炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
（来源：网易科技）
今天，OpenAI 宣布其内部 AI 系统在仅仅 88 小时内攻克了困扰数学界近百年的 Navier-Stokes 千禧年难题。最高峰时，系统同时调动了约 1 万个 AI Agent，并由另一模型完成验证。
这或许是近期 AI 加速科学发现最具冲击力的案例之一。然而，围绕这一成果的争议，也在 AI 和数学界迅速发酵。
元股证券:ygzq.hk就在 OpenAI 宣布突破的前一天，数学家 Tristan Buckmaster 与 Anthropic 研究员 Levent Alpöge 公布了他们在相关流体力学问题上的研究进展。
随后，Buckmaster 公开质疑 OpenAI 是否可能间接接触到他们此前通过 Codex 推进研究时产生的工作内容，并对研究优先权和署名问题提出质疑。
OpenAI 则表示，其研究是在听闻相关进展后启动，内部证明与两人的工作存在明显差异，并否认直接访问了他们的具体用户数据，同时承认无法完全排除去标识化数据产生间接影响的可能性。OpenAI 在官宣突破 NS 方程千禧年难题的同时，也对这一争议给出了回应。
然而，这场争议真正值得关注的地方，可能并不只是“谁先解决了 Navier-Stokes”，也不只是 AI 究竟有没有独立完成证明。它暴露出了一个更深层的问题：当 AI 开始拥有在数十小时内集中数千、上万个 Agent 攻击顶级数学问题的能力时，一个研究问题从“值得研究”到“被迅速解决”的时间窗口，可能正在急剧缩短。
今日凌晨，菲尔茨奖得主、华裔数学家、加州大学洛杉矶分校教授陶哲轩撰文称：真正稀缺的资源或许正在发生变化。我们过去担心的是没有足够强大的工具解决问题；AI 时代，我们可能越来越需要担心的是，还有多少值得研究的好问题，以及研究者是否还敢公开它们。
陶哲轩也给出了自己的建议：不求禁绝工具，但求立好标准。尽管这话由数学而起，但或许同样适用于 AI 时代下的每一个研究领域。
全文如下：
我最近写过一篇文章，谈到如今那些真正优质、富有成果潜力的开放问题，正在以一种“不可再生”的方式被不断挖掘，这可能导致一个值得警惕的局面：这类问题本身正在变得稀缺。
乍看之下，这似乎有些反直觉，因为我们可以提出的问题显然是无限多的。或许可以用这样一个类比来理解：一个国家或地区完全可能一边被浩瀚海洋环绕，一边陷入严重的饮用水短缺。
我们当然可以随意生成无数个数学开放问题，比如求出 π 的第 10^10^10 位数字。但绝大多数这类问题都不值得投入研究精力：它们并没有表现出能够进一步揭示新洞见或与其他问题建立联系的明显潜力；相对于现有技术而言，它们也可能过于简单，或者难到几乎无法解决，以至于研究这一问题本身很难带来任何有价值的认识。
判断一个问题究竟是否值得重点研究，是一个漫长、审慎且带有主观性的过程。这个判断往往建立在数学发展的历史经验之上，也就是观察过去研究类似问题时，究竟产生了哪些有价值的数学成果，又有哪些问题最终没有产生任何有意义的结果。
其中，一个至关重要的因素，是对某一领域“难度地形”的认识。也就是说，需要知道哪些问题利用现有方法就能轻松解决，哪些问题虽然可以解决却需要付出一定努力，以及哪些问题在现有技术下根本无法解决。只有了解这样的难度分布，才能判断一个新问题是否值得投入精力。
场内配资平台此外，有些问题只有在与外部领域建立联系之后，才会变得有趣。举例来说，假设黎曼 ζ 函数与 π 的第 10^10^10 位数字之间存在某种意想不到的联系，那么原本看起来毫无意义的“求出 π 的第 10^10^10 位数字”这个问题，突然就可能重新变得重要起来。（不过我得强调，这个具体场景成真的可能性微乎其微，我这里只是把它作为一个假设性的例子。）
数学领域每一次新的进步，无论来自新技术、新工具，还是基础设施的改善，比如能够更方便地访问过去的文献资料，都会降低解决问题的难度。总体而言，这当然是一件好事。但它也有一个代价：一个领域原本复杂的“难度地形”会逐渐被抹平，以至于我们越来越难以辨认其中的结构，也就越来越难从工具的适用范围内识别出那些真正有潜力的问题。
当然，这种影响往往也会被另一种效应抵消：新工具能够扩大我们实际可以触及的结果范围，从而把研究边界推向更远的地方，并在那里形成新的、值得探索的问题空间。
然而，当前AI 时代有一个非常值得注意的特征，那就是我们似乎看不到任何明确的类似边界。
AI 工具已经在许多领域大幅拉平了问题的难度地形，从而削弱了我们在这些领域中寻找有潜力的新问题的能力。与此同时，我们却没有看到一条清晰的前沿，用来区分哪些问题是“AI 可以解决的”，哪些问题属于“AI 很难解决”的范畴。
当然，“AI 很难解决”的问题肯定依然存在。毕竟，数学问题的难度本身没有上限，其中甚至存在不可判定的问题。只是目前我们很难明确知道这条边界究竟在哪里。
这部分源于 AI 技术本身正在高速变化，同时也受到另一个因素的影响：AI 公司往往不会公开那些失败的实验结果，也不会披露它们最终获得解决方案所经历的完整过程。
事实上，如今真正稀缺且珍贵的资源，正在变成“发现一个值得研究的问题”这件事本身。
我们已经看到，仅仅是有人正在研究某个问题的传闻，就可能触发海量 AI 驱动的研究力量，在原本的研究项目尚未来得及充分展开之前，就迅速把这个问题“碾平”。这种激励机制可能正在把整个领域推向一个令人担忧的方向：研究者不再愿意与更广泛的社区分享那些有潜力的研究方向。
如果这种趋势持续下去，它将逆转数百年来开放科学所形成的传统，并可能对整个领域未来的长期发展造成严重损害。
简而言之，无差别地使用强大的“解决方案提取工具”，确实能够实现一个直接的短期目标，也就是尽快解决眼前的问题。但它可能以牺牲下一轮科学进步所需要的生态系统为代价，也会削弱我们对已经取得的进展进行理解的能力。
即使从技术上看，我们可能无法彻底禁止自动化工具进行这种无差别的解决方案提取，我认为，我们仍然可以把许多类型的问题明确划归为需要进行审慎分析的问题。
对于这类问题，我们真正需要的，不仅仅是一个答案，还应该包括从解决过程中提炼出的洞见，以及对附近问题难度地形的进一步认识。对于这些研究目标而言，如果只有一个未经分析的原始答案，那么它所具有的价值可能微乎其微，甚至可能产生负面影响。
这就好比如今的食品捐赠活动。如今炒股配资App，即使某些食物经过确认在技术上仍然可以食用，捐赠活动也不会再接受任何随意提供的食品，而是会建立明确且得到社会认可的标准，规定究竟需要什么样的捐赠，以及什么样的捐赠才真正有价值。
杠杆之家提示：本文来自互联网，不代表本网站观点。
