跳到正文
虎嗅·· 21 小時前AI 評分46

尋找新的解:後 AI 時代如何安放人類

寻找新的解,后AI时代的

AI 導讀

一位數學家稱相信自己與 Claude 找到了黎曼猜想的證明,但目前公開的只有一千多萬行 Lean 程式碼,完整編譯尚未獲獨立確認。這一消息引出對後 AI 時代的追問:當 AI 加快知識生成,人類如何理解和驗證成果、培養下一代,並重新設計經濟與社會制度。文章認為,新的解或許不是終極方案,而是持續迭代和校準。

正文

一、理所应当

“黎曼猜想已被 Claude 证明”的消息传来的时候,我还在埋头加班。

我没有从椅子上跳起来。说实话,我的第一反应是:哦,来了。

理所应当。

这件事我想象过很多次。AI 有一天会破解黎曼猜想,或者哥德巴赫猜想。我并不是凭空幻想,我的理由很朴素:人的智商不会在几个月里翻倍,AI 可以。人类最聪明的头脑,几百年磨一个问题,靠的是一代代人的接力。而它不需要接力。它只需要更多的算力,和多几个月的时间。

所以我一直相信这一天会来。我甚至有点期待,想亲眼看看,那些悬了一百多年、让最顶尖的人耗尽一生的问题,被解开的时候是什么样子。

所以当它真的来了,我心里很平静。像等一班迟到的车终于进站。我继续看着手头的东西,继续在日常琐碎中。

平静大概持续了几分钟。

然后有一个历史时刻碾压过后的肿胀感。浮起一个念头,是另一个更安静的问题:

做到了,然后呢?

我发现,我的想象力在这里是空的。

我想象过它做到。我从来没有想象过它做到之后的那个世界。就像一个人事先把“火箭升空”演练了无数遍,真到了点火那一刻,才意识到自己从没想过火箭飞走之后,地面上的人该做什么。

疑惑一下子涌上来,扑面而来的那种。当“人类最聪明的头脑”这句话不再成立,这个世界靠什么撑着?

写这篇文字,只是想把这一刻的平静,和平静之后的空白,原样记录下来。因为我隐约觉得,这个空白不只是我一个人的。

二、两本账

先把两本账分开。

事实这一本,要谨慎地写。一位数学家说,他“相信”自己和 Claude 找到了黎曼猜想的证明。他的措辞是“相信”。公开的只有一千多万行 Lean 代码,没有论文,没有同行评审,完整编译还没有独立确认,他自己也承认,后半部分的数学,他并没有完全吃透。

Lean 能检查一个证明是否成立,却不能替你确认,它证明的是不是你以为的那个命题。机器验的是逻辑,题目对不对,仍然要人去看。

判断这一本,我敢写:这一次成不成,路都已经走过了。在我看来,奇点已过。

2023年3月的GPT-4,像一个聪明的本科生。到了2025年8月,GPT-5像博士生。再后来,它到了人类数学家要费很大力气才读得懂的地方。现在,也许只有极少数人读得懂。

所以我说“回不去了”,不是因为黎曼猜想。它只是一块路标。路标就算是假的,路也已经走过了。

关于“奇点”,业内争了很久。有人说我们已经越过事件视界,有人说我们才到山麓。我现在觉得,这种具体时间点的争论不如换一个问法:AI 能力的变化速度,比上社会适应的速度。

只要分子远大于分母,哪怕严格意义上的奇点还没来,冲击也已经是奇点式的了。模型以月迭代,教育、税制、劳动市场、治理,却是以年、以十年计的。

这大概就是我迷茫的来源:旧的运行方式在松动,新的稳定结构还没长出来。

三、读不懂

数学有一个很古老的传统:证明是写给另一个人看的。你写下一个证明,不是为了让真理成立,真理本来就成立;你是为了让另一个人“看懂”,然后接受。数学共同体几千年来就靠这个运转:一个人发现,一个人读懂,再一个人读懂,一点一点变成大家共有的东西。“懂”,是数学里一个社会性的动作。

而现在,证明开始写给机器检查了。

Lean 不关心你懂不懂,它只检查每一步在逻辑上是否站得住。所以我们会进入一个很奇怪的局面:一个结论是对的,经过了严格检验,却没有任何一个人真正理解它为什么对。

陶哲轩把一个证明的一生拆成四步:生成,验证,理解,接受。他说,AI 正在飞快地加速前两步,后两步,仍然拴在人身上。他自己也承认,已经跟不上本领域所有的新进展。

这让我想到一个问题,一个我觉得比“AI 有多强”更重要的问题:

当我们接受一个自己不理解的结论,我们和真理之间的关系,是不是变了?

