2026新论文：高斯矩猜想在n≥3失效

一篇纯数学论文，直接把一个听起来很“硬”的猜想打出反例，而且反例小到离谱：三变量、五项、多项式结构还很规整。更有意思的是，它不仅证明了猜想在 n≥3 失效，还顺手把和雅可比猜想的关系讲得很清楚，属于那种“结论狠，推导也狠”的工作。

龙哥读论文发布于 2026-08-27 00:20:06 阅读 3 查看原文

#AI科研 #人工智能

原论文信息如下：

论文标题:
Small Counterexamples to the Gaussian Moments Conjecture 发表日期:
2026年07月发表单位:
没有原文链接:
https://arxiv.org/pdf/2607.18186v1.pdf

雅可比猜想被证伪？小反例颠覆数学经典猜想

这篇论文最“狠”的地方，不是把一个大猜想讲得多玄，而是直接掏出两个小得离谱的反例：一个在四个实高斯变量里就能打穿高斯矩猜想，另一个更进一步，压到三个变量、五项四次式，结论还是一样——高斯矩猜想在 n≥3 时全线失效。数学里很多反例都像搬家：动静大、工具多、步骤长；这篇更像是“拿一根针，精准戳破气球”。

先把背景说人话。所谓高斯矩猜想（Gaussian Moments Conjecture，简称 GMC，英文全称 Gaussian Moments Conjecture，中文可理解为“高斯矩猜想”）讨论的是：给定若干独立标准实高斯变量，若某个多项式 P 的所有高阶矩都满足 E(Pm)=0，那它和别的多项式 Q 混在一起时，混合矩是不是也会“最后都归零”。直白点说，就是“一个随机多项式如果自身的高阶平均都没了，那它和别的函数搅在一起，长期会不会也安静下来”。这个猜想最早由 Derksen、van den Essen 和 Zhao 在 2017 年正式提出，其动机部分源于对雅可比猜想的代数结构分析。GMC 的原始表述是：对于任意正整数 n，如果 P 是 n 个独立标准实高斯变量 X₁, …, Xₙ 上的多项式，且对所有正整数 m 都有 E(P(X)ᵐ)=0，那么对于任意多项式 Q，是否也一定有 E(Q(X)P(X)ᵐ)=0 对所有足够大的 m 成立？注意这里“足够大”的表述很关键——猜想并不要求混合矩从第一阶就开始消失，而是要求存在一个阈值 M，使得当 m≥M 时混合矩为零。但论文给出的反例更强：它让混合矩对每个 m 都非零，而且精确等于 m!，这直接否定了猜想最核心的“最终归零”断言。

这篇论文的核心反例恰恰否定了上面那种“最后会安静”的直觉：P 的纯矩全都为零，但只要乘上一个合适的 Q，混合矩就不是零，而是直接长成 m!。这不是“偶尔翻车”，而是“每一阶都翻车”。更具体地说，论文构造了两个显式多项式对 (P₄, Q₄) 和 (P₃, Q₃)，分别对应四变量和三变量情形。在四变量反例中，P₄ 是一个六项三次齐次多项式，Q₄ 是一个二次多项式；在三变量反例中，P₃ 是一个五项四次多项式，Q₃ 是一个二次多项式。两个反例都满足 E(Pᵐ)=0 对所有 m≥1 成立，但 E(QPᵐ)=m! 对所有 m≥0 成立（这里约定 0!=1）。这个 m! 的增长速度非常快，远非“偶然非零”可以解释——它表明混合矩的结构与 P 的纯矩结构之间存在根本性的不对称。

