最近關於 AI 破解十項數學難題的討論，讓那群本來就敏感的數學家又集體焦慮了一次。很多人在 Hacker News 上糾結那個所謂兩千美元的成本，這數字聽起來確實像是在打基礎科學的臉。但如果你真的相信兩千美元就能換來一個菲爾茲獎級別的突破，那只能說明你對 OpenAI 的計算資源分配機制一無所知。這不是買菜，這是一場精密設計的公關表演，而主角顯然不是那些枯燥的公式，而是背後那套強化學習轉化為推理能力的邏輯。
一個很有趣的細節是，這群研究人員在論文裡說「我們負責證明的正確性」。這話聽在資深開發者耳裡簡直是冷笑話，當你已經用 Lean 這種形式化證明語言把邏輯鎖死，正確性是由編譯器和內核保證的，人類的責任感在這種時候顯得既多餘又廉價。這反映出目前四大平台在處理高難度推理任務時的一個共同困境：我們依然需要人類來扮演那個「簽字畫押」的角色，即便機器已經跑完了九十九步。
在具體的技術路徑上，OpenAI 的 o1 系列顯然走了一條極端消耗推理時間的道路。它不像傳統的 GPT-4o 那樣試圖通過概率預測來撞大運，而是引入了思維鏈的內化過程。這種過程在數學證明中表現得尤為明顯。當模型在 Lean 環境中不斷嘗試、報錯、回溯，它實際上是在進行一種大規模的蒙特卡洛樹搜索。這種搜索的成本極高，並非簡單的 API 調用費能覆蓋。很多人質疑那個兩千美元的數字是 P-value hacking，這話沒錯，如果你把背後預訓練階段燒掉的幾億美元算進去，每一行生成的代碼都貴得驚人。
相比之下，Claude 在處理這類長邏輯鏈條時表現出了另一種特質。雖然 Claude 3.5 Sonnet 在純數學推理的深度上偶爾遜於 o1，但它對人類意圖的理解和對證明步驟的解釋性更好。如果你讓 Claude 去 debug 一段複雜的 Lean 代碼，它給出的反饋通常比 OpenAI 那種黑箱式的推導更具啟發性。而 Gemini 則是另一種極端，它坐擁最大的上下文窗口，理論上可以把整本數學手冊塞進去，但在實際進行多步形式化證明時，Gemini 往往會因為注意力分散而出現幻覺，這種穩定性的缺失在數學這種非黑即白、不容許 0.1% 誤差的領域是致命的。
這裡不得不提一下最近在討論區頻繁出現的 DeepSeek V4 Flash。相較於 DeepSeek V4 Flash，OpenAI 的 o1 在推理架構上顯然更傾向於「慢思考」的範式轉移。我們在測試中發現，即便是在處理相似的邏輯謬誤時，OpenAI 表現出的自我修正能力也比其他模型更強。在某些特定語境下，這種能力被誇大成了某種神蹟，但本質上這只是計算量在推理側的重新分配。當初大家都在捲模型規模，現在大家發現，原來在輸出端多花點電費，能換來比增加參數更顯著的智力提升。
這種趨勢引發了一個更深層次的技術問題：未來我們評價一個模型的強弱，是否還應該看它的參數總量？或者應該看它在解決一個具體數學問題時，需要消耗多少「思考 token」？Grok 在這方面也很有意思，它那種不避諱敏感數據的風格，在處理某些前沿物理或數學問題時偶爾有奇效，但邏輯嚴密性始終是它的短板。與此同時，DeepSeek V4 Flash 的動態也讓不少人開始反思，這種追求極致推理效率的路徑是否已經觸及了某種天花板。
那些正在攻讀數學博士的人，與其擔心被 AI 取代，不如擔心自己有沒有能力去定義下一個值得被 AI 破解的問題。現在的情況是，AI 已經學會了如何翻牆，但它還不知道牆外哪片地值得挖。我們看到 OpenAI 餵給模型的是已經存在的、被人類定義好的難題。如果哪天它能主動提出一個連人類都沒想過的數學猜想，那才是真正的終結時刻。
但這一天真的會來嗎？或者說，當我們把所有真理都交付給形式化語言去驗證，人類在這個過程中留下的那點「責任感」和「直覺」，究竟是尊嚴的最後堡壘，還是某種過時的自我安慰？如果你現在手握一萬美元的預算，你會選擇去僱傭一個資深博士後工作三個月，還是把這筆錢充進 OpenAI 的 API 帳戶，去賭那千分之一的靈光一現？這不僅僅是成本問題，這是對智力價值的一次重新定價。