聊聊最近 OpenAI 发布大量数学问题研究成果的事儿吧。 七月份时，我写过一篇 博客 ，总结出一个概念：验证螺旋。 核心逻辑很简单： AI 时代，内容生成的门槛与成本大大降低 内容验证成本远高于内容生成成本（俗话说，造谣一张嘴，辟谣跑断腿） 要验证，就要先理解；而人理解内容的速度远远低于 AI 产生内容的速度 如果让另一个 AI 来理解、验证 AI 的产出，就会碰到悖论：你怎么知道“评判者” AI 的判断是正确的。这里可以无限套娃：再引入“评判者的评判者” AI 来验证“评判者” AI 的 AI 是否正确，但你不知道 “评判者的评判者” AI 是不是正确的。 结论是，对于 AI 的产出，最终我们只有两种选择：要么在验证链条上的某个环节全然相信 AI，要么硬着头皮理解 AI 的产出。 前者意味着在某个地方，我们放弃了理解。这事儿其实也挺常见：开车的人不需要理解怎么造车；日常开发中程序员也不需要理解汇编语言。只是，AI 能力越来越强，留给人类理解的空间（或者说人类需要理解的空间？）似乎越来越少。 后者则越来越难，因为我们永远跟不上 AI 的迭代速度和产出速度。 往深了想还挺哲学的：在无力理解、验证的情况下，你愿意大多程度相信 AI 给出的结果和判断？ 文章中给出的例子是软件开发（内容 = 代码）： AI 时代，产出代码的门槛与成本大大降低 阅读、理解、验证 AI 产出的代码依旧很慢 如果想理解，人根本读不完 AI 产出的代码（AI 能十分钟吐出成千上万行代码，但你能十分钟读完、消化这些变更吗？） 如果让 AI 来理解和验证 AI 的产出，结果是人慢慢地不再理解整个系统；测试通过（如果不看测试代码，你知道测了什么吗？还是说，测试都是 AI 写的，能过就行？），系统能跑，看上去也没什么问题，但一旦出问题，可能就是大的，人不知道从哪下手，只能仰仗 AI 现在，数学家们也碰到同样的困境（内容 = 证明）： AI 时代，可以用 AI 尝试解决某个数学问题 AI 可以很快地给出大量结果，人理解和验证依旧很慢（AI 可以花几百个小时跑出一个看似自洽的证明，但顶尖数学家得放下手头的研究，花更多时间去理解和验证它） 让 AI 理解和验证，人只要相信 AI 的结果就好 → 对于数学领域，这可能吗？ 从这个角度来看，不难理解数学家们的反应：OpenAI 直接往学术界脸上甩了一堆未经验证、同行评审的初稿；而那家公司里没有任何一个人，能站上讲台把这些证明的来龙去脉讲清楚，或者回答同行提出的任何技术追问，却指望人类数学家去理解、验证它们。这当然是很荒谬的事儿。 随着 AI 的发展，我相信这类事情会越来越多。 1 个帖子 - 1 位参与者 阅读完整话题

  • 情报分类：技术学习与提效
  • 分类依据：内容涉及技术、AI、软件工具或工程实践
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/10/19 11:32:05