二十年求索，九十分钟破解

2026 年 7 月 14 日，宾夕法尼亚大学沃顿商学院统计学副教授埃德加·多布里班（Edgar Dobriba）打开 ChatGPT，向 GPT-5.6 Sol Pro​ 抛了一道压了二十年的题。

大约九十分钟后，他收到三样东西：一套反例构造方案、一份可机器核验的数值证明，以及一个让整个统计学界措手不及的结论。

同月，他的同事用 GPT-5.5​ 啃同一道题，多智能体并行跑了二十多个小时，无功而返。

只隔一代模型，耗时从"天"缩到"小时"——差距远不止数量级，更像是把一代人二十年的脑力量，压进了一场电影的时长里。

BH 方法：那道撑了十三万次引用的承重墙

先把这道题的分量说清。

1995 年，统计学家 Benjamini 与 Hochberg 提出一套方法，解决一个非常现实的痛点——同步做成千上万次假设检验时，假阳性会失控。基因组扫描、脑成像、因子筛选皆如此，检验越多，误报越凶。

BH 就像一道安全阀：保证研究者宣称的"重大发现"里，错误发现率（FDR）不踩过预设线。至今这篇论文引用 超 13 万次。斯坦福统计泰斗伊曼纽尔·坎德斯（Emmanuel Candès）给过判词：1950 年以来统计学领域最重要的两项成果之一。

但它头上悬了一团云。

BH 最早只在数据相互独立的理想条件下被证有效，后来延伸到正相关场景。可现实数据哪有那么乖——基因组连锁不平衡、脑区信号联动、金融指标同涨同跌，全是"任意相关"。于是学界卡出一个问号：

在任意相关结构的双侧高斯检验下，BH 还能稳稳控住 FDR 吗？

过去二十年，包括 Benjamini 本人在内的顶尖学者反复推公式、跑仿真，多数人倾向"应该还行"。但两样东西一直缺：严谨证明，或能证伪的反例。

这道题，立了二十年。

一套因子模型，撬开一道缝

多布里班喂给 GPT-5.6 的输入极克制：只有 BH 方法的严格数学形式化定义。没雕提示词，没加思维链，没"请分步推理"。

模型自己把反例推出来了。

它搭了一套特定高斯因子模型，含三组变量——96% 原假设为真，4% 带信号，所有观测共享一个潜在随机因子 Z。调分块载荷，让 Z 落在某一组正概率区间时，信号区块推高拒绝数的同时，原假设的双侧尾部概率刚好高于理论预期。

结果：显著性水平 α=0.01 下，BH 实际 FDR 跑到了 0.0104，严格越线。

差只有 0.0004，极小，但够了。反例不需要宏大，存在即可。

更关键的是，GPT-5.6 同时生成了区间算术核验证明——借助 Python forest 调用 Arb 数学库，全部运算用向外取界的区间算法，每条计算边界都确保包含精确实数解。不是浮点近似，是严格的有限数学证明，任何人都能拉代码复现。

多布里班在论文里写了一句挺戳人的话：

"这套组合本身不难想。难点从来不在方法，而在找准方向。"

"我本希望是人类完成的"

加州大学伯克利分校统计学家 Will Fithian​ 在社交平台留的那段，被转得最多：

这个猜想是统计学领域最有意思的未解难题……GPT-5.6 把它解开了，但我原本希望由人类完成。

"本期待人类攻克"——这七个字的失落，比任何技术指标都重。

有数学家坦言，自己和团队用 GPT-5.5 啃过好几轮，全败。学界开始冒出一种声音：理论统计学家以后的位置在哪？

多布里班给了句定心丸：本次发现现阶段主要影响理论层，BH 实务里照样能用。

但"理论层"这三个字，恰恰是学科最难撼的那块。

理论是地基。地基裂一道缝，楼上不会立刻塌，但所有人都知道缝在那。

九十分钟，折叠二十年

对理论统计这行来说，历史像在这一刻被折了一下——人类二十年的脑力量，被压进模型九十分钟的推理里。

这和以往"AI 辅助科研"不一样。过去 AI 是工具，人指路，工具执行。这一回，GPT-5.6 只凭一个形式化定义，自己找论证路径、自己搭反例、自己出可核验的证明——全程没人引导，完成了"提问题→反例→证明"的完整一跳。

多布里班已把对话记录和提示词全公开。看完会感慨：那段输入短到意外——没反复雕，没几十轮调，抛一个问题，等九十分钟，收结论。

同周 GPT-5.6 还一小时攻下图论五十年猜想、一夜解开卡了物理学家半年的弦论题，BH 是第三发。Tracking AI 离线 IQ 榜 GPT-5.6 全家桶 136 分，首破 130"天才线"。

多布里班自己的评语倒是稳：

"模型能力的提升真切可感。我们身处一个激动人心的时代。"

激动是真的，失落和茫然也是真的。

那堵撑了十三万次引用的学术承重墙，被 GPT-5.6 撬了条缝。缝不宽，但新风已经进来。没人看得清这阵风最终吹向哪。

长推理跑起来，模型侧的事也得跟上

BH 这种题能 ninety-minute 跑完，背后是 Sol 档长推理 + Ultra 多 Agent 协同 + 150 万上下文——但"单任务长耗、多轮核验、还得反复调"的科研场景，token 消耗是真不便宜。同周那几发（图论、弦论）要是全走官方直连，账单先扛不住。

现在不少研究团队的做法是分层次切：GPT-5.6 Sol 主攻长推理和科研攻坚，Claude 4/5 写 Agent 循环逻辑，Gemini 扛多模态，DeepSeek 补性价比——不同环节塞不同模型，账才好看。

像 UseAIAPI​ 这类把 GPT-5.6、Gemini、Claude、DeepSeek 等最新主流模型聚在一起的接入服务，最近在科研和开发者圈提得越来越多：省掉逐个签约、逐个适配的麻烦；实验室或企业可以按自己节奏做定制封装，长推理、Agent 循环、多模态都能直接嵌；价格层面，官方定价 5 折起，对"单次长耗 + 多轮迭代"这类科研调用，预算比较好控。

九十分钟撬动二十年，是模型的事；让模型能安心跑满九十分钟不被账单叫停，是接入侧的事。两边都就位，"折叠历史"才折叠得起。