如果把它放到更大的数学版图里看，这件事还碰到了另一个老牌问题：雅可比猜想（Jacobian Conjecture，简称 JC，英文全称 Jacobian Conjecture，中文通常译为“雅可比猜想”）。论文引用了 Derksen、van den Essen 和 Zhao 的结果：如果所有维度的 GMC 都成立，那么 JC 也成立。注意，这不是说“JC 证伪了，所以 GMC 也证伪”，逻辑没这么粗暴；而是说这两个猜想之间有一条很深的桥，GMC 不是孤零零的统计题，它和代数几何里最著名的难题之一是绑在一起的。具体来说，Derksen 等人证明了：如果对于所有正整数 n，GMC(n) 都成立，那么雅可比猜想（在所有维度上）也成立。这个蕴含关系是通过将雅可比猜想中的多项式映射转化为高斯矩问题来实现的——核心思想是利用 Bass-Connell-Wright 的降阶理论和 Lagrange-Good 反演公式，将雅可比映射的逆映射的系数与某些高斯矩联系起来。因此，GMC 的反例不仅本身有意义，还间接对雅可比猜想的研究策略产生了影响：它表明通过 GMC 来证明 JC 的路径在 n≥3 时已经走不通了，但 n=2 的 GMC 仍然可能为 JC 的二维情形提供线索。

这也是这篇论文的戏剧性来源：一边是经典猜想之间的深层联系，一边是作者给出极小反例，像在大厦地基上轻轻敲了一锤，结果整块砖都松了。

四步构建反例：从复数到实数高斯变量的精妙设计

这篇论文真正有意思的地方，不是“算出来了”，而是“怎么想出来的”。它不是靠暴力搜索堆出一个巨大式子，而是把高斯变量拆成更适合做代数操作的部件，再用生成函数把矩信息一口气打包。换句话说，作者不是在乱撞墙，而是在搭积木。整个构造过程可以清晰地分解为四个步骤，每一步都有明确的代数动机和可验证的计算结果。

第一步是把两个独立实高斯变量 X、Y 组合成复变量 Z=(X+iY)/√2 和 W=(X−iY)/√2。这样做的好处很直接：高斯旋转不变性会把很多期望值变成“系数提取”，也就是只要看某个单项式的系数是不是对得上。论文里给出的基本恒等式是 E(WaZb)=δaba!，意思是只有幂次配平时才有贡献，而且贡献就是阶乘。这个恒等式的推导依赖于标准复高斯变量的性质：Z 和 W 是相互共轭的复高斯变量，它们的联合分布具有旋转对称性。更一般地，对于任意仅依赖于 Z 的多项式 R(Z)，有 E(WᵃR(Z)) = a! [zᵃ]R(z)，其中 [zᵃ]R(z) 表示 R(z) 中 zᵃ 项的系数。这个“系数提取”公式是整个构造的基石——它将高斯期望的计算转化为纯代数操作，不再需要做任何积分。

第二步是引入一个“看起来不怎么起眼、但其实很会搞事”的结构：把 P 写成若干项的组合，让它在指数生成函数下产生可控的抵消。四变量反例里，作者设定了 P4 和 Q4，其中 P4 只有六项、总次数 3，但已经足够让所有纯矩消失，却保留了一个稳定的混合矩输出。具体地，四变量反例使用了两对复变量 (Z₁,W₁) 和 (Z₂,W₂)，P₄ 定义为 P₄ = Z₁W₂ + Z₂W₁ + Z₁²W₁ + Z₂²W₂，Q₄ 定义为 Q₄ = Z₁W₁ + Z₂W₂。通过直接计算可以验证，E(P₄ᵐ)=0 对所有 m≥1 成立，而 E(Q₄P₄ᵐ)=m!。这里的计算利用了生成函数技巧：考虑指数生成函数 E(e^{tP₄})，利用系数提取公式可以将其化为一个常微分方程，解得 E(e^{tP₄})=1，从而所有纯矩为零。类似地，E(Q₄e^{tP₄}) 的计算给出 t/(1-t)，展开后即得混合矩为 m!。

$公式：E(A(Z2)P4^m)=m![z^m]A(z)(1+z)^{m-1}$ 公式：E(P4^m)=0，E(Q4P4^m)=m!

