文章摘要
人工智能Claude在一小时内解决了Donald Knuth教授提出的哈密顿分解难题，Knuth将论文命名为《Claude的循环》。随后其他研究者用GPT-5.4 Pro和Claude合作，分别攻克了偶数和奇数情况，并进行了形式化验证，最终完整解决了这个开放性问题。
文章总结
人工智能破解数学难题：克劳德与GPT联手攻克哈密顿分解问题
三周前，人工智能Claude在短短一小时的有引导探索中，成功解决了计算机科学大师高德纳（Donald Knuth）教授长期研究的开放性问题——奇数m的哈密顿分解构造。这一突破令高德纳教授震惊，他将相关论文命名为《克劳德的循环》。
但故事并未就此结束。最新进展显示：
奇数m的深入研究：
- 当m=3时，系统共发现11,502个哈密顿循环
- 其中996个可推广至所有奇数m情况
- 高德纳教授证实存在760个有效的"克劳德式"分解结构
偶数m的突破：
- Claude未能完成的偶数情况，由Ho Boon Suan博士借助GPT-5.4 Pro攻克
- 产生了14页的完整证明（适用于所有m≥8的偶数）
- 计算验证已扩展至m=2000
后续优化：
- Keston Aquino-Michaels博士通过GPT与Claude的多智能体协作，为奇数和偶数m都找到了更简洁的构造方法
- Kim Morrison博士使用Lean语言对高德纳教授的证明进行了形式化验证
这一系列突破标志着人机协作研究范式的成熟：从单个AI解决单一问题，发展为包含多个AI系统、多位研究人员和形式化验证工具的完整数学研究生态系统。最新版论文已更新发布。
（注：文中图片链接及推文发布时间等次要信息已略去）
评论总结
这篇评论内容主要围绕AI在数学领域的应用和影响展开讨论：
- 对AI数学能力的肯定观点：
- 认为AI擅长"低深度高广度"的数学探索："LLMs are discovering...low depth high breadth situations"（评论3）
- 专家指导下的AI能解决很多问题："Once a field expert guides...reach a solution"（评论4）
- 对当前AI局限性的讨论：
- 指出AI存在盲点："For hard or complicated...have blind spots"（评论4）
- 预测未来发展方向："people will ditch LLMs...AlphaGo style RL"（评论3）
- 对AI发展的质疑：
- 表达对AI真实性的困惑："I can no longer recognize...honest intentions"（评论5）
- 提出基础性疑问："what does this mean for us mere mortals?"（评论1）
- 技术性讨论：
- 提及P与NP问题："wonder if people are taking stabs at p!=np"（评论2）
- 分享相关链接：提供Twitter讨论链接（评论6）
注：由于所有评论均无评分数据，无法评估各观点的认可度。