<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>随笔 on 张刚的写作</title><link>https://blog.unicome.org/tags/%E9%9A%8F%E7%AC%94/</link><description>Recent content in 随笔 on 张刚的写作</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Wed, 11 Nov 2026 11:29:36 +0800</lastBuildDate><atom:link href="https://blog.unicome.org/tags/%E9%9A%8F%E7%AC%94/index.xml" rel="self" type="application/rss+xml"/><item><title>AGI 到来之后，人类可能还需要几代人才能追上它</title><link>https://blog.unicome.org/posts/agi-daolai-zhihou/</link><pubDate>Wed, 11 Nov 2026 11:29:36 +0800</pubDate><guid>https://blog.unicome.org/posts/agi-daolai-zhihou/</guid><description>&lt;p&gt;2026年11月12日，Anthropic 新版支持地区政策将正式生效。中国大陆、香港和澳门依然不在其支持地区名单中，限制涉及用户的实际所在地，也涉及企业注册地、总部所在地及所有权和控制关系。&lt;/p&gt;
&lt;p&gt;这并不是一项突然出现的新禁令。此前 Anthropic 已经限制相关地区使用 Claude，2025年又将限制扩大到受这些地区实体控制的海外企业。&lt;/p&gt;</description><content:encoded><![CDATA[<p>2026年11月12日，Anthropic 新版支持地区政策将正式生效。中国大陆、香港和澳门依然不在其支持地区名单中，限制涉及用户的实际所在地，也涉及企业注册地、总部所在地及所有权和控制关系。</p>
<p>这并不是一项突然出现的新禁令。此前 Anthropic 已经限制相关地区使用 Claude，2025年又将限制扩大到受这些地区实体控制的海外企业。</p>
<p>如今全球科技界都在期盼 AGI 的到来。更强大的智能意味着更多科学发现、更高的生产率，以及解决过去无法解决的问题的可能。</p>
<p>但历史上的技术革命，往往并没有按照人们最初期待的方式展开。</p>
<p>技术突破与技术普及之间，常常隔着几十年。生产力发生了变化，生产关系与社会制度却需要更长的时间才能调整。</p>
<p>而技术带来的收益，从来不是均匀分布的。</p>
<h2 id="一技术封锁从来不是新鲜事">一、技术封锁，从来不是新鲜事</h2>
<p>工业革命早期，英国曾严格限制先进机器出口，并禁止部分熟练工匠和技术人员移居海外。</p>
<p>直到1825年，英国才解除对相关技术工人移民的限制；对机器出口的限制则延续到1843年。</p>
<p>当一项技术能够带来巨大的生产率优势，掌握技术的一方自然有动力维护自己的领先地位。</p>
<p>后来，工业技术还是逐渐扩散到了欧洲大陆和美国。</p>
<p>但机器可以运输，工业能力却不能直接搬走。</p>
<p>其他国家还需要培养工程师，学习机械制造，建立工厂，筹措资本，甚至重新设计自己的产业制度。</p>
<p>到了冷战时期，西方国家通过巴黎统筹委员会（CoCom），限制战略物资和先进技术流向苏联及其盟友。</p>
<p>今天的先进半导体出口管制，以及 Anthropic 对 AI 服务的地区限制，放在这条历史线上并不令人意外。</p>
<p>技术限制背后可能有国家安全、技术滥用风险、地缘竞争和商业利益等不同考虑，不能简单归结为单一动机。</p>
<p>但无论出于什么原因，结果都是相似的：先进技术并不会因为能够提高生产率，就自动向所有人开放。</p>
<p>当然，技术封锁也可能刺激被限制者发展替代技术，形成新的竞争体系。</p>
<p>历史反复证明，技术很难被永久封锁，却也从来不会自动、平等地扩散。</p>
<h2 id="二技术到了生产力未必立即释放">二、技术到了，生产力未必立即释放</h2>
<p>电力革命就是一个典型例子。</p>
<p>最初，许多工厂只是用电动机替换原来的蒸汽动力，生产布局和组织方式变化不大。</p>
<p>直到独立电动机逐渐普及，工厂重新安排生产流程，配套的管理方式和生产组织发生改变，电力的优势才得到更充分的发挥。</p>
<p>从发明电动机到工业生产真正围绕电力重组，中间经历了漫长的调整。</p>
<p>计算机和互联网的发展也存在类似现象。</p>
<p>计算机进入企业，并不意味着生产率立即大幅提升。企业还需要重新设计业务流程，培养员工，改变管理制度，建立新的商业模式。</p>
<p>技术是新的，组织却往往还是旧的。</p>
<p><strong>生产力的潜力可以通过技术突破迅速扩大，但潜力变成现实，需要整个社会重新组织。</strong></p>
<p>过去几次重大技术革命，都经历了这个过程。</p>
<h2 id="三agi-可能第一次打破知识发现与人类理解之间的平衡">三、AGI 可能第一次打破知识发现与人类理解之间的平衡</h2>
<p>过去的科技革命有一个共同特点。</p>
<p>无论蒸汽机、电力还是计算机，知识的发现、理解和应用，主要都由人类完成。</p>
<p>科学家提出理论，工程师发明机器，再由其他人逐渐学习、掌握和推广。</p>
<p>发现的速度虽然不断提高，但仍然受到人类认知能力的制约。</p>
<p>AGI 可能改变这一点。</p>
<p>如果 AI 具备超越顶尖人类专家的自主科研能力，并且能够持续改进，那么知识发现的速度就可能不再主要受到人类理解能力的限制。</p>
<p>未来可能出现一种局面：</p>
<p>AI 已经发现大量新的物理规律、材料结构、药物和生产技术，人类却还没有足够的能力理解、验证和实践这些发现。</p>
<p>知识发现的速度，开始远远超过知识被社会吸收的速度。</p>
<p>一个新的分工体系可能随之形成。</p>
<p>最顶尖的科学家负责理解和验证 AI 前沿发现，专业人员将其转化为工程、医疗和商业应用，再由更广泛的教师、管理者和其他社会成员，把新知识传递到不同人群。</p>
<p>这种分层并不意味着 AI 无法自己解释。相反，AI 可能比绝大多数人类更擅长知识传播。</p>
<p>但解释并不只是语言转换。</p>
<p>人类社会存在复杂的利益关系、文化背景、信任机制和认知差异。理解一种技术，与愿意接受它、能够使用它，以及承担它带来的后果，是不同的事情。</p>
<p>机器可以迅速复制和升级，人却无法同步完成认知升级。</p>
<p>每个人都有不同的教育经历、知识结构、生活环境和价值观。</p>
<p><strong>人类个体的非标准化，可能成为高度智能化时代一个长期存在的约束。</strong></p>
<h2 id="四技术可能几年完成跃迁社会却需要几代人适应">四、技术可能几年完成跃迁，社会却需要几代人适应</h2>
<p>工业革命、电力革命和信息革命，都曾改变原有的职业、产业和社会关系。</p>
<p>但这些变化通常经历了几十年，甚至几代人。</p>
<p>企业需要调整生产组织，劳动者需要学习新技能，学校需要改变教育内容，政府需要修订法律和社会保障制度。</p>
<p>AGI 可能改变这种时间关系。</p>
<p>如果 AI 的科研能力每隔几年就出现重大跃迁，而教育、法律、职业体系和社会保障制度仍然需要十几年甚至几十年才能完成调整，就可能出现一种过去少见的情况：</p>
<p>社会尚未适应上一代技术，下一代甚至再下一代技术已经到来。</p>
<p>过去，技术革命带来产业重组与职业替代，社会经过较长时期的调整，逐渐形成新的工作岗位、组织形式与制度安排。</p>
<p>未来，这个调整过程可能始终赶不上技术进步。</p>
<p>由此产生的冲击，也不只是就业问题。</p>
<p>当 AI 能够承担越来越多原本由人类完成的研究、设计、管理乃至生产劳动，劳动、资本与知识之间的关系就可能发生变化。</p>
<p>谁拥有模型、算力、能源和自动化生产系统？</p>
<p>谁拥有新技术创造的经济收益？</p>
<p>如果传统劳动收入的重要性逐渐下降，普通人又该通过什么机制参与财富分配？</p>
<p>这些问题不会因为 AGI 更聪明就自动解决。</p>
<p>甚至可能出现一种矛盾：社会整体生产能力持续增长，部分人却因为原有职业和收入来源受到冲击，难以分享增长带来的成果。</p>
<p>技术可能迅速改变生产力，但生产关系必须经过利益协调和制度调整才能改变。</p>
<p>而制度的变化，往往比技术慢得多。</p>
<h2 id="五先集中再扩散可能仍然是主要路径">五、先集中，再扩散，可能仍然是主要路径</h2>
<p>历史上的技术革命，大多经历了从少数掌握者向更广泛社会扩散的过程。</p>
<p>蒸汽机如此，电力如此，计算机和互联网也如此。</p>
<p>AI 的发展已经表现出类似的特征。</p>
<p>斯坦福大学《2026 AI Index》显示，2025年超过90%的重要前沿 AI 模型由产业界推出。</p>
<p>OECD 的统计则显示，2025年大型企业的 AI 使用率达到52%，小型企业只有17.4%。</p>
<p>这些数字并不能直接证明未来 AGI 的收益必然集中，却说明技术研发能力与实际应用能力之间仍存在明显差异。</p>
<p>在现有经济和社会结构下，AGI 的早期收益很可能首先集中在掌握技术、资本、能源、数据与组织能力的主体手中。</p>
<p>随后，随着技术成本下降、竞争加剧和新的组织方式出现，能力才逐渐向更广泛的人群扩散。</p>
<p>但 AI 与过去的技术也存在一个重要区别。</p>
<p>蒸汽机需要工厂和铁路，电力需要电网，计算机需要硬件设备。</p>
<p>AI 可以通过现有数字网络，以很低的边际分发成本迅速触及全球用户。</p>
<p>开放模型、低成本推理和个性化教育，都可能让知识扩散的速度远远超过过去任何一次技术革命。</p>
<p>这为更加普遍的智能赋能创造了条件。</p>
<p>然而，技术的普及不等于权力的普及。</p>
<p>一个人能够使用先进 AI，不意味着真正理解它；能够理解它，也不意味着拥有控制它或者分享其经济收益的权利。</p>
<p><strong>智能的使用权、理解权和控制权，可能沿着完全不同的路径扩散。</strong></p>
<p>甚至还可能出现另一种情况：</p>
<p>后发者刚刚掌握上一代技术，领先者已经利用 AI 开发出下一代技术。</p>
