新智元报道
新智元报道
118511个。
这是清华大学沈阳教授团队用AI，从网上能公开收集到的资料里，整理出的数学猜想总数。
当然，这些文档不是给人看的，是给你的AI看的。
团队还让AI给这些猜想排了座次，评出前100名。在AI眼里，中国人最熟悉的哥德巴赫猜想，只排第49。
今天，新智元深度对话沈阳教授。
作为横跨文、理、工、医的跨界学者，他曾先后在计算机、信息管理、新闻传播、人工智能、临床医学等多个领域任教授或指导博士后，在AI绘画、AI音乐与AI人文社科领域的探索亦引发广泛社会关注。
访谈中，沈阳教授系统抛出四重核心思考：自进化数学（PCU框架）、自进化算法优化（PAE框架）、自进化软件工程（ECX范式），以及AI社会未来结构的两种终局前景。这不仅是一份技术演进路线图，更是一份人类在智能洪流中夺回「掌舵权」的思想备忘录。
近期，OpenAI在数学领域的突破引发热议。舆论都在追问：AI究竟解出了多少道难题？是否已经超越人类数学家？
但在我看来，一个更震撼的事实被忽略了——此次公开的722篇手稿只是冰山一角。只要系统愿意，它随时能抛出7000甚至70000篇手稿，等待人类去验证。
【核心转折】未来，机器生产数学知识的速度，将长期超过人类理解它们的速度。 人类将第一次大规模拥有自己尚未真正理解、却又必须持续验证和使用的数学知识。数学研究的重心，正从「攻克单个难题」转向「创造解决一类问题的新方法」；原本属于数学天才的部分大脑功能，开始迁移到持续运行的智能系统中。
数学由此可能成为最早实现大规模「知识自我繁殖」的学科：旧定理帮助发现新定理，新定理催生新工具，新工具又挖掘出更多数学结构，形成持续扩张的研究闭环。这也倒逼传统数学教育改革——AI对有判断力的资深学者友好，对敢于探索的年轻人友好，唯独削弱了单纯靠资历筑起的学术壁垒。
当AI能够轻易量产数学成果时，未来数学家最重要的工作不再仅仅是证明新定理，而是创造基于AI自我进化的新概念、新表达方式与新理论体系。 这要求我们重新审视一个底层问题：今天使用的数学概念，究竟是数学世界唯一的表达方式，还是人类为理解世界而建立的认知工具？
人类习惯使用符号、公式和图形，是因为它们契合人脑的思考习惯。人类现有的数学体系，或许只是适应人脑的一种「数学界面」，既非表达全部数学真理的唯一方式，更未必是最优方式。 AI不受人脑生理限制，未来很可能发现逻辑完全成立、却难以直接转化为人类熟悉概念的数学结构。到那时，数学家的重要任务，就是为这些陌生结构创造人类能够理解的「解释界面」。
基于这一变化，我提出面向AI时代的数学研究框架——PCU（Production 知识生产、Certification 成果认证、Understanding 认知理解）：
这也将彻底改写数学的评价标准。当定理可以低成本量产，单纯增加定理数量便不再珍贵，数学将从「产出稀缺」走向「人类检验稀缺」。 若缺乏筛选、组织与整合能力，海量AI成果只会堆积成难以利用的「知识垃圾」。真正稀缺的，是能被反复调用、能统一大量既有结论、能催生新理论的「枢纽型成果」。
沿着这一思路，我进一步提出「自进化数学」。传统数学主要研究：在已有公理、定义和规则下，我们能证明什么？自进化数学则追问：我们能否创造全新的概念、表达方式与推理结构，让过去无法开展的数学研究变得可能？
它不仅研究数学知识本身，更研究数学如何借力人机协同，将繁复的底层推演自动提炼为新工具，持续生长出新的数学能力。最有价值的突破，未必是解出最难的一道题，而是创造一种新方法，让成千上万道题迎刃而解。
由此，我们还能利用AI探索更深远的「跨智能数学」。人类智能、不同架构的AI乃至未来的其他智能系统，会形成各自的数学概念、表示方式与证明偏好。有些人类觉得极难的问题，机器换种表示就能轻松解决；反之，人类凭直觉就能理解的结构，机器也未必采用相同的思考方式。数学真理未必因智能不同而改变，但通往真理的道路远比过去想象的更加丰富。
回顾数学史，真正改变数学面貌的突破，往往是新概念、新表示方式和新理论体系被创造出来。AI数学革命真正值得期待的，不是机器解决了多少著名猜想，而是建立起一套「自进化数学」体系，让AI与人类持续共创数学的未来。
今年，我把主要精力放在了一件事上：利用AI，让算法不断实现自我进化。
这项研究的起点源于AI绘画。过去三年，我累计使用AI创作了14万幅绘画作品，在全球举办了13次AI绘画展。在海量创作中，我形成了一套探索方法：先确定大致方向，再生成大量不同方案，通过比较、筛选和反复修改，不断逼近更优结果。
