Why AI’s Math Progress Makes Self-Improvement More Plausible - Noam Brown

2025 年 AI 数学模型已能拿国际奥数金牌，并提前一年攻克千禧难题，但仍难自创新理论。

AI 在数学领域的进步速度远超专家预期：一年内从只能解高中竞赛题，到拿下国际奥数金牌，再到攻克千禧难题，跨度极大。AI 为什么能在“解题”上突飞猛进，却在提出新理论、新方向上依然落后人类？算力和实验速度又如何成为 AI 递归自我提升（RSI）的新瓶颈？你会看到，AI 的“偏科”能力如何反而推动了机器学习领域的突破，但“智能爆炸”并不会一夜发生。

AI 在数学领域的进步像开挂一样，几乎每年都能解锁一个新难度。

• 2024 年，AI 只能解高中竞赛题：最多能在高中数学竞赛中解出几道题，表现“有点意思”。
• 2025 年，AI 获国际数学奥林匹克金牌：模型已能达到人类顶尖高中生水平，解 IMO 难题约需 100 分钟。
• 一年后攻克千禧难题：原本预计至少还需 3 年，AI 却提前攻克了被公认为极难的千禧大奖难题，远超专家预期。

AI 在解题上已非常强大，但在提出新理论、发明新分支上还不如人类。

• Terry Tao、Toby Ord 等人指出，AI 不会提出新理论：AI 能解开放性难题，但还没见过它像人类一样发明“拓扑学”或“笛卡尔坐标系”这种全新理论。
• AI 偏科但对机器学习很有用：在机器学习领域，提升样本效率、优化预训练损失这些“明确指标”的任务，AI 的这种“只会解题”反而特别有效。
• 偏科也能带来通用性：只要 AI 能造出更强的“学习者”，哪怕它本身偏科，最终也可能带来更强的通用能力。

AI 递归自我提升（RSI）速度受限于算力和实验周期，不会出现 100 倍速的“智能爆炸”。

• OpenAI 到 2026 年可让 1 万个智能体每天跑 GPT-3 级实验：算力充足时，AI 能在一周内投入比整个领域历史还多的“脑力”攻关难题。
• AI 进步受限于实验速度：AI 要在机器学习领域自我提升，必须反复做实验、训练新模型，这些都受限于算力和实验时间，无法像数学那样纯靠“想”。
• 进步速度可能是 3 倍而不是 100 倍：即使算力大幅提升，AI 研究速度也许能加快 3 倍，这已经很惊人，但不会出现一夜之间的“智能爆炸”。

“AI 在某些维度上已经超越人类，但在提出新问题和新理论上还远远不行。”

• 做机器学习或 AI 研究时，把明确、可量化的“解题型”任务交给 AI，效率提升远超人类。
• 优先优化算力和实验流程，比单纯追求模型“聪明”更能提升团队整体产出速度。