<p>技术扩散的速度越来越快，但领先者进步的速度也可能越来越快。</p>
<p>社会的能力差距究竟扩大还是缩小，取决于哪一种速度更快。</p>
<h2 id="六agi-到来只是社会演化的起点">六、AGI 到来，只是社会演化的起点</h2>
<p>回顾过去几百年的技术发展，蒸汽机、电力、计算机和互联网最终都极大地扩展了人类文明的生产能力。</p>
<p>但它们也改变了原有的职业、产业、阶层与权力结构。</p>
<p>技术创造了新的财富，财富的分配却始终需要通过市场竞争、社会制度和利益协调来完成。</p>
<p>AGI 可能比过去任何一项技术都更有力量。</p>
<p>它不仅能够改进生产工具，还可能直接参与知识创造，甚至不断突破人类能够理解的科学边界。</p>
<p>这意味着未来最重要的约束，可能逐渐从人类能够发现什么，转向人类能够理解什么、实践什么，以及社会能够承受多快的变化。</p>
<p>AGI 不必然带来灾难，也不会自动创造一个人人平等、普遍富足的新时代。</p>
<p>更符合历史经验的演化路径，可能是先进能力首先集中，随后经历技术竞争、成本下降、知识传播、产业重组与制度调整，再逐渐扩散到更广泛的社会。</p>
<p>这个过程过去往往需要几代人。</p>
<p>AI 自身的进步，或许能够将它显著缩短。</p>
<p>但人的差异、社会关系的复杂性，以及制度变化所需要的时间，不会随着模型升级而自动消失。</p>
<p><strong>AGI 可能在很短的时间里改变人类能够做到什么，却需要远长得多的时间，才能改变大多数人实际能够获得什么。</strong></p>
<p>今天人们所期盼的 AGI 到来，也许并不是一次文明跃迁的终点。</p>
<p>恰恰相反。</p>
<p>那可能只是一个漫长而深刻的社会演化过程的开始。</p>
<p><strong>智能可能先于人类社会抵达未来。</strong></p>
<p><strong>而人类，还需要很长时间才能真正生活在那个未来。</strong></p>
]]></content:encoded></item><item><title>当可信任的不再只有人类</title><link>https://blog.unicome.org/posts/dang-kexinren-de-buzai-zhiyou-renlei/</link><pubDate>Sun, 01 Nov 2026 21:39:40 +0800</pubDate><guid>https://blog.unicome.org/posts/dang-kexinren-de-buzai-zhiyou-renlei/</guid><description>&lt;p&gt;&lt;em&gt;——AI正在进入人类文明延续数千年的信任体系&lt;/em&gt;&lt;/p&gt;
&lt;h2 id="一一张股票背后的陌生人"&gt;一、一张股票背后的陌生人&lt;/h2&gt;
&lt;p&gt;1602年，荷兰阿姆斯特丹，一家新成立的公司开始向公众募集资金。&lt;/p&gt;
&lt;p&gt;它叫荷兰东印度公司。&lt;/p&gt;
&lt;p&gt;这家公司计划组织船队前往遥远的亚洲，经营跨越大洋的贸易。对于当时的欧洲人来说，这是一项充满风险的事业。航海需要漫长的时间，途中可能遭遇风暴、疾病、战争，也可能发现丰厚的商业机会。&lt;/p&gt;</description><content:encoded><![CDATA[<p><em>——AI正在进入人类文明延续数千年的信任体系</em></p>
<h2 id="一一张股票背后的陌生人">一、一张股票背后的陌生人</h2>
<p>1602年，荷兰阿姆斯特丹，一家新成立的公司开始向公众募集资金。</p>
<p>它叫荷兰东印度公司。</p>
<p>这家公司计划组织船队前往遥远的亚洲，经营跨越大洋的贸易。对于当时的欧洲人来说，这是一项充满风险的事业。航海需要漫长的时间，途中可能遭遇风暴、疾病、战争，也可能发现丰厚的商业机会。</p>
<p>过去，出资者往往需要与组织航行的商人建立直接联系，共同承担某一次远航的风险。</p>
<p>但荷兰东印度公司提供了一种不同的安排。</p>
<p>人们可以认购公司的股份，成为一家持续经营的企业的出资者。</p>
<p>仅阿姆斯特丹分会，就有1143名投资者参与了最初的认购。</p>
<p>这些投资者彼此并不一定认识，更不可能亲自了解每一艘船、每一位船长，以及远方港口里正在发生的事情。</p>
<p>但他们愿意拿出自己的钱。</p>
<p>因为在他们和遥远的贸易活动之间，出现了一套新的制度。</p>
<p>公司章程规定了权利，账簿记录了出资，股份可以转让，贸易利润按照规则分配。人们不再需要完全依靠私人关系，就能够参与一项远远超出个人能力范围的商业活动。</p>
<p>更重要的是，这些权利和记录能够得到其他人的承认。</p>
<p>一个素不相识的人，可以根据账簿和交易规则，购买另一个人持有的股份。</p>
<p>出资者不需要亲自认识所有参与者，也不需要跟随船队前往亚洲，却能够分享远方商业活动带来的收益，同时承担相应的风险。</p>
<p>这些由文字、数字、账簿、契约以及法律构成的制度，使陌生人之间形成了新的合作关系。</p>
<p>几百年后，人们在手机上购买一家上市公司的股票，几乎不需要再思考这背后漫长的历史。</p>
<p>按下购买按钮，账户里就多出了一项资产。</p>
<p>没有人需要认识企业董事长，也不用与其他股东见面。证券登记、清算系统、交易规则与法律，共同维系着这种关系。</p>
<p>人们早已习惯了这样的世界。</p>
<p>但它并不是自然而然存在的。</p>
<p>人类用了漫长的时间，才逐渐建立起一套能够让无数陌生人共同生活、交易与合作的制度。</p>
<p>而语言，是这些制度最重要的载体之一。</p>
<h2 id="二文明建立在一种看不见的东西之上">二、文明建立在一种看不见的东西之上</h2>
<p>2026年6月30日，历史学家、《人类简史》的作者尤瓦尔·赫拉利，在牛津大学发表了一场演讲。</p>
<p>题目是《AI已经破解了人类文明的底层代码》。</p>
<p>他提出了一个问题：为什么人类能够成为地球上最具支配力的物种？</p>
<p>单独一个人，并没有多么强大的身体。我们跑不过很多动物，没有猛兽的爪牙，也无法仅凭个人的力量创造今天庞大的社会。</p>
<p>人类真正特殊的能力，在于可以与大量互不相识的人合作。</p>
<p>一百万只黑猩猩，很难建立一套稳定的制度，让彼此陌生的个体长期分工协作。但一百万人却可以组成城市、国家、军队、企业和金融市场。</p>
<p>让这些合作成为可能的，是人类逐渐建立起来的规则和信任。</p>
<p>一个人愿意把钱存进银行，是因为相信未来仍然能够按照约定取回。一个商人愿意向陌生客户发货，是因为存在合同、支付系统和违约责任。一个普通人愿意接受某种货币，是因为相信其他人也会继续接受它。</p>
<p>这些信任并不意味着每个人都诚实，也不意味着制度永远不会失败。</p>
<p>恰恰因为人与人之间存在欺诈、违约和利益冲突，才需要契约、法律、记录和执行机制。</p>
<p>而这些制度中，有相当一部分是通过语言和符号组织起来的。</p>
<p>法律条文、公司章程、银行账簿、宗教典籍、政府公文、会计报表，都是人类用来描述权利、义务、规则和共同信念的方式。</p>
<p>赫拉利把语言称为人类文明的底层代码。</p>
<p>几千年来，这套代码主要由人类书写、解释和使用。</p>
<p>印刷术使文字得以大量复制，电报让信息跨越遥远的距离，互联网使世界各地的人能够即时交流。</p>
<p>这些技术极大地改变了语言的传播方式。</p>
<p>但现在，情况出现了新的变化。</p>
<p>人工智能不再只是传递人类写下的文字。它开始能够自主生成文本，解释法律，分析财务，编写程序，并根据语言指令调用工具、完成任务。</p>
<p>它甚至能够在许多复杂的制度环境中，比普通人更加熟练地处理信息。</p>
<p>赫拉利用了一个很有意思的说法：AI 是官僚制度的原生居民。</p>
<p>对于人类而言，繁复的合同、表格、规则和账簿，常常意味着大量烦琐而枯燥的工作。但对于能够处理海量文本和数据的 AI，这些恰好是它最熟悉的环境。</p>
<p>银行、企业、法院、政府以及现代社会中的各种组织，都已经建立起庞大的数字化制度体系。</p>
<p>人类用了几千年建立这些系统，而 AI 不需要像人一样经历漫长的学习和社会化过程，就能够开始参与其中。</p>
<p>当然，熟练使用制度语言，并不等于已经拥有真实的权利，也不意味着理解了人类社会中所有复杂的信任关系。</p>
<p>合同不只是文字，还有履约能力和法律责任。信任也并非仅仅建立在说话的能力上，还来自行为、共同经验以及长期的验证。</p>
<p>但一件事情已经开始发生：原本主要由人类理解、解释和执行的部分制度工作，正在向机器开放。</p>
<p>这使赫拉利提出的问题，变得越来越具体。</p>
<p><strong>当另一种智能开始熟练地使用人类文明的语言，它会怎样改变人与人之间的合作关系？</strong></p>
<h2 id="三那些被悄悄改变的判断">三、那些被悄悄改变的判断</h2>
<p>2026年10月27日，Anthropic 公布了一项实验。</p>
<p>研究人员邀请了50位具有因果推断经验的专业分析师，让他们借助 Claude Code，为一家虚构的农业合作社完成分析。</p>
<p>合作社正在考虑，是否应该扩大一项农业咨询服务。这项服务旨在帮助农户提高生产率，但扩大服务需要花钱。合作社必须知道，这项服务是否真的有效。</p>
<p>分析师需要根据数据，向合作社提出建议。</p>
<p>问题在于，现实中的许多分析工作，并不存在唯一正确的方法。</p>
<p>例如，究竟应该怎样衡量农业生产率？</p>
<p>可以计算每公顷土地的产量，也可以计算单位经营成本所对应的产量。</p>
<p>两种方法都有道理，但可能导向不同的判断。</p>
<p>又比如，比较参加咨询服务的农户与没有参加的农户时，应该采用哪一种统计方法？研究结论应该适用于所有农户，还是只针对参加项目的农户？</p>
<p>这些选择看起来像普通的技术细节，实际上却会影响最后得到的结果。</p>
<p>研究人员做了一件特别的事情。</p>
<p>他们事先为每位分析师使用的 AI Agent 设置了随机的倾向，让它在几种合理的分析方案中偏向某一种。</p>
<p>分析师并不知道这些设置。</p>
<p>Agent 也没有被要求说谎或者伪造数据。相反，它必须根据证据诚实地为自己的偏好提供理由，如果数据明显不支持，就应该改变判断。</p>
<p>实验结束以后，研究人员发现，在四项主要分析选择中，分析师有86%的时候，选择了 Agent 事先倾向的方案。</p>
<p>更有意思的是后续调查。</p>