第三步是把这个思路从“两个复高斯对”推广到“一个复对 + 一个实高斯方向”。这一步很妙，因为实高斯的二次矩满足 E(T2k)=(2k−1)!!，它对应的生成函数会冒出一个 (1+u)−1/2 型的平方根因子。作者就是利用这个平方根，去抵消前面那层分母，最后把结果重新压回一个漂亮的系数提取公式里。具体来说，设 T 是一个独立于 Z,W 的标准实高斯变量，那么对于任意仅依赖于 Z 的多项式 A(Z)，有 E(A(Z)T^{2k}) = (2k-1)!! E(A(Z))。这个看似简单的性质，在与复高斯变量的系数提取公式结合时，会产生丰富的抵消结构。作者的关键洞察是：通过精心选择 P₃ 中 T 的幂次和系数，可以使 T 的偶矩生成函数中的平方根因子恰好与复变量部分产生的分母相消，从而让整个期望表达式重新简化为一个干净的系数提取形式。

$公式：E(T^{2k})=(2k-1)!!$ 公式：(1+u)^(-1/2) 的生成函数

第四步，也是最关键的一步：把这些代数结构拼成一个能“自我抵消”的公式。对三变量反例来说，作者定义 P3 时，让它既含有复变量 Z、W，又含有实变量 T，并通过特定的 v(z) 选择把平方根修正项锁死。结果就是，指数生成函数下的复杂表达式最后化成了一个非常干净的结论：E(P3m)=0，但 E(Q3P3m)=m!。三变量反例的具体形式为：P₃ = ZW + Z²W + ZT² + Z²T² + Z³W，Q₃ = ZW。这里 Z,W 由两个实高斯变量 X,Y 构成，T 是第三个独立实高斯变量。P₃ 共有五项，最高次数为 4（来自 Z²T² 和 Z³W 项）。通过生成函数方法可以证明：E(e^{tP₃}) = 1，因此所有纯矩为零；而 E(Q₃e^{tP₃}) = t/(1-t)，展开得 E(Q₃P₃ᵐ)=m!。这个构造的巧妙之处在于，P₃ 中 T² 项的系数被精确调整为与复变量部分的系数相匹配，使得在计算指数生成函数时，T 的偶矩生成函数中的平方根因子恰好与复变量部分产生的 (1+z)⁻¹ 因子相消，最终得到一个简单的有理函数。

$公式：E(A(Z)P3^m)=m![z^m]A(z)(1+z)^{m-1}$ 公式：E(P3^m)=0，E(Q3P3^m)=m!

如果把整个构造翻译成一句大白话，那就是：先把高斯变量变成更好算的复坐标，再让不同阶的项互相抵消，最后留下一个只对混合矩“有感情”的残影。这不是暴力算例，而是结构设计。作者在论文中还给出了更一般的构造框架：对于任意 n≥3，都可以通过类似的方法构造反例，只需将三变量反例中的实高斯变量 T 替换为多个实高斯变量的线性组合，或者将复变量对的数量增加。但三变量反例之所以特别引人注目，是因为它达到了维数下界——n=2 时类似的构造似乎无法工作，这暗示了 GMC(2) 可能确实为真。

三变量反例：高斯矩猜想在n≥3时全线崩溃

论文最重要的结论其实不是“四变量反例存在”，而是“三变量反例也存在”。这一步的意义很大：维度一降，很多人会下意识以为结构会更脆弱，结果作者反而把式子压得更漂亮。P3 在自然的复线性坐标里只有五项，总次数 4；这种规模放在反例构造里，已经算是相当克制了。为了更直观地理解这个反例的构造逻辑，我们可以将其与四变量反例进行对比。四变量反例使用了两个复高斯对（即四个实高斯变量），P₄ 是三次齐次多项式；三变量反例只使用一个复高斯对加一个实高斯变量（即三个实高斯变量），P₃ 是四次非齐次多项式。从“复杂度”角度看，三变量反例的项数更少（五项 vs 六项），但次数更高（四次 vs 三次），这是因为引入实高斯变量后需要更高的次数来产生抵消效果。