当然,人类一直在信任看不懂的东西。我们不懂发动机,也坐汽车;不懂药物的分子机理,也吃药;不懂飞机为什么不掉下来,也系上安全带。可是这些信任背后,有一个我们很少留意的前提:总有一些人是懂的。工程师懂,药理学家懂,空气动力学家懂。我的不懂,是被另一些人的懂兜住的。

在未来,可能不一样。

不是“少数人懂”,而是“也许没有人懂”。兜底的那个人,不存在了。

这就是我觉得真正令人不安的地方。信任一个系统,是一回事;信任一个没有任何人能解释的系统,是另一回事。前者是分工,后者近乎信仰。

而数学,恰恰是人类最不愿意走到这一步的地方。别的学科可以靠实验、靠应用来确认对错,数学不行,数学靠的是推理能被一个人完整地走一遍。如果连数学,都开始出现“对,但无人能懂”的东西,那么这个现象不会只留在数学里。

陶哲轩有一个比喻,我一直记得。科学像一次远足。你听说远处有个瀑布,出发去找,路上画地图,迷路,在迷路时发现别的有意思的东西。AI 像直升机,它直接把你送到瀑布面前,看一眼,再飞回来。目标达成了,但你对这片地形一无所知,也没有看见远处那个更壮观的瀑布。

也就是说,问题也许不在“AI 能不能到达”,而在到达之后,我们有没有长出对地形的认识。

但也有另一种声音。还有一些数学家提醒说,别把人和 AI 放进同一个排行榜里比高低。AI 提出候选证明,人做概念上的简化和解释,形式系统负责验证,这更像一种新的分工,不是一场比赛。

我愿意相信这句话。但我也知道,分工能不能成立,取决于一个前提:人这一端,还保有能够参与的能力。

而这个能力,是怎么来的?

是一次次笨拙的尝试,是无数个“训练题”,是在慢里长出来的。如果这些台阶被一级一级拆走,我们还剩下什么样的“人”,去参与这场分工?

四、同一件事,换了地方

如果只发生在数学里,这只是一个行业的故事。

可是医学卡在责任上,法律卡在价值冲突上,工程卡在现实世界的测试上。每个行业里,“生成”都在飞快膨胀,而“消化”都在原地。

知识不再只是需要被生产的东西,它还需要被社会正确地消化。

陶哲轩最担心的,是研究生的“训练题”。第一个项目,难度适中,让人长出经验和信心,恰好是 AI 最擅长的题型。论文有了,下一代的训练却断了。

这件事不会只发生在数学里。新人程序员的第一份代码,新人律师的第一份合同,学生的第一篇稿子,所有那些曾经让人慢慢长大的“笨活”,都在被一件件接走。

我们优化掉了一切当前技术能做的事,同时也优化掉了长出下一代的台阶。

五、踩踏

然后呢?说到这里,必须从知识落到饭碗上。

我有一个模糊的直觉,姑且叫它“踩踏逻辑”:不是最底层的人先倒,而是整个收入结构先被改写。顶层的往下掉一级,中产往下掉一级,压力逐层向下传,像挤在楼梯上的人群,上面的人往下挤一步,下面的人就被推下一步,最后落到最普通的劳动者身上。

反直觉的是,生成式 AI 最先冲击的,恰恰是文本、代码、分析这些数字化的认知劳动。所以一些高收入的专业人士,会比体力劳动者更早感到寒意。但这不意味着体力就永远安全,机器人和具身智能也在路上。

我也要防止一个错误的推论:不是自动化越强,工资就一定越低。历史上,每一次技术革命,也同时催生了新的产业和新的岗位。关键是新岗位来得够不够快,够不够多,够不够好。

“踩踏”是否会发生,取决于这个关键变量。

六、钱从哪里来

这就把问题推到了经济的最深处。

IMF 的研究提醒我们:红利不会平均地流动。高收入者更会用 AI,也更持有资本,AI 的收益最先流向高工资的职业和高收入的国家。

OECD 则提出了一个我觉得比“失业率”更深的问题:今天的社保,很大程度建立在工资之上,而工资在总产出里的占比,可能正在下降。产出在增长,保障的需求在上升,但供养保障的那块地基却在变薄。社保,就是一个社会替每个人兜的底。而这个底,正在变薄。

这不只是失业的问题。是整个社会赖以运转的融资结构,需要重新设计。

而这恰好叠在债务周期和经济结构转型的周期上,加上AI,这三个浪头,在同一个时刻拍到同一片海岸。

所有人都在探索,所有人都不知道答案。

七、当智能不再稀缺

教科书里,稀缺是价值的来源。土地稀缺的时候,土地值钱。资本和能源稀缺的时候,资本家和能源值钱。互联网时代,稀缺的是注意力。

如果认知劳动的成本趋近于零,什么会稀缺?

