——当 AI 成为基础设施时，“谁运营、数据在哪、能不能搬走”会成为与性能并列的选型维度。

来源： TradingView 转路透社通稿：Giotto 发布主权 AI 家族（10 月 27 日）

8. 政策信号：美国智库提案要求披露“AI 造 AI”的程度，季度报告 + 重大变化 4 个工作日内通报

10 月 27 日，美国非营利组织 Americans for Responsible Innovation（ARI）提出政策框架：要求主要 AI 开发者披露是否以及在多大程度上使用自家技术开发新模型，并向新设的商务部办公室提交季度报告；研究实践发生重大变化时，须在 4 个工作日内通报。提案的出发点是：AI 越来越多地承担起开发更强后继模型所需的研究工作，开发周期可能加速，留给政府与安全研究者评估新风险的时间随之缩短——“华盛顿对这一转变的可见性，不应取决于企业选择公布什么”。

摘要： ARI 10 月 27 日提出披露框架：主要开发者须报告用 AI 开发新模型的程度，季度报送商务部新办公室，重大变化 4 个工作日内通报；背景是 AI 造 AI 可能加速开发周期、压缩风险评估窗口。

为什么重要： 这条提案与本期头两条新闻直接咬合：如果 AI 真的开始产出数学证明、设计后继模型，那么“AI 在多大程度上参与了下一代模型的研发”就不再是八卦，而是监管与安全评估的基础数据。提案目前只是智库框架、并非法律，但它标志着监管视角的转移：从管“模型输出什么”转向管“模型是怎么被造出来的”。对从业者：研发流程的可审计性（数据、算力、AI 参与度）迟早会进入合规清单，现在开始留记录比事后补成本低得多。

来源： PYMNTS：AI 披露提案瞄准模型如何构建后继模型（10 月 27 日）

结尾： 一句话总结今天：AI 正在从“帮人干活的工具”变成“产出新知识的仪器”——而人类接下来要补的课，是如何验证它产出的东西。