首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

寻找新的解,后AI时代的

摘要

本文来自微信公众号: AIGC从0到1 ,作者:王零壹(920.org.cn(AI Research Institute)创始人,港大AIBT研究生,前上市公司 CMO),题图来自:AI生成 一、理所应当 “黎曼猜想已被 Claude 证明”的消息传来的时候,我还在埋头加班。 我没有从椅子上跳起来。说实话,我的第一反应是:哦,来了。 理所应当。 这件事我想象过很多次。AI 有一天会破解黎曼猜想,或...

Lean 理所应当 Claude 人类最聪明的头脑 他自己也承认 本文来自微信公众号 AIGC从0到1 王零壹 920 org
2026-11-22 1 阅读 约10分钟阅读 虎嗅
分享:
字号:
本文来自微信公众号: AIGC从0到1 ,作者:王零壹(920.org.cn(AI Research Institute)创始人,港大AIBT研究生,前上市公司 CMO),题图来自:AI生成 一、理所应当 “黎曼猜想已被 Claude 证明”的消息传来的时候,我还在埋头加班。 我没有从椅子上跳起来。说实话,我的第一反应是:哦,来了。 理所应当。 这件事我想象过很多次。AI 有一天会破解黎曼猜想,或者哥德巴赫猜想。我并不是凭空幻想,我的理由很朴素:人的智商不会在几个月里翻倍,AI 可以。人类最聪明的头脑,几百年磨一个问题,靠的是一代代人的接力。而它不需要接力。它只需要更多的算力,和多几个月的时间。 所以我一直相信这一天会来。我甚至有点期待,想亲眼看看,那些悬了一百多年、让最顶尖的人耗尽一生的问题,被解开的时候是什么样子。 所以当它真的来了,我心里很平静。像等一班迟到的车终于进站。我继续看着手头的东西,继续在日常琐碎中。 平静大概持续了几分钟。 然后有一个历史时刻碾压过后的肿胀感。浮起一个念头,是另一个更安静的问题: 做到了,然后呢? 我发现,我的想象力在这里是空的。 我想象过它做到。我从来没有想象过它做到之后的那个世界。就像一个人事先把“火箭升空”演练了无数遍,真到了点火那一刻,才意识到自己从没想过火箭飞走之后,地面上的人该做什么。 疑惑一下子涌上来,扑面而来的那种。当“人类最聪明的头脑”这句话不再成立,这个世界靠什么撑着? 写这篇文字,只是想把这一刻的平静,和平静之后的空白,原样记录下来。因为我隐约觉得,这个空白不只是我一个人的。 二、两本账 先把两本账分开。 事实这一本,要谨慎地写。一位数学家说,他“相信”自己和 Claude 找到了黎曼猜想的证明。他的措辞是“相信”。公开的只有一千多万行 Lean 代码,没有论文,没有同行评审,完整编译还没有独立确认,他自己也承认,后半部分的数学,他并没有完全吃透。 Lean 能检查一个证明是否成立,却不能替你确认,它证明的是不是你以为的那个命题。机器验的是逻辑,题目对不对,仍然要人去看。 判断这一本,我敢写:这一次成不成,路都已经走过了。在我看来,奇点已过。 2023年3月的GPT-4,像一个聪明的本科生。到了2025年8月,GPT-5像博士生。再后来,它到了人类数学家要费很大力气才读得懂的地方。现在,也许只有极少数人读得懂。 所以我说“回不去了”,不是因为黎曼猜想。它只是一块路标。路标就算是假的,路也已经走过了。 关于“奇点”,业内争了很久。有人说我们已经越过事件视界,有人说我们才到山麓。我现在觉得,这种具体时间点的争论不如换一个问法:AI 能力的变化速度,比上社会适应的速度。 只要分子远大于分母,哪怕严格意义上的奇点还没来,冲击也已经是奇点式的了。模型以月迭代,教育、税制、劳动市场、治理,却是以年、以十年计的。 这大概就是我迷茫的来源: 旧的运行方式在松动,新的稳定结构还没长出来。 三、读不懂 数学有一个很古老的传统:证明是写给另一个人看的。你写下一个证明,不是为了让真理成立,真理本来就成立;你是为了让另一个人“看懂”,然后接受。数学共同体几千年来就靠这个运转:一个人发现,一个人读懂,再一个人读懂,一点一点变成大家共有的东西。