北京
近日，2026未来科学·创想季“数学与计算机科学×数字未来”跨界对话在上海举行。中国科学院计算技术研究所副所长包云岗发表主旨演讲，探讨AI能力边界。他表示，“AI能力的深度取决于使用者知识深度，可验证性决定AI适用边界”；在数学证明等场景中，“AI证明生成效率突出，但验证正确性仍是关键瓶颈”。
可验证性决定AI适用边界
包云岗将AI能力边界与两个变量联系起来：使用者的知识深度，以及结果的可验证性。前者关系到AI能力能被调用到什么程度，后者关系到AI能否在具体场景中真正成立。
这一判断指向一个现实：讨论AI能力时，不能只看模型能否生成内容，还要看生成结果能否被有效检验。对于数学证明这类高度依赖正确性的任务，生成效率与验证可靠性并不是同一件事。生成快，不等于结论可靠；有候选结果，也不等于可以进入实际应用。
数学证明场景中的生成与验证
在数学证明等场景中，包云岗指出：“AI证明生成效率突出，但验证正确性仍是关键瓶颈。”
数学证明要求推理链条严格、步骤可检验。AI可以在较短时间内生成证明路径或候选步骤，但候选结果仍需经过验证，才能判断其是否正确、是否完整、是否满足证明要求。如果验证环节无法同步跟上，生成侧效率越高，后续筛选与校验的重要性就越突出。
因此，在数学证明这类场景中，AI的瓶颈可能并不只在“能不能生成”，还在“生成之后如何确认正确”。这也正是包云岗将可验证性视为AI适用边界关键变量的原因。
跨界对话聚焦AI与数学互动
此次跨界对话以“数学与计算机科学×数字未来”为主题。除包云岗发表主旨演讲外，多位专家还就AI与数学双向促进、高质量数据生态等议题展开探讨。
这些议题与AI能力边界相互关联。AI与数学的结合，既涉及AI辅助数学研究、提升证明生成效率，也涉及数学方法对AI输出的检验与约束；高质量数据生态，则影响模型训练、评测与验证的基础条件。在AI能力快速演进的背景下，如何建立更可靠的验证机制，成为跨学科讨论中无法回避的问题。
从行业视角看，包云岗的发言将关注点从单点能力展示拉回到可验证性：AI在证明生成上已有突出效率，但验证正确性仍是关键瓶颈。对于通信、计算及相关科技产业而言，AI落地不仅需要更强的生成能力，也需要更扎实的验证体系。只有当生成与验证形成闭环，AI在专业场景中的适用边界才可能进一步清晰。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