$公式：系数提取后仍回到E(A(Z)(1+Z)^{m-1})$

这里最关键的不是“算出一个非零值”，而是“对任意 m 都成立”。一旦这种模式成立，GMC 的“最终会归零”就彻底站不住了。作者给出的结论是：GMC(n) 对所有 n≥3 都是假的。这不是局部失误，是整条命题的系统性塌方。论文还特别指出，这个反例不仅否定了 GMC 的原始表述，还否定了其若干加强版本。例如，有些研究者曾猜测即使 GMC 不成立，混合矩 E(QPᵐ) 至少应该随着 m 的增长而衰减到零，但 m! 的增长速度完全推翻了这种可能性。此外，反例还表明 GMC 的“指数生成函数版本”——即如果 E(e^{tP})=1 则 E(Qe^{tP}) 应为常数——也是错误的。

$公式：E(e^{tP3})=1，E(Q3e^{tP3})=t/(1-t)$

再看生成函数，就更有味道了：E(etP3)=1，说明纯指数平均完全不动；但一旦乘上 Q3，就变成 t/(1−t)，像一个被压了很久的弹簧，终于在混合项里露头。这个结果非常“干净”，也非常“反直觉”：不是数值上小，而是结构上彻底分叉。从生成函数的角度看，E(e^{tP₃})=1 意味着 P₃ 的分布具有某种“退化”性质——它的所有矩都为零，但分布本身并非零分布（因为 P₃ 不是常数）。这种现象在概率论中被称为“矩问题”的非唯一性：一个非零随机变量可以有所有矩为零。但这里的特殊之处在于，P₃ 是多项式，且其矩为零是通过代数恒等式精确成立的，而非渐近近似。这种“代数矩消失”现象在文献中较为罕见，论文给出的构造为研究此类现象提供了新的具体实例。

雅可比猜想与高斯矩猜想的深层联系

这部分是论文里“数学味儿”最浓的地方。作者不是凭空造一个高斯反例，而是顺着雅可比猜想相关的标准路线，解释为什么从一个三维雅可比反例，理论上可以推到一个很高维的 GMC 失败。这里涉及的关键词是 Bass–Connell–Wright 降阶和 Lagrange–Good 反演，它们的作用可以粗暴理解为：把复杂映射拆成更低次数、更高维但更可控的形式。Bass-Connell-Wright 降阶定理是雅可比猜想研究中的核心工具之一，它指出：如果存在任意维度的雅可比反例，那么也存在一个三次齐次（cubic homogeneous）的雅可比反例，且其维度可以控制。具体来说，从三维雅可比反例出发，通过降阶可以得到一个 79 维的三次齐次反例。这个 79 维反例具有形式 F(X)=X+H(X)，其中 H 是三次齐次多项式映射，且其雅可比矩阵的行列式为 1。

不过，论文也把话说得很清楚：这条“从雅可比猜想到高斯矩猜想”的路线，能给出一个固定维度的非构造性结论，比如 ¬GMC(158)，但它并不能直接吐出那种又小又显式的 P、Q。换句话说，这条路像是“理论上能通车，但最后一段是雾区”；而真正漂亮的地方，是作者另外找到了三变量和四变量的显式构造，直接把雾区旁边的小路修出来了。这里的 158 维是这样来的：从三维雅可比反例出发，Bass-Connell-Wright 降阶给出一个 79 维的三次齐次反例；然后，Derksen-van den Essen-Zhao 的定理表明，如果存在一个 d 维的三次齐次雅可比反例，那么 GMC(2d) 不成立。因此，GMC(158) 不成立。但注意，这个论证只能说明存在某个维度（158）的 GMC 失败，而不能给出更小维度的信息，更不能给出显式的 P 和 Q。

