黎曼猜想与2000美金：AI时代，什么样的人类智力才不会被替代？

No.0350

Science Partner

Bring you to the side of science

导 读

作为热爱科学的小伙伴，你最近一定听说了，OpenAI一个叫Astra的内部模型，花了差不多2000美元的算力钱，一口气解开了10个“破解就能得菲尔兹奖”级别的数学和理论计算机科学难题。这个新闻传出来以后，嚯喔，朋友圈里两派人就吵起来了：一派说这是奇点将至，数学家要下岗了，另一派说这纯属营销，别当真。

作为一个天天喜欢研究科普，特别是复杂系统科普的货，伙伴君可是来了精神了，觉得这事儿值得掰开揉碎讲讲，因为它其实特别适合用来理解AI现在真正的能力边界在哪儿，以及为什么不同学科的人对AI的恐惧程度完全不一样。

走，跟伙伴君来！

今日主笔｜恒意

黎曼猜想与2000美金：AI时代，什么样的人类智力才不会被替代？

一、先说这件事到底有多大

这10个问题不是“数学竞赛题”，而是真正属于现代数学和理论计算机科学前沿的开放问题。OpenAI在8月1日公布时强调，结果来自其内部版本Astra，解决这些问题所需的token成本按当时API价格大约是2000美元，而且每个结果都被形式化成Lean证书，意思是逻辑链条可以由证明检查器逐步核验。

这点很关键。

因为数学里最稀缺的，从来不是“看起来像证明的文字”，而是可核验的证明。Lean这样的proof assistant干的事，说白了就是：你别跟我讲故事，把每一步推理都写出来，我只认形式正确性。所以这类结果的意义，不在于“AI会背答案”，而在于它开始具备一种很不同的能力：在复杂的搜索空间里，能给出人类尚未找到、但逻辑上站得住的结构。

二、2000 美元到底意味着什么

很多人会本能地把2000美元理解成“便宜得离谱”，然后得出一个荒诞结论：是不是以后科研都外包给AI就行了。这个理解只对了一半。OpenAI =说的是找到这些成功解所消耗的token成本，不包括：前期模型训练成本，也不包括数学家和工程师后来把结果整理成论文、补充说明、形式化验证所投入的人力。

所以，这个数字不能被粗暴理解成“做出这些数学成果只花了2000美元”。更准确的说法是：在一个高度复杂的研究任务上，AI已经把“探索候选解”的边际成本压低到了一个非常夸张的程度。这确实是真正的冲击。过去，发现一个有价值的数学构造，往往受限于人的时间、精力、直觉和耐心；现在，AI把大量试错、搜索、组合、修补的成本降了下来。

这意味着什么？

意味着数学研究的瓶颈，开始从“谁能想到”转向“谁能判断、解释、筛选、验证、归纳”。这和互联网时代的内容生产逻辑很像：写东西变的相对便宜之后，真正稀缺的就不再是“产出文本”，“判断文本值不值得读”的能力越发突出。

三、为什么这不是“数学被AI终结了”

先把一个常识摆在前面：数学不是背答案，数学是构造证明。

证明不是单纯的结果，而是一条逻辑链。你最终要的不只是“这个结论对”，还要“为什么对”“为什么这个方法好”“它跟以前的理论有什么关系”“这是不是一个真正有启发性的结构”。

这也是Leiden Declaration（数学界关于AI的联合声明）特别强调的地方。

该声明指出，AI进入数学后，问题不止是“对不对”，还包括proof是否给人理解、作者责任如何界定、如何正确归因、如何维持审稿和出版标准，以及如何维护学科的判断力。换句话说，证明的正确性，只是数学价值的一部分，不是全部。

这就是很多人容易忽略的哲学层面。一个机器可以给你一条完全正确的证明，但它不一定理解这个证明，也不一定知道为什么它重要。就像计算器能算出2+2=4，但它并不“知道”四是什么。AI在数学里的进步，首先证明的是形式化搜索的威力，而不是它已经拥有了人类式理解。

四、黎曼猜想为什么还在那儿

很多读者会问：那AI都能解这么多难题了，黎曼猜想呢？

这正好是一个真问题。

数学不是“难题清单”的简单累加。不同问题的难点完全不同：有些问题难在构造性，有些难在高维组合爆炸，有些难在抽象代数结构，有些难在需要全新概念框架。OpenAI公布的这10个结果，分布在几何、编码理论、群论、算子代数、量子复杂性、晶格密码学、极值图论等领域，说明AI有能力在多个方向制造实质进展，但这离“所有核心猜想都能被自动解决”差得远。