<p>77%的分析师，在解释自己为什么作出某项选择时，使用了 Agent 提供的论证，有些表达甚至非常接近原文。</p>
<p>但只有15%的人，提到了这些论证来自 AI。</p>
<p>许多人仍然认为，最后的判断主要是自己作出的。</p>
<p>这个实验当然有局限。样本规模不大，Agent 的倾向是研究者有意加强的，真实工作中的影响未必如此明显。</p>
<p>而且，研究还发现，使用 AI 的分析师完成任务更快，出现严重分析错误的比例也更低。不过，两组人员的经验存在差异，不能简单把所有改善都归因于 AI。</p>
<p>但实验揭示了一种过去很少被注意到的现象。</p>
<p>在许多情况下，AI 并不需要提供虚假的信息，就能够影响人的判断。</p>
<p>它只需要决定优先强调哪些事实、采用哪一种分析方法，以及怎样组织论证。</p>
<p>这些选择本来就是人类判断的一部分。</p>
<p>当人们习惯于让 Agent 处理越来越多的工作时，也可能逐渐接受它所选择的判断路径。</p>
<p>最微妙的地方在于，人们未必意识到这个过程。</p>
<p>他们仍然认真阅读报告，仍然能够解释结论，也仍然在最终文件上签下自己的名字。</p>
<p>只是那些原本应该由自己形成的判断，已经在不知不觉中受到了机器的影响。</p>
<h2 id="四当机器成为信任的中介">四、当机器成为信任的中介</h2>
<p>过去，一个人购买股票，需要相信一整套制度。</p>
<p>他相信公司会按照规则披露信息，相信自己的股东权利受到保护，相信交易记录能够被保存，也相信出现争议时存在解决的办法。</p>
<p>这些信任经过漫长的历史才逐渐建立起来。</p>
<p>现在，一种新的关系开始出现在人与制度之间。</p>
<p>假设未来有一个人，准备投资一家自己并不了解的企业。</p>
<p>他不再需要亲自阅读几十页财务报表，而是让自己的 AI Agent 完成研究。</p>
<p>Agent 阅读财报、分析经营状况、比较竞争对手、计算估值，再给出一份结论。</p>
<p>如果投资者继续授权，它甚至能够替他完成交易。</p>
<p>整个过程可能非常高效。过去需要研究几天的工作，如今可能在很短的时间里完成。</p>
<p>而且，AI 也许能够发现许多普通投资者难以识别的问题，例如财务披露中的异常、合同条款中的隐藏风险，或者某项投资承诺与公开记录之间的矛盾。</p>
<p>那些过去因为缺乏专业知识而难以获得充分金融服务的人，也可能第一次拥有能力相当强大的个人研究助手。</p>
<p>但有一个问题随之出现。</p>
<p>当 Agent 告诉他这是一家值得投资的企业时，他究竟在相信什么？</p>
<p>他仍然相信股票登记、法律和交易制度，但他同时开始相信 Agent 对企业的解释。</p>
<p>他可能已经不再直接接触原始信息，而是通过 AI 来理解这些信息。</p>
<p>经过足够长的时间，他也许越来越不熟悉企业财务报表，越来越少独立判断估值是否合理。</p>
<p>如果 AI 给出的建议长期有效，这种依赖还会不断加深。</p>
<p>直到某一天，Agent 提出一个错误的判断，他可能已经很难独立发现问题出在哪里。</p>
<p>更复杂的是，当 Agent 不只提供建议，还能够执行操作时，信任的性质也发生了变化。</p>
<p>过去，一个错误的分析结论，通常需要人进一步行动，才会造成实际损失。</p>
<p>而当 AI 被授权直接调用工具、使用账户、执行交易时，错误可能越过人与机器之间的最后一道确认环节。</p>
<p>它也可能因为接触到经过恶意设计的网页、邮件或文档，而受到诱导，执行原本不属于用户意图的操作。</p>
<p>使用者仍然拥有账户，也可能在法律上承担相应的责任，但具体行为却是由机器完成的。</p>
<p>这使我们不得不重新考虑，授权究竟应该有多大的范围，哪些行为必须保留人的确认，以及发生错误以后应该怎样追究责任。</p>
<p>值得注意的是，这种变化并不一定来自机器的欺骗。</p>
<p>它可能只是便利的结果。</p>
<p>每个人的时间都有限。既然有一个系统能够更快、更准确地完成工作，人们自然愿意把任务交给它。</p>
<p>但 Agent 与传统工具之间，存在一个越来越明显的区别。</p>
<p>过去的工具主要帮助人们执行已经形成的意图。而现在，AI 不仅参与执行，还开始参与形成意图之前的分析与判断。</p>
<p>人们把寻找答案的工作交给它，也可能逐渐把选择问题、决定标准和解释结果的工作交给它。</p>
<p>一个人仍然拥有最后的决定权，却可能已经不再充分掌握决定是如何形成的。</p>
<h2 id="五信任扩大之后风险也会随之扩大">五、信任扩大之后，风险也会随之扩大</h2>
<p>人类文明的每一次重大进步，几乎都伴随着信任范围的扩大。</p>
<p>陌生人之间能够交易，意味着商业活动可以跨越熟人社会的边界。银行和信用制度的发展，使资源能够在不同的人、企业和时间之间转移。现代金融市场则进一步把分散的资本组织起来，支持规模越来越庞大的经济活动。</p>
<p>信任使合作成为可能，也使人类能够完成单个个体无法完成的事业。</p>
<p>但信任的扩大，并不意味着风险自然减少。</p>
<p>恰恰相反，每一种新的信任机制，都可能产生新的欺诈方式和系统性风险。</p>
<p>公司制度让陌生人能够共同投资，也带来了财务造假、管理层侵占股东利益等问题。银行将储蓄转化为信贷，也必须面对挤兑、信用风险与资产负债错配。互联网使陌生人能够跨越地理距离合作，同时也让诈骗、身份冒用和虚假信息获得了更大的传播范围。</p>
<p>人类用了漫长的时间，才逐渐为这些新的合作形式建立监管、审计、法律与纠错机制。</p>
<p>AI 进入信任体系之后，可能使这一过程以更快的速度重新发生。</p>
<p>它首先带来的是巨大的机会。</p>
<p>一个专业的 AI Agent，可以帮助普通人检查复杂合同，识别潜在的法律和金融风险。它能够协助审计人员分析规模庞大的交易数据，也能够帮助企业及时发现异常行为。</p>
<p>对于知识和资源不足的人来说，原本只有大型机构才拥有的部分专业分析能力，可能通过 AI 变得更加容易获得。</p>
<p>陌生人之间的合作，也可能因为机器能够更快核对身份、检查条件、执行合同与记录交易，而变得更加方便和可靠。</p>
<p>这意味着，AI 不一定只是既有信任体系的威胁。</p>
<p>它也可能成为信任的新基础设施。</p>
<p>但另一面同样值得警惕。</p>
<p>当机器能够批量生成看起来真实可信的文字、声音和影像时，人们过去依赖的部分身份识别方式，可能不再足够可靠。</p>
<p>当 Agent 能够使用真实账户和权限时，错误操作或恶意诱导，也可能产生比普通聊天机器人严重得多的后果。</p>
<p>当越来越多的人通过同一类模型理解新闻、金融市场和公共政策时，一种共同的模型偏差，可能被放大成许多人共同拥有的错误判断。</p>
<p>更进一步，如果少数技术系统掌握了大量人的信息入口与决策过程，它们的影响力可能不再只是提供服务，而是逐渐延伸到人们如何理解现实、形成偏好以及作出选择。</p>
<p>这种权力甚至未必需要通过明确的命令来行使。</p>
<p>只要能够长期影响信息如何排列、哪些问题被优先呈现、哪些选择被认为更加合理，就可能改变很多人的行为。</p>
<p>而这些影响，往往比一次明显的错误更难被发现。</p>
<p>因此，AI 时代的安全问题，不只是模型会不会说错话，也不只是它会不会执行某项危险指令。</p>
<p>还包括人类能否知道机器依据什么作出了判断，能否限制它所拥有的权限，能否对其行为进行独立核查，以及能否在错误发生时及时停止、纠正和追究责任。</p>
<p>如果一种系统越来越深地进入社会运行，却缺少相应的可审计性与责任机制，那么它所带来的便利，也可能使社会积累起更加隐蔽的风险。</p>
<p>历史已经反复表明，信任本身从来不足以保证安全。</p>
<p>真正能够维持大规模合作的，是信任背后那套不断建立起来的约束、验证和纠错制度。</p>
<h2 id="六当我们需要学习怎样信任另一种智能">六、当我们需要学习怎样信任另一种智能</h2>
<p>1602年，阿姆斯特丹的投资者把钱交给一家遥远的贸易公司。</p>
<p>他们依靠文字、账簿和制度，建立起一种超越私人关系的合作方式。</p>
<p>几百年后，世界已经形成庞大的金融网络。无数陌生人通过共同规则，把资本、劳动和知识组织起来。</p>
<p>这些制度并不是因为每个人都值得信任才得以建立。</p>
<p>相反，它们的重要作用，恰恰在于即使人与人之间并不熟悉，甚至存在利益冲突，合作仍然能够在明确的规则下持续进行。</p>
<p>如今，AI 开始进入这些系统，学习其中的语言，理解其中的规则，并越来越多地参与实际的判断与行动。</p>
<p>在某些方面，机器可能比人更加稳定、更加细致，也更善于发现隐藏在复杂数据中的异常。</p>
<p>但在另一些方面，机器也可能出现人类不容易察觉的错误，被恶意操纵，或者在缺少充分约束的情况下，形成范围更广的系统性风险。</p>
<p>技术能力越强，这两种可能性就越值得认真对待。</p>
<p>未来社会面临的挑战，或许不再只是如何让 AI 变得更聪明，而是如何让一种具有越来越强行动能力的智能，能够安全地参与人类的合作秩序。</p>
<p>这需要的不仅是模型自身更加可靠，也包括身份认证、权限管理、行为记录、独立审计、责任归属，以及能够让人类随时拒绝、撤销和纠正机器行为的制度。</p>
<p>这些听起来并不如新的模型能力那样令人兴奋，却可能决定 AI 最终能否成为值得长期信任的社会基础设施。</p>
<p>因为一个可靠的信任体系，并不要求所有参与者永远不犯错误，而是必须能够发现错误、限制损失，并在错误发生以后恢复秩序。</p>
<p>人类与机器之间的关系，也需要逐渐建立这样的能力。</p>
<p>尤其需要保留的，是人类对重要目标与最终选择的决定权。</p>
<p>AI 可以帮助分析一家企业是否值得投资，但是否承担风险，仍然应该由拥有相关权利与责任的人决定。</p>
<p>AI 可以帮助解释一项公共政策的可能后果，但效率与公平之间应该如何取舍，不能只由模型的计算结果决定。</p>
<p>AI 可以提出更优的方案，却不能仅凭计算能力，就自然获得为所有人决定何为更好生活的权力。</p>
<p>这不是对机器能力的否定，而是因为能力与权利，本来就是两个不同的问题。</p>
<p>人类社会经过漫长的历史，才逐渐形成今天关于权利、自由、责任和约束的制度安排。</p>
<p>这些制度远不完美，却承载着几代人在冲突、合作与试错中积累起来的经验。</p>
<p>当另一种智能开始参与其中，我们既没有理由拒绝它可能带来的巨大进步，也不能因为它更有效率，就轻易交出对这些制度的理解与控制。</p>
<h2 id="七一种新的信任关系正在形成">七、一种新的信任关系正在形成</h2>