这里的数字也很能说明问题：标准降阶后，三维雅可比反例被保守地推成了 79 维的 cubic-homogeneous 反例，再转成 GMC(158) 的失败。这个数不是优化后的最小值，只是“能保证成立”的上界。数学论文里这种写法很诚实，也很重要，因为它告诉读者：这条路径是存在的，但并不精致；真正精致的，是后面那个显式三变量反例。论文还讨论了另一种联系：通过“像猜想”（Image Conjecture）这个中间环节。van den Essen、Wright 和 Zhao 在 2011 年提出了像猜想，并证明了它等价于雅可比猜想的一个变体。而像猜想与 GMC 之间也有直接联系：如果 GMC 在所有维度成立，那么像猜想也成立。因此，GMC 的反例也间接否定了通过像猜想路径证明雅可比猜想的可能性（至少在 n≥3 时）。

所以这篇文章的逻辑层次其实很清楚：雅可比猜想给出理论桥梁，GMC 的显式反例给出最终落点。桥梁很重要，但读者真正会记住的，还是那个三变量、五项、四次的反例。毕竟数学史上最让人头皮发麻的，往往不是大而全的框架，而是“小而准”的致命一击。🤨

二维困局：为什么n=2仍是未解之谜？

既然 n≥3 已经被打穿，那读者自然会问：n=2 呢？ 这正是这篇论文留下的最后一个悬念。作者没有装作“顺手也解决了”，而是老老实实承认二维情况还没被拿下。这个态度很重要，因为很多论文喜欢把“已解决部分”包装得像“全宇宙统一答案”，这篇没有。论文在结论部分明确写道：“我们尚未能确定 GMC(2) 的真假。尽管我们尝试了多种构造方法，包括将三变量反例投影到二维子空间，但都未能成功。这暗示 GMC(2) 可能确实为真，或者至少需要更复杂的构造。”

论文在最后还专门讨论了二维里的一些“看似有希望、其实很容易被卡住”的来源。比如按权重分解后，单边权重的多项式会自动满足最终消失；齐次多项式又被已有结果覆盖；只剩下真正难啃的，是正负权重混合得很复杂的非齐次情形。也就是说，二维不是“没人想过”，而是“很多自然路线都被堵住了”。具体来说，对于两个实高斯变量 X,Y，可以引入复变量 Z=(X+iY)/√2, W=(X-iY)/√2。此时任何多项式 P 都可以表示为 Z 和 W 的多项式。如果 P 中所有单项式的 Z 次数减去 W 次数（即“权重”）都同号，那么通过系数提取公式可以证明 GMC(2) 成立。类似地，如果 P 是齐次多项式（即所有单项式的总次数相同），那么已有结果也保证 GMC(2) 成立。因此，任何潜在的二维反例必须同时是非齐次且权重混合的——这正是构造的难点所在。

这也解释了为什么作者把结论停在“n≥3 失败，n=2 未解”。数学上最难的往往不是“证明一个东西是假的”，而是“证明它在最低维里到底还剩不剩一口气”。二维高斯矩猜想现在就处在这种尴尬位置：看起来不太像真，但还不能随便判死刑。论文还提到，如果 GMC(2) 被证明为真，那将是一个有趣的结果：它意味着高斯矩猜想在二维成立，但在三维及以上失败，这种“维数门槛”现象在数学中并不罕见（例如，某些偏微分方程的解在低维光滑但在高维爆破）。反之，如果 GMC(2) 也被证伪，那么雅可比猜想的二维情形将面临新的挑战——因为 Derksen 等人的蕴含关系在二维仍然成立：GMC(2) 为真蕴含 JC(2) 为真。因此，GMC(2) 的真假直接关系到雅可比猜想在二维这个最基本情形是否可能通过概率方法证明。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它给出了高斯矩猜想的显式反例，而且反例很小：四变量的 cubic 例子和三变量的 quartic 例子都能直接否定 GMC 在 n≥3 的成立。更关键的是，混合矩不是偶然非零，而是对每个 m 都非零。论文还澄清了 GMC 与雅可比猜想之间的逻辑关系：虽然 GMC 的失败并不直接证伪雅可比猜想（因为蕴含关系是单向的：GMC 真 ⇒ JC 真），但它关闭了一条潜在的证明路径。此外，论文的构造方法本身也具有独立价值——它展示了如何利用复高斯变量的系数提取公式和实高斯变量的偶矩生成函数来构造具有特定矩性质的多项式。