我不敢下定论。但我隐约觉得,会是那些“机器可以替你算出来,却没法替你担着”的东西:判断,责任,信任,目标,还有在无穷的内容里,仅剩的一点注意力。

还有一件朴素的事:健康和长寿。外部世界这么不确定,一个人能长久地保有行动的能力,就保有选择的余地。但我要对自己诚实:长寿不是分配制度,健康也回答不了“谁拥有生产资料”。把一个时代的结构性风险,全部变成“每个人要保重身体、努力学习”,是不公平的。

还有一点我一直在想:GDP 也许量不出这个时代的好坏了。如果医疗更便宜,教育更普及,人们有更多的时间去做自己的事,这些很难被一个数字装下。

八、寻找新的解

写到这里,我得停一下。

我在一个每天都在变得更快的工位上,同时站在一个没有人知道方向的世界里。

就像刚才,我还埋在琐碎的工作里,忽然刷到 Claude 证明了黎曼猜想。一边是眼前的杂事,一边是文明的转折,两件事同时发生,中间没有任何过渡。

这种割裂,不是我一个人的。

所以我要找的,不是“新的自己”,是“新的解”:人类的存活、经济的增长,以及其他一切,在这个时代怎么安放。它至少牵着四件事:

找到人与 AI 的新关系? 找到新的经济增长和财富分配机制? 找到新的组织、教育和社会运行方式? 还是找到一种新的文明形态,让人类能够与远超自身的智能长期共存?

很多人已经给出了方向。

谁来分享收益:有人在想,让公众持有一部分生产性资产,成为“社会财富基金”的所有者,而不仅仅是被发钱的人。

怎么培养人:教育要重新决定,哪些交给机器,哪些必须自己扛。比如提出问题,识别错误,为决定负责。

组织怎么重构:我自己每天在做 AI 原生组织的操作系统,所以知道这有多难。目标由谁提,记忆怎么沉淀,Agent 怎么协作,责任落在谁身上,全要重写,写完之后,还要回答权力和收益在组织里怎么分。

控制怎么保住:数学里,Lean 让我们不必读懂每一步,也能确认逻辑成立。但现实世界不是数学,它没有那么干净的规则,所以只能靠外部验证、行为约束和人的监督,多种机制叠在一起。

数学界其实先走了一步。今年的莱顿宣言,守护的是理解、责任和下一代人才。

这些我都认真读了。它们都有道理。

但读完之后,我诚实的感受是:这些都是好问题,没有一个是答案。

也许是因为,这本来就不是一道有解析解的题。

九、三体没有解析解

三体问题,牛顿自己试过,说那是唯一让他头疼的问题。后来的共识是,它没有简洁的公式解。三个天体会长时间保持周期,然后突然偏离,变成另一种模式,反复无常。在动力学的前沿,最好的办法,反而是承认扰动,接受预测会越来越模糊,用概率去逼近。

“新的解”,大概就是这个姿态。

不是等一个漂亮的公式,一套完美的制度,一份终极的方案。而是不断迭代,不断校准,在模糊里往前走。每一个人,在自己能碰到的那一小块地方,把一件事做对,把一个问题问清楚。

但我不想把这说得太豪迈。面对这样的浪潮,人是无力的。不是消极的无力,是诚实的无力。我们只能沿着眼前的路走,一边走,一边找。

黎曼猜想有没有被证明,几天之内会有结果。

但有一件事,不必等编译:硅基的智能,已经走到了碳基的前面。

而我们是造它的人,却并不比别人多知道一点答案。没有人知道接下来的路怎么走。没有一个站在底下兜住我们的人。包括站在最前面的那些人,包括那位说自己没有完全吃透证明的数学家,也包括我。

我们一起,去找那个新的解。

明天,我还是要继续工作。

这大概就是这个时代最真实的样子:一个人坐在工位上,知道世界已经不一样了,却仍然要把眼前的这一件事做好。然后在某个很安静的时刻,想起那个问题:

做到了,然后呢?

來源:虎嗅 · huxiu.com