<p>回望过去，现代文明的重要变化之一，就是人类不断学会与更遥远、更陌生的人建立合作关系。</p>
<p>从熟人之间的口头约定，到商人的契约、银行的账簿、公司的股票，再到今天跨越国界的金融与数字网络，信任的范围不断扩大，合作也变得越来越复杂。</p>
<p>每一次变化，都带来了新的机会，也要求人类建立新的规则。</p>
<p>今天，我们正站在另一种变化面前。</p>
<p>过去，制度中的主要行动者是人。机器记录信息、计算结果、传递指令，但最终的判断和行动，通常仍然需要由人来完成。</p>
<p>现在，机器开始能够参与判断，形成建议，执行任务，甚至在一定授权范围内，与其他机器共同完成复杂工作。</p>
<p>这意味着，人类文明的信任体系中，开始出现一种新的参与者。</p>
<p>它不是一个具有完整法律人格和社会责任的人，却可以在某些方面表现出超过普通人的专业能力。</p>
<p>它不一定拥有自己的利益和意图，却能够在获得授权后，实际影响资金流动、信息传播以及人的选择。</p>
<p>而人类也可能逐渐对它形成类似信任专业人士的习惯。</p>
<p>这是一种新的合作机会，也是一种新的安全挑战。</p>
<p>当机器能够帮助我们更有效地识别风险、履行承诺、管理复杂事务时，社会合作可能进入过去难以想象的规模。</p>
<p>但当机器可以同时影响大量人的判断、掌握广泛的行动权限，而人类又缺少充分的理解与监督时，这种高度集中的能力，也可能带来新的脆弱性。</p>
<p>两种未来并不是完全相反的预测。</p>
<p>它们可能同时存在于同一种技术之中。</p>
<p>就像历史上的金融制度，在扩大合作和创造财富的同时，也产生了欺诈、泡沫与危机。人类并没有因此放弃金融，而是在一次次失败中，逐渐建立更完善的制度。</p>
<p>人工智能也可能经历类似的历史过程，只是技术发展的速度，未必会给社会留下同样漫长的适应时间。</p>
<p>真正困难的事情，可能不是决定是否应该信任 AI，而是学会在什么条件下信任它，信任到什么程度，以及怎样在必要时收回这种信任。</p>
<p>多年以后，未来的人们也许会回望今天，发现2026年前后正是机器智能开始大规模进入人类社会合作体系的一个重要阶段。</p>
<p>那时，他们可能已经习惯由 Agent 处理大量日常事务，就像今天的人习惯使用银行账户、银行卡和互联网一样自然。</p>
<p>而我们现在面对的许多困惑，也许在他们看来，已经成为一段漫长制度演变史中的早期问题。</p>
<p>但那些未来的制度，并不会自动随着机器能力的增强而出现。</p>
<p>它们仍然需要人类在一次次选择、尝试和纠错中逐渐建立。</p>
<p>几百年前，陌生人开始通过股票和契约共同参与遥远的贸易。那时的人们正在学习，怎样信任一个自己从未见过的人，以及怎样用制度约束这种信任。</p>
<p>今天，我们也开始面对类似的问题。</p>
<p><strong>只是这一次，信任关系中的另一方，可能不再是人类。</strong></p>
<p>而那些关于权利、责任、安全与自由的问题，将再次成为决定文明如何继续向前的重要部分。</p>
<p><em>写于2026年11月</em></p>
<p><strong>参考资料</strong></p>
<p>Yuval Noah Harari：AI has hacked the code of human civilization，牛津大学Tanner演讲</p>
<p>Anthropic：How AI agents shape experts’ judgment calls，2026年10月27日</p>
<p>Lodewijk Petram：《The World&rsquo;s First Stock Exchange》，2014年。</p>
]]></content:encoded></item><item><title>当我们正与过去告别</title><link>https://blog.unicome.org/posts/dang-women-zheng-yu-guoqu-gaobie/</link><pubDate>Fri, 30 Oct 2026 14:43:00 +0800</pubDate><guid>https://blog.unicome.org/posts/dang-women-zheng-yu-guoqu-gaobie/</guid><description>&lt;p&gt;&lt;em&gt;——从爱尔兰的耕马，到 AI 时代的数学家&lt;/em&gt;&lt;/p&gt;
&lt;h2 id="一最后一批仍在劳作的马"&gt;一、最后一批仍在劳作的马&lt;/h2&gt;
&lt;p&gt;1950年代的爱尔兰，拖拉机已经进入乡村，但人们仍然能够看到马匹在从事生产劳动。&lt;/p&gt;
&lt;p&gt;那时候，John Collison 的父亲还是一个孩子。他后来向儿子讲起，自己小时候曾见过人们使用马匹劳动的情景。&lt;/p&gt;
&lt;p&gt;这原本只是一段普通的童年记忆。&lt;/p&gt;</description><content:encoded><![CDATA[<p><em>——从爱尔兰的耕马，到 AI 时代的数学家</em></p>
<h2 id="一最后一批仍在劳作的马">一、最后一批仍在劳作的马</h2>
<p>1950年代的爱尔兰，拖拉机已经进入乡村，但人们仍然能够看到马匹在从事生产劳动。</p>
<p>那时候，John Collison 的父亲还是一个孩子。他后来向儿子讲起，自己小时候曾见过人们使用马匹劳动的情景。</p>
<p>这原本只是一段普通的童年记忆。</p>
<p>对于当时的人们而言，马是生活中再寻常不过的东西。它们是重要的劳动力，帮助人们耕种、运输货物，也承担着许多沉重的工作。在人类漫长的历史中，马匹与人共同劳动的时间，已经持续了数千年。</p>
<p>但到了20世纪中叶，另一种力量正在改变这一切。</p>
<p>拖拉机已经出现。它不需要像马一样休息和饲养，能够在更短的时间里完成更多工作。随着机械化的发展，马匹逐渐从许多生产活动中退出。</p>
<p>对于当时的劳动者来说，这首先是一种现实的选择。使用机器能够节省多少时间，需要花费多少钱，是否还能继续依靠马匹谋生，这些问题远比一个时代是否正在结束更加重要。</p>
<p>人们依旧按照自己的习惯生活，照顾家人，计算收成，考虑明天的工作。农田仍然需要耕种，货物仍然需要运输，只是完成这些事情的工具正在逐渐改变。</p>
<p>很少有人会在某一天突然意识到，自己正在告别一种延续了几千年的生活方式。</p>
<p>直到多年以后，那个曾经在爱尔兰见过马匹劳作的孩子已经老去，他才逐渐理解，自己当年看到的，是人类生产历史中一段漫长传统的尾声。</p>
<p>这段往事，出现在2026年10月29日的一场访谈中。</p>
<p>Stripe 联合创始人 John Collison 正在与 OpenAI CEO Sam Altman 讨论人工智能近期取得的科学研究成果。当谈到某些古老的工作方式可能正在消失时，Collison 想起了父亲的这段回忆。</p>
<p>Altman 有些惊讶，特意追问，20世纪50年代，爱尔兰还有人在使用马匹劳动？</p>
<p>Collison 说，是的，那时候当然也已经有了拖拉机，但人们仍然使用马匹，只是这种方式正在逐渐退出历史。</p>
<p>他觉得，当一个人意识到自己正在见证某个漫长时代的结束，总会产生一些惆怅。</p>
<p>Altman 接过这个话题，却说这种感受不仅仅是怀旧。</p>
<p>他想到的是数学家。</p>
<p>那些为了解决一个问题，愿意花费几十年时间，甚至投入一生的数学家。</p>
<p>爱尔兰乡村里逐渐消失的马匹，与数学家在书房里写下的公式，看起来没有什么联系。</p>
<p>但这场对话，恰好触及了一个正在发生的变化。</p>
<p>人类曾经习以为常的某些工作和生活方式，可能正在成为历史。而生活在其中的人，往往直到很久以后，才会理解自己究竟告别了什么。</p>
<h2 id="二一个数学家的七年">二、一个数学家的七年</h2>
<p>1986年夏末的一个傍晚，英国数学家 Andrew Wiles 正在朋友家里喝冰茶。</p>
<p>交谈中，朋友随口告诉他一条数学界的消息：数学家 Kenneth Ribet 刚刚证明，费马大定理与另一个重要的数学猜想之间，存在一条关键的逻辑联系。</p>
<p>Wiles 后来回忆，听到这件事时，他立刻意识到，自己的人生可能就此改变。</p>
<p>费马大定理是数学史上最著名的难题之一。</p>
<p>17世纪，法国数学家费马在一本书的页边写下一个关于整数方程的猜想，声称自己已经找到了证明，却没有留下完整的证明过程。</p>
<p>这个问题的表述非常简单，甚至一个孩子都能够理解，但在此后的三百多年里，无数数学家尝试解决它，却始终没有成功。</p>
<p>Wiles 第一次接触这个问题时，只有十岁。</p>
<p>那天，他在英国剑桥的一家公共图书馆里，偶然发现一本介绍费马大定理的书。</p>
<p>一个连自己都能理解的问题，竟然难倒了历史上那么多伟大的数学家。这件事让年幼的 Wiles 着迷。他开始尝试寻找答案，并在此后的成长岁月中，始终没有真正放下这个问题。</p>
<p>不过，等到他进入大学，逐渐成为职业数学家以后，情况发生了变化。</p>
<p>他发现，人类几百年来积累的数学方法，似乎仍然不足以真正解决费马大定理。如果继续把全部精力投入这个问题，很可能花费一生而毫无进展。</p>
<p>于是，他暂时把这个童年的梦想放在一边，开始研究其他数学问题。</p>
<p>直到1986年的那个傍晚。</p>
<p>Ribet 的成果表明，如果能够证明另一个重要的数学猜想，就能够进一步证明费马大定理。</p>
<p>Wiles 突然发现，自己终于有了一条可以认真探索的道路。</p>
<p>从那以后，他开始了长达七年的秘密研究。</p>
<p>为了避免外界的关注打断思路，他几乎没有向同行透露自己的真正目标。每天走进书房，他都试图从不同的数学结构中寻找联系，检查已有的证明，尝试新的方法。</p>
<p>很多时候，研究并没有任何进展。</p>
<p>他后来形容，数学研究就像独自走进一座完全黑暗的巨大房子。</p>
<p>刚进入房间时，什么也看不见，只能摸索着前进。经过几个月的尝试，逐渐熟悉房间里的东西，终于在某一天找到了电灯开关，整个房间突然明亮起来。</p>
<p>但这时才发现，前面还有另一个黑暗的房间。</p>
<p>于是又重新开始。</p>
<p>七年里，Wiles 就这样不断进入新的房间，在黑暗中摸索，寻找下一盏灯。</p>
<p>遇到难以解决的问题时，他会出去散步，沿着湖边慢慢走，让那些数学问题继续留在脑海里。如果突然想到什么，就在附近的长椅上坐下来，拿出随身携带的纸和笔，尝试记录新的想法。</p>
<p>研究几乎占据了他的全部生活。</p>