“懂”,是数学里一个社会性的动作。 而现在,证明开始写给机器检查了。 Lean 不关心你懂不懂,它只检查每一步在逻辑上是否站得住。所以我们会进入一个很奇怪的局面: 一个结论是对的,经过了严格检验,却没有任何一个人真正理解它为什么对。 陶哲轩把一个证明的一生拆成四步:生成,验证,理解,接受。他说,AI 正在飞快地加速前两步,后两步,仍然拴在人身上。他自己也承认,已经跟不上本领域所有的新进展。 这让我想到一个问题,一个我觉得比“AI 有多强”更重要的问题: 当我们接受一个自己不理解的结论,我们和真理之间的关系,是不是变了? 当然,人类一直在信任看不懂的东西。我们不懂发动机,也坐汽车;不懂药物的分子机理,也吃药;不懂飞机为什么不掉下来,也系上安全带。可是这些信任背后,有一个我们很少留意的前提:总有一些人是懂的。工程师懂,药理学家懂,空气动力学家懂。我的不懂,是被另一些人的懂兜住的。 在未来,可能不一样。 不是“少数人懂”,而是“也许没有人懂”。兜底的那个人,不存在了。 这就是我觉得真正令人不安的地方。信任一个系统,是一回事;信任一个没有任何人能解释的系统,是另一回事。前者是分工,后者近乎信仰。 而数学,恰恰是人类最不愿意走到这一步的地方。别的学科可以靠实验、靠应用来确认对错,数学不行,数学靠的是推理能被一个人完整地走一遍。如果连数学,都开始出现“对,但无人能懂”的东西,那么这个现象不会只留在数学里。 陶哲轩有一个比喻,我一直记得。科学像一次远足。你听说远处有个瀑布,出发去找,路上画地图,迷路,在迷路时发现别的有意思的东西。AI 像直升机,它直接把你送到瀑布面前,看一眼,再飞回来。目标达成了,但你对这片地形一无所知,也没有看见远处那个更壮观的瀑布。 也就是说, 问题也许不在“AI 能不能到达”,而在到达之后,我们有没有长出对地形的认识。 但也有另一种声音。还有一些数学家提醒说,别把人和 AI 放进同一个排行榜里比高低。AI 提出候选证明,人做概念上的简化和解释,形式系统负责验证,这更像一种新的分工,不是一场比赛。 我愿意相信这句话。但我也知道,分工能不能成立,取决于一个前提:人这一端,还保有能够参与的能力。 而这个能力,是怎么来的? 是一次次笨拙的尝试,是无数个“训练题”,是在慢里长出来的。如果这些台阶被一级一级拆走,我们还剩下什么样的“人”,去参与这场分工? 四、同一件事,换了地方 如果只发生在数学里,这只是一个行业的故事。 可是医学卡在责任上,法律卡在价值冲突上,工程卡在现实世界的测试上。每个行业里,“生成”都在飞快膨胀,而“消化”都在原地。 知识不再只是需要被生产的东西,它还需要被社会正确地消化。 陶哲轩最担心的,是研究生的“训练题”。第一个项目,难度适中,让人长出经验和信心,恰好是 AI 最擅长的题型。论文有了,下一代的训练却断了。 这件事不会只发生在数学里。新人程序员的第一份代码,新人律师的第一份合同,学生的第一篇稿子,所有那些曾经让人慢慢长大的“笨活”,都在被一件件接走。 我们优化掉了一切当前技术能做的事,同时也优化掉了长出下一代的台阶。 五、踩踏 然后呢?说到这里,必须从知识落到饭碗上。 我有一个模糊的直觉,姑且叫它“踩踏逻辑”:不是最底层的人先倒,而是整个收入结构先被改写。顶层的往下掉一级,中产往下掉一级,压力逐层向下传,像挤在楼梯上的人群,上面的人往下挤一步,下面的人就被推下一步,最后落到最普通的劳动者身上。 反直觉的是,生成式 AI 最先冲击的,恰恰是文本、代码、分析这些数字化的认知劳动。所以一些高收入的专业人士,会比体力劳动者更早感到寒意。但这不意味着体力就永远安全,机器人和具身智能也在路上。 我也要防止一个错误的推论:不是自动化越强,工资就一定越低。历史上,每一次技术革命,也同时催生了新的产业和新的岗位。关键是新岗位来得够不够快,够不够多,够不够好。 “踩踏”是否会发生,取决于这个关键变量。 六、钱从哪里来
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