9%:一个被刷屏标题掩盖的数字

当OpenAI公开其在4000道数学难题上的测试结果时,真正刺眼的不是它“攻破”了多少问题,而是剩下91%的失败。换言之,绝大多数题目它没做出来。与此同时,社交媒体上流传的往往是AI解出准黎曼猜想、4D挂谷猜想等炫技片段,而非那近四千道失败案例的完整记录。公众由此形成的印象,远比实验室里的数据乐观得多。OpenAI也一次性放出722篇数学证明手稿,进一步放大了“AI已能批量解决数学难题”的叙事,但其中真正经机器验证的比例远低于表面数字。这种落差,正是我们需要正视的第一道裂缝。

幸存者偏差:你看到的AI,只是会表演的那部分

社交媒体天然过滤失败。一条AI解出难题的短视频,三分钟就能引爆讨论;而一组AI连续出错、逻辑断裂的截图,很少能获得同等的传播力。这就是典型的幸存者偏差——用户反复看到“成功案例”,久而久之便默认AI具备与人类数学家相当的推理能力。实际上,绝大多数交互中AI都会犯错,但这些失败记录被折叠在对话框里,从未进入公众视野。每一次刷屏都像一个被挑选过的样本,而非统计意义上的全貌。

传播机制的底层逻辑:复杂推理为何难以出圈

社交平台的算法偏好简单、戏剧性、情绪化的内容。一道涉及十步符号推导、中间某一步出现幻觉的题目,既不好看也不易被转发。相反,“AI一秒钟解出黎曼猜想相关引理”这类标题天然具备传播力。于是,传播机制本身就在筛选信息:只有短链条、强结论的案例能跑出来,而长链条、多步骤的失败被系统性埋没。结果就是“AI无所不能”的错觉越滚越大。

专业基准 vs 日常交互:长度才是真正的门槛

专业基准测试往往预设题目长度适中、逻辑链清晰,而日常场景中用户给出的数学问题可能嵌套多层假设、涉及复杂符号操作。AI目前的核心软肋正是逻辑链条长度:链条越长,中间某一步出现幻觉或断裂的概率就越高。基准测试里勉强通过并不意味着能在开放环境中稳定复现。数学对推理一致性要求极高,而当前模型在超过一定步骤后仍会“自己骗自己”。

案例:逻辑断裂与幻觉的高频出现

在涉及多步骤推理或复杂符号操作的题目中,AI频繁出现以下现象:第一步将题设误读,中间某步跳过必要的严谨性论证,最后却用流畅语言包装出一个看似合理但实际错误的结论。OpenAI那722篇手稿中,真正被机器验证的比例远低于发布数量,这本身就说明大量“已解决”仍停留在形式自洽层面。更典型的是,当题目长度增加,AI会开始“幻觉式拼接”——用看似通顺的推理掩盖实质漏洞。这些案例在实验室报告中大量存在,却很少出现在社交平台上。

教育风险:当学生把逻辑外包给机器

如果公众(尤其是学生)对AI数学能力的认知长期基于社交媒体的碎片化成功叙事,教育领域的风险随之放大。过度依赖AI解题工具,可能让学生跳过“慢思考”和基础逻辑训练,最终导致基础逻辑能力退化。数学教育的核心之一是训练严谨推理,而非快速得到答案。当AI把结论直接抛出,学生失去了在错误中修正推理的机会。长此以往,真正具备独立推理能力的学生比例可能反而下降。

批判性视角:必须回到严谨的基准与失败率

要打破信息不对称,关键是让公众习惯看“失败率”而非“成功率”。评估AI能力不能只看社交情绪,必须回到严谨的技术基准、完整统计与可复现验证。社交媒体提供的是叙事,实验室提供的是证据。只有当失败案例被同等重视,AI的能力边界才会被真实呈现。这是从“看热闹”到“看门道”的认知转变。

核心观点:从碎片化热点到全面数据框架

本文的核心观点是:AI数学能力被高估的根源,不在于AI本身有多弱,而在于我们的信息接收渠道过于单一。仅靠社交渠道获取信息,必然只看到被挑选过的成功片段。要建立基于全面数据而非碎片化热点的认知框架,需要主动寻找原始基准报告、失败统计与可复现的验证数据,而非依赖一条爆款视频下的评论区。

未来路径:长链条一致性才是真正的考题

AI数学能力的下一道门槛,是长链条逻辑一致性。未来提升不是让AI“答对更多题”,而是让它“在十步、二十步、五十步推理后仍不漂移”。这需要模型在每一步都维持符号操作的严谨性,而非仅靠语言流畅性蒙混过关。准黎曼猜想、4D挂谷猜想等开放问题的真正攻克,考验的正是这种深层一致性,而非单次惊艳表现。

9%是清醒剂,不是失败

OpenAI那9%的通过率,其实是给公众的一剂清醒剂。它提醒我们:AI在数学上仍是学徒,而社交媒体正在把它包装成大师。真正成熟的信息环境,应当让失败与成功享有同等传播权重。唯有如此,我们才能在AI快速迭代中保持理性判断,既不盲目悲观,也不盲目乐观。