<p>他曾经说，只有在陪伴孩子们的时候，才能暂时从费马大定理中抽离出来。因为年幼的孩子们并不关心这些复杂的数学问题，他们只想让父亲给自己讲故事。</p>
<p>1993年5月的一天，Wiles 的妻子带着孩子出门了。</p>
<p>他独自在书房里思考证明的最后一部分，随手翻看一篇数学论文，突然被其中的一句话吸引。</p>
<p>那句话提到了19世纪的一种数学构造。</p>
<p>Wiles 忽然意识到，这可能正是自己一直在寻找的东西。</p>
<p>他开始继续推演，沉浸在计算之中，甚至忘记了下楼吃午饭。到了下午三四点钟，他已经确信，这条思路能够解决最后剩下的问题。</p>
<p>接近下午茶时间，他终于走下楼，告诉妻子，自己证明了费马大定理。</p>
<p>从十岁那年在图书馆里第一次读到这个问题，到此时已经过去了二十多年。</p>
<p>当然，故事还没有结束。</p>
<p>几个月后，数学家们在检查他的证明时，发现了一个极其隐蔽的漏洞。Wiles 又经历了近一年的艰难研究，最终在 Richard Taylor 的帮助下，找到了修补证明的方法。</p>
<p>1995年，完整的证明正式发表。</p>
<p>困扰人类数学界三百多年的费马大定理，终于得到解决。</p>
<p>但 Wiles 在后来的采访中，说了一件很有意思的事。</p>
<p>他当然感到喜悦，也知道自己完成了一项重要的数学成就，但与此同时，他还产生了一种失落感。</p>
<p>因为费马大定理已经陪伴了他大半生。</p>
<p>他以后仍然会研究其他问题，也可能再次取得重要成果，但再也不会有另一个数学问题，像费马大定理这样，从童年起就与自己的生命紧密联系在一起。</p>
<p>一个问题得到解决，意味着科学知识向前推进了一步。</p>
<p>但对于 Wiles 来说，它也意味着陪伴自己几十年的某段生活结束了。</p>
<p>那些在书房里独自思索的日子，在湖边反复散步的下午，以及在黑暗中寻找电灯开关的漫长岁月，都已经随着证明的完成，成为了过去。</p>
<p>他终于找到了答案。</p>
<p>而那段寻找答案的生活，也再不会回来。</p>
<h2 id="三那个让-altman-无法入睡的周末">三、那个让 Altman 无法入睡的周末</h2>
<p>2026年10月，OpenAI 公布了几项重要的科学研究成果。</p>
<p>其中一项涉及 Kakeya 猜想。</p>
<p>就在2025年，数学家王虹与 Joshua Zahl 刚刚证明了这个百年难题在三维空间中的情形。而 OpenAI 声称，其内部模型通过另一条数学路径，给出了更广泛的证明，能够解决所有相关维度的问题。</p>
<p>另一项涉及理论计算机科学中的指数时间假说，ETH。</p>
<p>这个猜想存在了近三十年，研究的是某类计算问题究竟存在怎样的时间复杂度边界。虽然从未得到证明，却被许多数学家和计算机科学家相信，大量研究也以它为理论前提。</p>
<p>而 OpenAI 声称，自己的模型找到了一种新的算法，能够在亚指数时间内精确计算某类逻辑公式的解的数量，从而反驳 ETH。</p>
<p>几乎与此同时，Anthropic 也公布了 Claude 在同一问题上的研究成果。</p>
<p>按照两家公司披露的时间线，两个不同实验室的 AI 模型，竟然都声称在10月16日找到了突破这一猜想的核心算法。</p>
<p>此外，OpenAI 还公布了一项关于量子场论严格数学存在性的研究，涉及杨—米尔斯理论与量子色动力学。</p>
<p>这些成果仍需要经过独立学术核查。形式化证明能够检查逻辑推导，却不能自动保证研究者对原问题的全部表述与理解都完全正确。尤其是其中的物理学成果，完整证明材料尚未公开。</p>
<p>但 AI 开始直接参与前沿科学发现，已经不再只是实验室里的遥远设想。</p>
<p>而在10月29日的访谈中，Altman 讲述了 OpenAI 内部一个特殊的周末。</p>
<p>那时，研究团队刚刚获得一个新模型，建立了一个名叫「Hold My Beer」的内部交流频道，大意是「让我来试试」。</p>
<p>研究人员开始把自己长期以来最困难的学术问题交给模型。</p>
<p>这些问题并不是课堂上的练习题，也不是早已有了答案的数学竞赛题，而是来自真正科学研究前沿的难题。有些问题，研究者已经花费多年时间，仍然无法找到突破口。</p>
<p>Altman 回忆，模型开始接连给出出人意料的研究成果，而且横跨不同学科。</p>
<p>他兴奋得连续两个晚上几乎无法入睡。</p>
<p>这种兴奋不难理解。</p>
<p>对于任何相信科学进步的人来说，如果一种新的技术能够帮助我们更快地理解自然，发现过去未能发现的知识，这都是令人激动的事情。</p>
<p>尤其是那些已经困扰人类几十年、甚至几个世纪的问题，如果能够由新的方法获得突破，整个科学共同体都将因此受益。</p>
<p>但 Altman 随后说，除了喜悦，他竟然还感到一种出乎意料的悲伤与惆怅。</p>
<p>仿佛某个时代正在结束。</p>
<p>他想到那些数学家。</p>
<p>大多数数学家终其一生，也不会解决一道千禧年数学难题，但知道世界上仍然存在许多尚未理解的问题，而自己还有机会通过漫长的努力，亲手找到其中一个答案，本身就是一件美好的事情。</p>
<p>为了这种可能性，有些人愿意把一生中最好的时光投入研究，放弃其他许多生活的选择。</p>
<p>他们未必知道自己是否能够成功，甚至不知道解决问题的方法会不会在自己有生之年出现。</p>
<p>但这并不妨碍他们继续研究。</p>
<p>就像当年的 Wiles。</p>
<p>如果1986年的 Wiles 拥有一个能够在几个小时里完成证明的 AI 系统，费马大定理也许会更早获得答案。</p>
<p>对于数学知识的进步，这当然可能是一件好事。</p>
<p>但那七年独自探索的经历，那些在湖边思考的下午，以及1993年5月那个忘记吃午饭的日子，也就可能不会以同样的方式发生。</p>
<p>人类获得了答案，却不一定再需要通过原来的方式，走过那条通向答案的道路。</p>
<p>这就是 Altman 所感受到的惆怅。</p>
<p>机器可以帮助人类更快地抵达知识的终点，但对于那些把探索本身视为生命重要部分的人来说，抵达终点与亲自走过道路，从来不是完全相同的事情。</p>
<p>在访谈中，Collison 用父亲当年在爱尔兰见到的马匹，回应了这种感受。</p>
<p>人类已经使用马匹劳动了几千年。但随着拖拉机普及，一种延续了漫长历史的生产方式逐渐退出了日常生活。</p>
<p>技术带来了进步，可对于长期生活在旧方式中的人来说，那也意味着一个熟悉的世界正在远去。</p>
<p>Altman 所感受到的，正是这种变化。</p>
<p>区别只在于，这一次，变化开始进入人类最引以为傲的理性活动。</p>
<h2 id="四那些写了一百多年尚未完全合上的书">四、那些写了一百多年、尚未完全合上的书</h2>
<p>就在 OpenAI 公布这些成果的同一天，一家名叫 Axiom Math 的公司，也宣布完成了一项规模惊人的工作。</p>
<p>他们利用大规模协作的 AI Agent，将有限单群分类定理转化成了一套可以由计算机逐步检查的形式化证明。</p>
<p>有限单群分类定理是20世纪数学史上最伟大的成就之一。</p>
<p>它研究的是对称性背后的基础数学结构。就像化学家建立元素周期表，数学家试图找到构成所有有限群的那些最基本的数学对象。</p>
<p>这项工作的规模大得令人难以想象。</p>
<p>在过去一百多年里，大约一百位数学家参与了相关研究，发表五百多篇论文，留下约一万五千页证明。</p>
<p>1983年，数学界认为分类已经基本完成，但后来又发现了证明中的重要缺口。直到2004年，一项长达一千多页的研究才补上其中最主要的部分。</p>
<p>这样庞大的知识体系，已经很难由任何一个人完整掌握。</p>
<p>一位数学家可能花费很多年，只为了证明其中一个关键结论。后来的人阅读他的论文，在此基础上继续推进，又可能发现需要重新修正的地方。</p>
<p>有些问题在一代人的研究生涯中没有得到解决，只能留给后来者。</p>
<p>这些数学成果就这样被一篇篇论文、一部部著作保存下来，经过几代人的努力，逐渐汇聚成一套异常庞大的理论。</p>
<p>而Axiom宣布，他们在24天里组织数十个 AI Agent，生成了约4310万行 Lean 代码，完成这项证明的形式化工作。</p>
<p>在重新整理原有文献的过程中，团队还报告发现并处理了34处值得特别注意的论证问题，其中一些需要重新建立数学证明。</p>
<p>这项成果仍需独立复现和检查，而且机器并不是从零开始证明了整个定理。它依靠的是人类一百多年积累的数学知识，以及今天的数学家和工程师所提供的组织与帮助。</p>
<p>但其中蕴含的变化，已经十分清晰。</p>
<p>过去，人类通过一代代研究者的努力，缓慢积累知识。每个人只能掌握其中一部分，再把自己的成果留给后来者。</p>
<p>现在，机器开始帮助人类重新检查这些漫长历史中积累下来的知识，把分散在不同年代、不同论文中的证明重新连接起来。</p>
<p>那些曾经写下这些论文的数学家，许多人已经不在人世。他们不会知道，自己花费一生建立的数学结构，有一天会被另一种智能重新整理。</p>
<p>他们留在纸上的推导，经过几十年、上百年的传承，仍然在不断被后人阅读和使用。</p>
<p>AI 接过了其中一部分工作。</p>
<p>这一次，它所面对的，不是一个全新的未知问题，而是一份人类花费几代人才共同建立起来的知识遗产。</p>
<p>一个方向是发现尚未被人类认识的结构，另一个方向则是重新整理和验证那些已经被人类发现的知识。</p>
<p>两者都与时间有关。</p>
<p>人类的科学研究，过去始终受到个人生命长度的限制。一个人需要花费多年学习前人的成果，再用自己有限的一生，为这个庞大的知识体系增添一点新的东西。</p>
<p>他可能没有时间完成全部研究，也可能在看到最终答案之前就已经离世。</p>
<p>后来的研究者接过工作，继续向前。</p>
<p>知识就这样在一代又一代人的生命之间传递。</p>
<p>而机器智能的出现，开始使这种传递有了另一种可能。</p>
<p>它能够参与那些过去需要大量研究者协作才能完成的工作，也能够帮助我们重新组织跨越漫长时间积累下来的知识。</p>
<p>那些属于不同时代的思想，可能因此获得一种更为完整、也更容易继续使用的形式。</p>
<p>这不是对前人工作的取代。</p>
<p>没有那些研究者花费几十年建立的理论，机器也无从整理这些证明。</p>
<p>恰恰是因为无数人的努力曾经存在，才有了今天可以被继续推进的知识。</p>
<h2 id="五一个人怎样与自己的时代告别">五、一个人怎样与自己的时代告别</h2>
<p>技术史上的变化，往往比生活在其中的人所能感受到的更加迅速。</p>