黎曼猜想这种问题，难的地方恰恰在于它不是一个“把搜索空间翻遍就能找到答案”的题。它牵涉到素数分布、复分析、解析数论中深层的结构，背后往往需要的不是单点技巧，而是更高阶的理论视角。AI也许能在某些局部问题上给出灵感，甚至帮助形式化某些步骤，但黎曼猜想这类问题通常要靠新的概念框架、新的数学语言、新的统一理论来推进，而不仅仅是更大的算力。

所以更现实的判断应该是：AI可能会先显著改变“怎么做数学”，但不会立刻把“什么算深刻的数学问题”想明白。

所以，真问题不是AI会不会“取代”数学家，而是它会不会改变数学的生产方式。Leiden Declaration的语气其实很克制，但意思很明确：AI可能让“产生候选证明”变得很便宜，但却让验证、归因、解释、判断意义这些环节变得更为重要。

所以呢，所以我们将会看到包括但不限于：论文数量可能暴涨，但人类审稿能力不会同步增长；模型会越来越擅长“看起来很像数学”的输出，真假分辨的成本上升；数学教育会面临一个新问题：年轻研究者会不会过早依赖工具，失去自己构造证明的肌肉...

这就和工业界看AI的方式又不一样了。

企业看的是效率、成本和优势，而数学界看的是正确性、理解、责任和传承。这两套价值体系会长期摩擦。

五、从哲学上看，AI也许触到的是“知识的边界”

数学一直被认为是最接近“绝对知识”的人类活动，因为它的证明能被严格检验。可现在我们突然发现，哪怕在最硬的学科里，知识生产也开始出现机器化、规模化、自动化。于是哲学问题就来了：如果一个结果是AI找到、人类验证的，那么人在这个结果里的知识地位是否改变了？

答案大概率是：不改变结果本身，但改变我们理解它的方式。

伙伴们可以试着把数学分成形式和理解两个层面：形式层面上，结论是否成立？理解层面上，结论为什么成立、意味着什么、如何迁移到别的问题。

AI最先攻下的是第一个层面中的一大块。它让证明更容易生成，也更容易被形式系统检查。但第二层面，尤其是“理解”，仍然强烈依赖人。

Leiden Declaration反复强调，proof不只是certainty，也不仅是机器检查通过，它还是understanding。这就引出了人类认知的最后一道护城河：不是算得比机器快，而是把零散结果组织成可传播、可教学、可迁移的知识。

六、那为什么我们还是如此焦虑

因为大家其实很清楚：AI一旦能稳定地做“高水平智力劳动”，很多行业就不再只是“加个工具”，而是要重写工作流。

数学是最象牙塔的那个样本，但它传递的信号很清晰：以前我们以为只有人类才能完成的高阶认知任务，现在开始可以被机器在部分场景里替代、放大和重组。

这会引发两种情绪。第一种是兴奋：生产率要起飞了。第二种是焦虑：那我靠什么吃饭？其实这两种情绪都合理。关键在于不要把它们变成口号。AI不会突然变成“神级智慧”，它更像是一个极强的通用搜索器、模式提取器和形式化辅助器。它能做的事远比一般人过去想象的大，但它距离“自动生成真正的理论文明”也确实没有奥尔特曼说的那么神，他还有很长一段路要走。

所以，如果只用一句话概括，伙伴君会说：这不是AI已经证明了它能替代人类数学家，而是AI已经证明，它能把一部分“人类智力的高成本试错”压缩到极低成本，从而迫使数学、科研、教育和知识治理重新分工。

所以这个新闻，如果你看的是“AGI已来”，那么就掉进了OpenAI希望你入的大坑。但确实，我们要承认一个朴素事实：人类以后做很多高难度工作，可能不再是“单打独斗”，而是“人类负责意义，机器负责搜索；人类负责责任，机器负责规模；人类负责判断，机器负责生成”。只要人类还想把数学当作一门知识，而不是一门自动化产线，就必须把证明、归因、责任和理解牢牢抓在手里。

我是恒意，咱们下期见～

本文仅作科普分享使用，欢迎小伙伴们点、收藏、关注，以备不时之需，当然更欢迎您把 介绍给周边可能需要的更多伙伴们呀。