文中的 GMC、JC、Lagrange–Good inversion 分别是什么意思？GMC 是 Gaussian Moments Conjecture，高斯矩猜想；JC 是 Jacobian Conjecture，雅可比猜想；Lagrange–Good inversion 是多变量版本的拉格朗日反演，用来把隐式定义的生成函数关系转成可计算的系数公式，是这篇论文构造反例的重要工具。具体来说，Good 在 1960 年将经典的 Lagrange 反演公式推广到了多变量情形，该公式在论文中用于计算雅可比映射的逆映射的系数，从而建立雅可比反例与高斯矩反例之间的联系。Bass-Connell-Wright 的降阶理论也依赖于 Lagrange-Good 反演来保持映射的代数性质。

为什么这篇论文看起来“很小”，却还是有分量？因为它不是只给一个数值反例，而是把构造机制讲清楚了：复高斯变量、实高斯方向、生成函数、系数提取、平方根修正，整条链条都能复核。数学里这种“既小又能解释”的反例，往往比一堆大而散的计算更有价值。此外，论文还提供了两个独立的构造（四变量和三变量），它们互相印证，增强了结论的可靠性。从学术影响角度看，这篇论文直接终结了一个持续近十年的猜想（GMC 在 n≥3 的情形），并为雅可比猜想的研究提供了新的视角——研究者现在知道，任何通过 GMC 路径证明 JC 的尝试都必须限制在二维情形。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

显式构造三变量反例，这个力度很强；更难得的是构造还保持了极简结构，不是靠堆公式硬砸。

实验合理度：★★★★★

虽然这是纯数学论文，不是机器学习实验，但推导链条完整，两个反例互相呼应，结论可逐步核验，可信度很高。

学术研究价值：★★★★★

直接击穿经典猜想的一个核心变体，还把它和雅可比猜想的联系讲清楚，研究价值很硬。

稳定性：★★★★☆

数学结论本身是稳定的，但方法依赖精巧代数构造，不是那种随便换个场景就能直接复用的套路。

适应性以及泛化能力：★★★★☆

结论对所有 n≥3 都成立，泛化很强；但构造本身对二维并未解决，说明边界仍然存在。

硬件需求及成本：★★★★★

几乎不吃硬件，真正吃的是脑子和纸笔。对数学工作来说，这已经算“低算力高智商”了。

复现难度：★★★★☆

公式给得很清楚，但要真正复核每一步系数提取和反演过程，仍需要扎实的代数功底。

产品化成熟度：★☆☆☆☆

这是纯理论结果，不是工程方法；短期内没有直接产品化价值，但对基础数学与相关理论链条很重要。

可能的问题：结论很漂亮，但二维 GMC 仍未解决；同时从雅可比反例到 GMC 的高维推导偏非构造，最小失败维度也未被优化。

主要参考文献

[1] H. Bass, E. H. Connell, and D. Wright, The Jacobian conjecture: reduction of degree and formal expansion of the inverse, Bull. Amer. Math. Soc. (N.S.) 7 (1982), no. 2, 287–330.

[4] H. Derksen, A. van den Essen, and W. Zhao, The Gaussian Moments Conjecture and the Jacobian Conjecture, Israel J. Math. 219 (2017), no. 2, 917–928.

[5] J. J. Duistermaat and W. van der Kallen, Constant terms in powers of a Laurent polynomial, Indag. Math. (N.S.) 9 (1998), no. 2, 221–231.

[6] I. J. Good, Generalizations to several variables of Lagrange’s expansion, with applications to stochastic processes, Proc. Cambridge Philos. Soc. 56 (1960), no. 4, 367–380.

[10] A. van den Essen, D. Wright, and W. Zhao, On the Image Conjecture, J. Algebra 340 (2011), 211–224.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
高斯矩、雅可比猜想、数学反例、论文解读都能聊，来群里一起把“看不懂”变成“原来如此”🤔
wechat_helper