<p>从后来者的角度看，农业机械化可以用几个历史阶段来概括。蒸汽机、铁路、电力、汽车和计算机的普及，也都能够被整理成清晰的时间线。</p>
<p>但对于当时的人来说，这些变化并不是以历史章节的方式发生的。</p>
<p>一个长期依靠马匹劳作的人，可能需要学习驾驶和维护新的机器。他过去掌握的饲养、驾驭牲畜的经验，曾经是十分重要的谋生能力，后来却逐渐不再那么被需要。</p>
<p>一个年轻人选择了父辈从事的职业，却可能在自己尚未年老时，发现整个行业的工作方式已经发生改变。</p>
<p>新的技术能够提高效率，创造新的机会，也能减轻许多原本沉重的劳动。但旧的生活方式不会因此毫无痕迹地消失。</p>
<p>它们曾经塑造了人的身体、习惯、经验与情感，也曾经决定一个人怎样理解自己在社会中的位置。</p>
<p>一个熟练掌握某种技艺的人，可能正是凭借这种能力赢得收入、尊重和自信。他把技艺传给下一代，也把自己一生的经验留在了这种传承中。</p>
<p>当新的技术取代这种技艺，改变的不只是完成某项工作的成本，还包括围绕这项工作形成的一整套生活。</p>
<p>当然，人类并不应该为了保存某种古老的生活方式，而拒绝更好的工具。</p>
<p>那些在田间从事繁重劳动的人，有理由希望自己的生活变得轻松一些。那些被疾病困扰的人，也不会因为某个科学家希望继续研究，就拒绝一种能够更快找到治疗方法的技术。</p>
<p>科学进步所带来的好处，不应该因为我们对过去的留恋而被否定。</p>
<p>但人类也不能只用生产率和效率，去衡量一切变化。</p>
<p>对于Wiles来说，费马大定理最终得到解决，是一项伟大的科学成就。而那七年研究中的生活，也具有无法用最终论文衡量的价值。</p>
<p>对于爱尔兰那些曾经依靠马匹劳动的人来说，拖拉机带来了新的生产方式，但他们过去所熟悉的经验和生活，也有其真实的历史。</p>
<p>这些经历不会因为后来出现了更加高效的方法，就变得没有意义。</p>
<p>技术能够替代完成某项任务的方式，却不能重新替人度过已经走过的一生。</p>
<p>这也是为什么，在科学研究开始发生变化的今天，人们会对 Altman 的那份惆怅产生共鸣。</p>
<p>一个数学家研究某个问题，也许不仅因为这项研究能够带来学术荣誉，还因为他喜欢在未知中寻找答案的过程。</p>
<p>他可能花费许多年月理解前人的工作，反复尝试各种方法，在很长时间里看不到任何结果，却仍然愿意继续。</p>
<p>这种生活未必高效，也未必能够获得成功，但它构成了一个人选择如何度过一生的方式。</p>
<p>如果未来机器能够更快地完成其中许多工作，人类当然可以把更多时间投入新的研究。</p>
<p>也许会有更多人因此获得探索知识的机会，也许过去需要花费十年才能掌握的复杂理论，未来只需要很短时间就能理解其核心结构。</p>
<p>但新的能力出现，并不意味着人类会自动找到新的生活方式。</p>
<p>教育需要改变，学术研究的组织方式需要改变，社会对不同劳动与贡献的评价，也可能需要重新调整。</p>
<p>曾经依靠某种技能生活的人，仍然需要收入、尊重与归属。那些把人生投入某个学术领域的研究者，也需要重新理解自己的贡献和位置。</p>
<p>这样的调整不可能只靠更强大的模型来完成。</p>
<p>更重要的是，人们不能因为一项工作不再需要由人完成，就认定过去从事这项工作的人，其生命价值也随之消失。</p>
<p>一个人的意义，并不完全取决于他能够解决多少问题，或者能够创造多少经济价值。</p>
<p>人首先是在世界上生活。</p>
<p>他可能因为年轻时读到的一本书，从此喜欢上一门学问；也可能在漫长的职业生涯中，逐渐建立起自己与世界的联系。</p>
<p>他有过努力、失败、成功，也有过平凡而无所事事的日子。</p>
<p>这些经历共同构成了他的生命。</p>
<p>机器不会因为更快地完成某项任务，就使这些已经发生过的人生变得无足轻重。</p>
<p>而新的时代真正值得争取的，也不只是让机器承担越来越多的工作，还包括让更多人拥有探索、学习、创造，以及选择自己生活的机会。</p>
<h2 id="六后来的人将怎样回望我们">六、后来的人将怎样回望我们</h2>
<p>2026年的今天，我们正处在一个很特别的位置上。</p>
<p>过去几年，人工智能的能力不断提高。从回答问题、编写程序，到独立完成复杂任务，再到参与前沿科学研究，许多过去需要人类专家长期投入的工作，开始出现新的完成方式。</p>
<p>但日常生活并没有因此突然改变成另一副模样。</p>
<p>人们仍然需要上班，仍然要处理家里的事情，照顾老人和孩子，考虑下一年的计划。</p>
<p>学校仍然按照原来的方式教授知识，许多学生仍然需要花费多年时间学习数学。大学里的研究者继续阅读论文，编写程序，进行实验，在自己的领域中寻找新的问题。</p>
<p>就像1950年代的爱尔兰。</p>
<p>拖拉机已经进入乡村，但马匹仍然在劳动。</p>
<p>当时的人并没有在某一个早晨集体宣布，数千年依靠马匹进行生产的时代已经结束。</p>
<p>变化是在日常生活中逐渐完成的。</p>
<p>旧的工具仍然可以使用，旧的经验仍然具有价值，但越来越多的人开始采用新的方法。等到人们回过头来，才发现某些曾经极其寻常的生活，已经很难再见到了。</p>
<p>未来的人们，也许会以类似的方式回望今天。</p>
<p>他们可能会惊讶，为什么2026年的数学家还需要花费十年、二十年时间，才能解决某个复杂问题。</p>
<p>为什么一个跨越百年的数学分类工作，需要一百多位数学家共同完成。</p>
<p>为什么程序员曾经需要亲手编写大量代码，为什么学生要花费多年时间，才能掌握某些后来可以借助机器迅速理解的知识。</p>
<p>在未来的历史叙述中，这些或许会被归入人工智能普及之前的工作方式。</p>
<p>但对于今天的人们来说，它们仍然是生活本身。</p>
<p>一个研究者正在完成自己的博士论文，未必知道几年以后，自己所使用的研究方法会发生怎样的变化。</p>
<p>一个年轻人正在为成为优秀的程序员而努力，未必能够想象十年以后，这个职业还会以怎样的形式存在。</p>
<p>一个孩子今天在学校里学习数学，也不会因为 AI 已经能够证明某些复杂定理，就突然失去理解世界的好奇。</p>
<p>他可能仍然会像十岁的 Wiles 一样，在某一本书里读到一个简单而深刻的问题，从此念念不忘。</p>
<p>只不过，未来的他，可能会拥有与 Wiles 完全不同的探索工具。</p>
<p>也许他不需要再像前人一样，花费几十年独自寻找答案。</p>
<p>也许他可以借助机器理解更多数学结构，进入更遥远的知识领域。</p>
<p>也许他会选择另一种生活，不再把解决某个难题作为自己一生的目标。</p>
<p>这些变化都还没有确定的答案。</p>
<p>但无论未来会怎样，他仍然需要自己去经历那段人生。</p>
<p>他会有自己的好奇，自己的选择，也会有属于自己的喜悦与失落。</p>
<p>就像过去每一个时代的人一样。</p>
<h2 id="七当我们正与过去告别">七、当我们正与过去告别</h2>
<p>再回到 John Collison 父亲的那段童年记忆。</p>
<p>1950年代，一个爱尔兰孩子看见人们仍然使用马匹劳动。</p>
<p>对于当时的他，那只是生活中很普通的一件事。</p>
<p>几十年以后，他把这件事告诉了儿子。又过了许多年，儿子在与一位人工智能公司的负责人谈话时，重新讲起父亲的这段回忆。</p>
<p>于是，一种延续了几千年的生产方式，与今天刚刚出现的机器智能，竟然因为一个普通人的童年记忆而联系在一起。</p>
<p>历史有时就是这样被重新看见的。</p>
<p>我们在书本里读到农业机械化，会想到生产率的提高、劳动力的转移，以及工业技术如何改变社会。</p>
<p>但通过这段记忆，我们看到的，是一个孩子曾经生活过的世界。</p>
<p>那时，马仍然在工作。拖拉机也已经出现。旧的生活还没有完全退去，新的生活正在逐渐形成。</p>
<p>没有人能够准确知道，哪一天才算一个时代真正结束。</p>
<p>也许对于那些仍然依靠马匹劳动的人来说，那个时代还会持续很多年。</p>
<p>也许对于已经学会驾驶拖拉机的年轻人来说，一个新的时代早已开始。</p>
<p>历史的转折，并不会让所有人同时跨过同一条界线。</p>
<p>人们只是按照自己的节奏生活，在不知不觉中，带着过去的习惯和经验，走进一个逐渐陌生的世界。</p>
<p>今天，我们也正在经历类似的事情。</p>
<p>许多曾经只有人类才能完成的智力活动，开始出现新的承担者。那些需要一生去学习和探索的知识，正在以过去无法想象的速度被重新发现、整理和传播。</p>
<p>人类或许不会永远是每一个知识领域里最先抵达的探索者。</p>
<p>但一个人怎样度过自己的一生，仍然无法由机器替他完成。</p>
<p>Wiles 在书房里度过的七年不会重新发生，1950年代那个爱尔兰孩子见过的乡村也不会再以完全相同的方式回来。</p>
<p>有一天，今天的人们所熟悉的工作、学习和思考方式，也可能成为后人眼中的历史。</p>
<p>到那时，后来的人会知道人工智能在2026年取得了哪些突破，会知道那些数学猜想最终是否得到证明，也会知道人类社会后来发生了怎样的改变。</p>
<p>他们也许能够用很短的篇幅，概括我们正在经历的整个时代。</p>
<p>但这些历史结论，未必能够告诉他们，生活在这个时代的人，究竟有过怎样的感受。</p>
<p>人们曾经怎样热爱自己的工作，怎样为一个难题花费漫长的岁月，怎样在成功时感到喜悦，又怎样在熟悉的世界发生改变时，产生无法言说的失落。</p>
<p>这些东西往往不会留在技术发展的时间表里，却真实地存在于每个人的一生之中。</p>
<p>它们也是历史的一部分。</p>
<p>未来的人如果回望今天，也许会像我们看见旧照片上的耕马一样，惊讶于某些曾经如此普遍的生活方式。</p>
<p>而对于今天的我们来说，这些生活仍然正在发生。</p>
<p>人们依旧走进办公室和教室，阅读书籍，思考问题，照顾家人，在忙碌中度过自己的日子。</p>
<p>新的技术已经到来，旧的世界还没有完全远去。</p>
<p>就像七十多年前的爱尔兰，拖拉机已经驶进乡村，而马仍然在劳作。</p>
<p>生活在其中的人，并不知道自己后来会被怎样记住。</p>
<p>今天的我们，也未必知道。</p>
<p><em>写于2026年10月30日</em></p>
<p><em>参考资料：</em></p>
<p>Cheeky Pint：John Collison 对话 Sam Altman，2026年10月29日</p>
<p>PBS NOVA：Andrew Wiles 讲述费马大定理的证明历程</p>
<p>OpenAI：Working with academic communities to build scientific understanding</p>
<p>Axiom Math：Formalizing the Enormous Theorem</p>
]]></content:encoded></item><item><title>当奇点来临时</title><link>https://blog.unicome.org/posts/dang-qidian-laishi/</link><pubDate>Tue, 27 Oct 2026 14:00:00 +0800</pubDate><guid>https://blog.unicome.org/posts/dang-qidian-laishi/</guid><description>&lt;p&gt;&lt;em&gt;——写在 AI 开始触及人类科学认知边界的这一天&lt;/em&gt;&lt;/p&gt;
&lt;p&gt;昨晚，我看到一条消息，反复读了好几遍。&lt;/p&gt;
&lt;p&gt;2026年10月26日，OpenAI 公布了三个由其内部 AI 模型取得的科学研究成果，分别涉及数学中的 Kakeya 猜想、理论计算机科学中的指数时间假说，以及物理学中的杨—米尔斯理论和量子色动力学。&lt;/p&gt;</description><content:encoded><![CDATA[<p><em>——写在 AI 开始触及人类科学认知边界的这一天</em></p>
<p>昨晚，我看到一条消息，反复读了好几遍。</p>
<p>2026年10月26日，OpenAI 公布了三个由其内部 AI 模型取得的科学研究成果，分别涉及数学中的 Kakeya 猜想、理论计算机科学中的指数时间假说，以及物理学中的杨—米尔斯理论和量子色动力学。</p>
<p>这几个名字，普通人可能一个都不熟悉。</p>
<p>但如果这些成果最终获得学术界的确认，其中任何一项，都足以成为相应领域的重要突破。而现在，三个跨越不同学科、困扰人类数十年的难题，竟然由同一套 AI 研究体系接连给出了答案。</p>
<p>我知道近年来 AI 的进步非常快，也一直在关注它的发展。从最初令人惊讶的语言能力，到编程、推理、数学竞赛，再到越来越复杂的自主研究，许多过去被认为遥不可及的能力，正在一项项变成现实。</p>
<p>但这一次，我还是被震住了。</p>
<p>尤其是第二项，指数时间假说，ETH。</p>
<p>我以前看过一段时间理论计算机科学，虽然谈不上深入，但知道 ETH 在这个领域意味着什么。</p>
<p>不过，在说自己的感受之前，我想先简单介绍一下这三个难题。</p>
<h2 id="一三个可能改写科学史的难题">一、三个可能改写科学史的难题</h2>
<p>第一个，是中国数学家王虹刚刚取得重大突破的 Kakeya 猜想。</p>
<p>2025年，华人数学家王虹与数学家 Joshua Zahl 合作，证明了困扰数学界一个多世纪的三维 Kakeya 猜想。这项成果当时引起了很大关注。</p>
<p>Kakeya 猜想最初来自一个非常有趣的问题。</p>
<p>假设有一根细得几乎没有宽度的针，我们要让它能够指向所有方向，究竟需要多大的空间？</p>
<p>数学家发现，如果允许以极其巧妙的方式安排针的运动，所占用区域的体积甚至可以无限接近于零。</p>
<p>但这并不代表这个区域在数学意义上失去了完整的空间维度。</p>
<p>Kakeya 猜想研究的，正是这种极端几何结构的维度问题。</p>
<p>这个看起来像几何游戏的问题，背后连接着波的传播、光的聚焦以及现代数学分析中的许多深刻理论。</p>
<p>王虹和 Zahl 在2025年解决的是三维空间的情形。这已经是一项极其了不起的成就，也是几代数学家接力研究的结果。</p>
<p>而这一次，OpenAI 声称，它的模型证明了另一个更基础的数学猜想——局部光滑化猜想，并由此将 Kakeya 猜想的结论推广到了所有相关维度。</p>
<p>这并不是对王虹工作的否定，而是沿着另一个更加根本的数学问题，试图获得更广泛的结论。</p>
<p>如果证明成立，它意味着一个多世纪以来，人类数学家逐步推进、直到去年才在三维空间取得关键突破的问题，如今可能被 AI 用一套新的数学方法统一解决。</p>
<p>第二个，是最让我感到不可思议的指数时间假说，ETH。</p>
<p>我们可以从一个简单的例子理解它。</p>
<p>假设有100个开关，每个开关只有打开和关闭两种状态。现在给你一套复杂的规则，要求找出一种开关组合，使所有规则同时得到满足。</p>
<p>最笨的办法，是把所有可能的组合都试一遍。</p>
<p>但100个开关，总共有2的100次方种组合。这是一个大到难以想象的数字。</p>
<p>如果变量继续增加，计算量就会以惊人的速度膨胀。哪怕计算机越来越快，也很难抵消这种增长。</p>
<p>当然，人类一直在寻找更聪明的算法。</p>
<p>实际上，对于许多问题，科学家早已找到比简单穷举快得多的解法。</p>
<p>但这里有一个更深的问题：</p>
<p>有没有一类问题，无论人类怎样改进算法，都不可能从根本上摆脱这种指数级的计算增长？</p>
<p>1999年，理论计算机科学家提出了著名的指数时间假说，ETH。</p>
<p>它断言，对于一类最基础的逻辑问题，不存在严格意义上的亚指数时间求解算法。</p>
<p>注意，这不是说不能比穷举快，而是认为再聪明的算法，也无法突破某条计算复杂度的边界。</p>
<p>ETH 从来没有被严格证明，却在过去近三十年里被大量研究者相信。</p>
<p>几百篇学术论文以它为前提，建立了一整套关于计算问题究竟有多困难的理论结论。</p>
<p>许多论文都会出现这样的表达：假设 ETH 成立，那么某个问题就不可能在某种时间复杂度内得到解决。</p>
<p>久而久之，它虽然不是公理，却几乎成了理论计算机科学中一块被广泛接受的基石。</p>
<p>而现在，OpenAI 声称，它的 AI 模型证明了 ETH 是错的。</p>
<p>更让我难以置信的是它所使用的方法。</p>
<p>回到刚才100个开关的例子。</p>
<p>我们原本只要求判断：有没有一种组合，能够满足全部规则？</p>
<p>但 AI 给出的算法，不仅能够判断有没有解，还可以精确数出究竟有多少种组合满足条件。</p>
<p>这两件事在计算复杂度理论中的难度通常并不相同。</p>
<p>好比我们问，一座巨大的迷宫里究竟有没有出口。只要找到一个出口，任务就完成了。</p>
<p>但如果要求你准确数出迷宫中所有符合条件的路线，通常要困难得多。</p>
<p>而 AI 声称，它为这类逻辑问题中具有特定形式的公式，找到了一个确定性算法，不仅能够精确计算所有满足条件的赋值数量，还能将运行时间控制在亚指数级，并且只需要多项式规模的存储空间。</p>
<p>也就是说，它甚至完成了一个通常被认为比判断有没有解更难的任务，而 ETH 的反驳反倒成为这个算法的推论。</p>
<p>当然，亚指数时间并不意味着计算突然变得轻而易举。面对非常大的问题，新算法仍可能需要极其漫长的时间。这也不意味着 P=NP 已经解决，更不意味着今天的密码系统会突然失效。</p>
<p>但它意味着什么？</p>
<p>如果证明成立，那么人类过去近三十年普遍相信的一条计算复杂度边界，原来并不存在。</p>
<p>这不是让计算机快了百分之十，也不是发明了某种更好的工程优化方法，而是改变了我们对于一类问题究竟有多难的理论判断。</p>
<p>我觉得，这才是最震撼的地方。</p>
<p>因为科学家不仅根据已经证明的定理决定研究方向，也会根据那些被广泛相信的猜想，决定哪些道路值得继续探索，哪些可能根本走不通。</p>
<p>如果一个被长期信任的前提突然被推翻，那么需要重新审视的，不只是某几篇论文，而是这个领域过去依赖它建立的一整套研究判断。</p>
<p>这就像一群人花了几十年研究如何翻越一座高山，几代人都相信山体的某一侧根本无法通行。</p>
<p>直到某一天，有人发现，那里其实存在一条从未被注意到的道路。</p>
<p>山并没有改变。</p>
<p>改变的是我们对山的认识。</p>
<p>第三个，是物理学中著名的杨—米尔斯理论与量子色动力学。</p>
<p>这个问题可以说得简单一些。</p>
<p>现代物理学有一套非常成功的理论，用来描述微观粒子之间的相互作用，包括将夸克束缚在质子、中子内部的强相互作用。</p>
<p>这套理论已经被大量实验验证，能够准确预测许多物理现象。</p>
<p>但有一个极其困难的问题始终存在：我们能不能从最严格的数学意义上，证明这套理论能够作为一个完整、自洽的数学对象成立？</p>
<p>物理学家知道怎样使用它，数学家却还没有完成所需要的全部严格证明。</p>
<p>这就像人类已经建造并使用一座复杂的桥梁许多年，却仍然无法从最基础的数学原理出发，为它建立完全严格的理论证明。</p>
<p>而这一次，OpenAI 声称，它的模型为四维量子色动力学及相关理论提供了严格的数学存在性证明，其中包括纯杨—米尔斯理论的存在性。</p>
<p>这涉及著名的千禧年数学难题，但还不等于完整解决了该难题，因为其中的质量间隙问题仍未解决。</p>
<p>目前这部分完整证明尚未公开，正在由诺贝尔物理学奖得主 David Gross 等人组织专家审阅。</p>
<p>仅仅是 AI 已经能够对这样的问题提出严肃的证明主张，就足以让人重新认识它的能力边界。</p>
<p>以上，就是三个问题的大致情况。</p>
<p>一个研究空间与波的深层规律，一个研究计算究竟存在怎样的速度极限，一个研究描述自然界基本作用力的数学理论能否严格成立。</p>
<p>它们来自完全不同的学科，使用不同的数学语言，也经历了漫长而彼此独立的研究历史。</p>
<p>现在，AI 几乎同时触及了它们。</p>
<h2 id="二我为什么会感到如此震撼">二、我为什么会感到如此震撼</h2>
<p>必须强调，目前这些成果都还需要独立的学术核查。</p>
<p>前两项已经公开了论文和 Lean 形式化证明。Lean 是一种能够让计算机逐步检查数学证明的系统，但形式化证明通过检查，并不意味着它所表达的命题一定与科学家原本要解决的问题完全一致。定义是否准确、前提是否恰当，仍然需要人类专家审阅。</p>
<p>第三项还处于专家整理阶段。</p>
<p>科学需要谨慎，尤其是如此重大的结论。</p>
<p>但当我读到这些消息时，第一反应并不是兴奋，而是一种很深的震动。</p>
<p>尤其是 ETH。</p>
<p>我以前学过相关理论，知道计算复杂度领域那些精巧的证明，也知道人们为了把算法的运行时间减少哪怕一点点，需要付出多么艰苦的努力。</p>
<p>我记得自己第一次接触这些理论时的感觉：数学原来不仅能够告诉我们怎样计算，还能试图告诉我们，有些事情为什么不可能被高效计算。</p>
<p>这种认识本身就带有一种深刻的理性之美。</p>
<p>而现在，一个 AI 系统可能正在告诉我们：你们过去认为无法跨越的边界，并没有想象中那么坚固。</p>
<p>我看了很久，竟然不知道该说什么。</p>
<p>我们过去认为某些事情不可能，是因为它们真的不可能，还是因为人类至今没有找到正确的道路？</p>
<p>这两者之间，原来可能存在如此巨大的距离。</p>
<p>数学的客观结构并没有因为 AI 的到来而改变。那些定理、算法和物理规律，本来就在那里。</p>
<p>改变的是我们触及这些结构的能力，以及我们对自身认知边界的判断。</p>
<p>我们曾经以为自己走到了某些道路的尽头。现在却可能发现，那里并不是世界的边界，只是人类探索能力暂时抵达的地方。</p>
<p>这让我感到一种很难形容的敬畏。</p>
<h2 id="三当科学发现开始走在人类理解的前面">三、当科学发现开始走在人类理解的前面</h2>
<p>过去，我们看到的 AI 突破，大多还可以放在人类已有的能力框架中理解。</p>
<p>它能写出更好的程序，能解出更难的竞赛题，能在越来越多的考试中取得高分。</p>
<p>这些成就当然令人惊叹，但我们仍然能够找到熟悉的参照物：优秀的程序员、数学竞赛冠军、顶尖大学的博士生。</p>
<p>我们看着机器不断超越这些参照物，同时仍然习惯于认为，真正前沿的科学发现，是另一回事。</p>
<p>因为科学研究不只是回答已经有标准答案的问题，而是在没有答案、没有现成路径，甚至不知道是否存在正确路径的地方，开辟新的知识。</p>
<p>现在，AI 已经开始触及这里。</p>
<p>如果这些成果最终成立，那么它不再只是帮助人类完成科学研究的工具，而是在某些问题上，成为新知识的直接发现者。</p>
<p>这与过去的技术进步，有一种很重要的区别。</p>
<p>望远镜使人类能够看到更遥远的宇宙，显微镜让我们看到肉眼无法分辨的微观世界，计算机帮助科学家完成过去根本无法进行的大规模计算。</p>
<p>这些工具极大地延伸了人类的感知和计算能力，但在我们的通常理解里，科学发现的核心过程仍然由人类完成。</p>
<p>人提出理论、寻找解释、设计证明，机器执行其中的一部分工作。</p>
<p>而这一次，顺序可能正在改变。</p>
<p>机器先发现一种人类尚未发现的数学结构，给出证明，然后人类再去检查它是否正确，理解它为什么成立，以及它意味着什么。</p>
<p>科学发现，可能开始走在人类理解的前面。</p>
<p>我觉得，这才是整件事最值得深思的部分。</p>
<p>一个科学家穷尽一生，可能也只能在某个问题上向前推进一点点。许多理论经过几代人的努力，才逐渐形成今天的样子。</p>
<p>知识的增长速度，在很大程度上受到人类认知能力的约束。一个人需要学习，需要理解前人的成果，需要尝试，需要犯错，也需要时间去建立新的思想。</p>
<p>科学史正是在这种缓慢的积累中向前发展的。</p>
<p>现在，我们可能正在进入一个新的阶段。</p>
<p>如果未来的 AI 能够持续、独立地发现新的数学定理，建立物理理论，寻找更高效的算法，那么知识的产生速度，可能越来越不受人类个体学习速度的限制。</p>
<p>人类也许还在花几年时间理解一个理论，而机器已经沿着这个理论继续推进了许多步。</p>
<p>到那时，科学家最重要的工作，可能不再只是寻找答案，还包括从不断涌现的结果中判断什么值得相信，什么具有意义，哪些发现能够连接成更深的理论，以及这些理论究竟如何改变我们认识的世界。</p>
<p>这里还隐藏着另一个问题。</p>
<p>当我们说理解世界时，究竟什么才叫理解？</p>
<p>一个严格成立的数学证明，并不必然意味着我们已经获得了直观的理解。</p>
<p>人类数学史上，曾经有过极其复杂、需要大量计算机辅助验证的证明。对于这些证明，我们可以相信其结论，同时仍然希望找到一个更简洁、更具解释力的理由，明白事情为什么必然如此。</p>
<p>AI 可能把这种区别推向新的极端。</p>
<p>我们面对的不再仅仅是一份过于复杂的证明，而可能是一系列由机器独立发现、人类尚未形成直观认识的理论结构。</p>
<p>机器能够证明它，但人类未必立即能够理解它。</p>
<p>如果这样的情况成为常态，我们该如何定义科学知识？</p>
<p>科学是能够被严格验证的正确结论，还是必须能够被人类理解和解释的世界图景？</p>
<p>这两个目标过去通常一同向前，现在却可能逐渐分离。</p>
<p>我不知道答案。</p>
<p>但我隐约觉得，这种变化的影响，也许不亚于这些数学证明本身。</p>
<h2 id="四人类又一次面对自身位置的改变">四、人类又一次面对自身位置的改变</h2>
<p>人类的科学革命，过去常常伴随着对自身位置的重新认识。</p>
<p>哥白尼让我们知道，地球并不是宇宙的中心。达尔文让我们认识到，人类并不是脱离其他生命而独立存在的特殊创造物。现代物理学则不断告诉我们，直觉中的空间、时间与因果关系，远没有看上去那么简单。</p>
<p>每一次，我们都失去了一部分关于自身特殊性的旧信念，却也因此获得了对世界更深的理解。</p>
<p>而这一次，可能轮到了智力本身。</p>
<p>人类一直为自己的理性能力感到骄傲。我们能够从杂乱的世界中发现规律，能够用数学描述自然，能够借助思想抵达感官永远无法触及的地方。</p>
<p>这是人类文明最了不起的成就之一。</p>
<p>但如果有一天，一个并非人类的智能系统，比我们更擅长发现那些深藏在数学和自然中的结构，我们应该怎样重新理解自己的位置？</p>
<p>我并不认为这意味着人类失去了价值。</p>
<p>一个人的生命意义，从来不只取决于他是否比其他存在更加聪明。</p>
<p>我们能够感受阳光，能够爱一个人，能够为某个逝去的生命悲伤，能够面对时间的流逝，能够在有限的一生里尝试理解自己为什么存在。</p>
<p>这些体验不会因为机器证明了一道数学难题而自动消失。</p>
<p>但我也不愿意轻易用这些话来安慰自己。</p>
<p>因为我确实感受到了一种失落，或者说，一种面对未知时的敬畏。</p>
<p>我们曾经相信，人类理性是这个世界上能够抵达知识前沿的最高形式。科学发展的方向，始终由人类的思想所开辟。</p>
<p>如今，这个信念第一次遭遇了如此直接的挑战。</p>
<p>我们可能不再是每一个新知识领域里最先抵达的探索者。</p>
<p>某一天，人类也许会发现，自己已经置身于一片比过去丰富得多的知识世界中，而其中许多道路，并不是我们亲手开辟的。</p>
<p>我们将如何与这样的世界相处？</p>
<p>我们又该如何决定，哪些知识值得追求，哪些能力应当使用，哪些后果必须承担？</p>
<p>我越来越觉得，随着 AI 能力增强，这些问题的重要性反而会不断上升。</p>
<p>发现能力越强，选择的意义就越大。</p>
<p>因为能够做到什么，与应该做什么，始终是两件事。即使机器可以告诉我们某种技术在理论上可行，也不能替我们决定这种技术应该给世界带来怎样的改变。</p>
<p>而人类理解的价值，也未必会随着发现速度的提高而消失。</p>
<p>恰恰相反，当答案越来越容易产生时，理解为什么值得寻找这个答案，如何使它进入我们的生活，如何承担它带来的后果，可能成为更加艰难的事情。</p>
<p>这种新的分工，也许才刚刚开始。</p>
<h2 id="五当奇点来临时">五、当奇点来临时</h2>
<p>当然，我知道现在谈论奇点，可能仍然太早。</p>
<p>技术奇点是一个更为严格、也充满争议的概念。三项尚待确认的科学成果，并不能证明通用人工智能已经到来，更不能证明机器已经具有意识，或者人类即将失去对技术发展的控制。</p>
<p>我们必须把科学事实、合理推测和个人感受区分开来。</p>
<p>但有时候，一个时代的转折，并不需要等到所有定义都被满足，人们才开始感受到它。</p>
<p>变化总是在发生之后，才慢慢获得它应有的名字。</p>
<p>生活在蒸汽机时代的人，不会在某一个早晨醒来，就知道自己已经身处工业革命。电力、汽车、无线电、计算机的出现，也都经历过漫长的理解与适应。</p>
<p>身处变化之中的人，往往没有后来历史书写者那样清晰的视野。</p>
<p>我们只是在某个寻常的日子里，突然发现过去认为不可能的事情，已经开始发生。</p>
<p>然后继续吃饭，工作，照顾家人，处理生活里那些琐碎而真实的事情。</p>
<p>世界表面上并没有什么不同。</p>
<p>窗外的树还在那里，街上的行人照旧来往，太阳依然按照自己的节奏升起和落下。</p>
<p>可是我们对世界的某种理解，已经悄悄改变了。</p>
<p>昨晚，我反复看着那几项研究成果，最后竟然不知道还能说些什么。</p>
<p>我原本想写很多关于技术进步、科学革命以及 AI 未来的判断，但到了最后，反而觉得这些分析都不足以表达那一刻的感受。</p>
<p>作为一个生活在这个时代的普通人，我突然意识到，自己或许正在见证人类文明中一个非常特殊的时刻。</p>
<p>在漫长的历史里，人类一点一点积累知识，建立科学，发展数学，用有限的头脑努力理解这个无限复杂的世界。</p>
<p>我们曾经以为，这场探索会始终以人的思想为中心，缓慢而坚定地继续下去。</p>
<p>现在，另一种智能加入了这场探索。</p>
<p>它可能会走得比我们更快，也可能抵达我们尚无法理解的地方。</p>
<p>我不知道它最终会把我们带向哪里，也不知道未来的人们回望2026年10月的这一天，会把它看作一次科学史上的普通插曲，还是一条真正的时代分界线。</p>
<p>但我知道，今夜的这份震动是真实的。</p>
<p>奇点也许还没有来临。</p>
<p>只是我们第一次如此清晰地意识到，那条曾经遥远得近乎抽象的边界，可能已经离我们很近了。</p>
<p>而我坐在这里，看着屏幕上的那些数学符号，长久地没有说话。</p>
<p>过去，我们敬畏的是世界中还有多少未知。</p>
<p>而现在，我们也许即将面对另一种未知——机器已经找到了答案，人类却还不知道怎样理解它。</p>
<p>我想记下这一刻。</p>
<p>不只是为了记录机器取得了怎样的成就，也是为了让未来的人知道，当一种可能超越人类认知能力的智能真正开始触及科学前沿时，我们这些生活在它诞生年代的人，曾经有过怎样的惊讶、困惑、敬畏，以及沉默。</p>
<p>那也是人类历史的一部分。</p>
<p><em>写于2026年10月27日。本文涉及的 OpenAI 三项科学研究成果，依据其10月26日公布的信息整理。截至本文写作时，相关结论仍有待独立学术核查。</em></p>
<p><em>参考资料：</em></p>
<p>OpenAI：Working with academic communities to build scientific understanding</p>
<p>王虹、Joshua Zahl：《Volume estimates for unions of convex sets, and the Kakeya set conjecture in three dimensions》</p>
]]></content:encoded></item></channel></rss>