这套方法完全可以迁移到算法研究中。两者有一个底层共性：不必一开始就知道最优答案，而是先打开尽可能多的可能性，再通过持续反馈寻找突破。 本质区别在于：绘画追求审美上的新颖独特，而算法必须接受残酷的客观检验——若不能提升性能、降低成本或在真实环境中稳定运行，就谈不上成功。简单说，AI负责创造更多可能，实验负责判断哪些可能真正有价值。
随着实践深入，我开始思考一个更核心的问题：能不能让每一次算法优化的成功经验，都转化为下一次算法优化的能力？ 这才是我真正希望实现的「自进化」。
沿着这条路线，我们团队，同时切入了数据压缩、优化求解、核聚变模拟、图像识别、工业声纹检测、CAD几何求解、文本分类等多个跨模态硬核领域。这在前AI时代不可思议，目前已取得七项阶段性成果：
除了这七项公开成果，我们还有近五十项在研算法探索——有的效果显著，有的进展缓慢，也有的最终失败。但失败的算法实验和成功的实验一样重要，因为我们要建立的不是只会展示成功案例的橱窗，而是一个能从成败中持续学习的进化系统。
回看这些跨界案例，我们既没用同一种算法，也没套用固定模型，真正相同的是背后的研究逻辑：每进入一个新领域，都反复追问三件事——当前算法卡在哪里？限制能否被突破？怎样用实验验证突破的有效性？ 在此基础上，我提炼出通用的PAE算法自进化框架：
透析（Penetration，看清瓶颈）：拆解算法运行全过程（数据、结构、训练、推理与资源消耗），找到真正限制性能的根源；不仅研究算法，更研究「研究算法的方法」。 增益（Advancement，兑现价值）：让优化在客观指标与真实场景中产生可验证的净收益。 开域（Expansion，打开新空间）：这是我最重视的部分。「向内开域」通过创造新的算法表示与求解机制，让过去难以企及的算法空间变得可探索；「向外开域」通过大幅降低计算成本与运行时间，释放资源，使更高频的实验与更复杂的实时交互成为可能。
透析发现突破口，增益兑现收益，开域创造下一轮可能。为此，我们构建了双层循环机制：内层循环不断优化具体算法（让算法越来越强），外层循环不断优化发现问题、设计实验和选择方案的方法（让创造算法的系统越来越强）。同时，我们按突破难度将优化分为四个层级：基于人类算法的弱优化、对AI优化结果再提升的强优化、挑战强优化边界的极限优化，以及在既有约束下看似无解的不可能优化。
【算力突围定律】算力差距，并不必然等于算法性能差距。 过去大家迷信「大力出奇迹」，但在具体算法问题中，搜索路径、问题分解方式与收敛效率同样关键。如果别人需要盲目搜索一万个候选方案，而我们通过深刻的「透析」与算法构造，只需搜索几个关键方案，那么即便计算资源相差一万倍，我们依然能在特定任务上实现反超。
当拥有强大算力的AI系统把容易摘的果子都摘走后，人类的机会恰恰存在于AI尚未找到的搜索路径中——人类的角色将从「亲自完成每一步计算」，转向发现关键约束、创造新问题表示、判断探索方向以及设计验证机制。
近期，我们已经启动用AI优化量子计算机自进化测控平台的研发，初步看来效果很不错，并在探索「自进化工业」与「中医AI自进化」的早期理论与实践。如果有算力当然更好，实在没有，就在算法效率上找思路。跨领域突破离不开行业专家的深度参与——核聚变专家懂物理意义，工业工程师懂故障逻辑，医学专家懂临床价值。领域专家负责提出真问题、判断专业价值，我们的AI自进化系统负责大规模探索优化空间。如果你所在的行业有长期难以突破的算法与技术瓶颈，欢迎到我的微博（@清新研究）后台留言，我们一起完成具有一定概率的验证与落地。
当AI已经能够生成代码、搭建应用、优化算法，软件工程的变革，难道只是让传统开发流程变得更快吗？
AI虽未消除工程难题，却大幅降低了将想法转化为原型的成本。软件研发的重心正发生根本转移——比起「如何把功能做出来」，如今更重要的是回答三个问题：它是否值得实现？相比其他方案有何优势？上线后为何值得长期保留？
基于这一思考，并在我此前提出的「四阶校验」（AI校验、人校验、社会校验、时间与规律校验）理论基础上，我进一步提出了ECX三维并行研发范式：
E（Evolution，性能进化）：AI自动识别系统瓶颈并生成优化方案，持续提升运行效率、稳定性与资源利用率。 C（Candidate，功能候选）：综合用户反馈、竞品分析与AI构想，批量生成候选方案；通过比较、组合与筛选，决定功能的去留与演进。 X（eXperience，交互验证）：以人为本，通过真实用户的交互反馈与行为数据，识别体验痛点与需求缺口，作为下一轮进化的路标。
这三个维度并非串行推进的流水线，而是并行运行、相互触发的进化闭环。目前，我们正通过「小森邻」与北航何静副教授主持研发的「AI科学家」两个项目，检验核心命题：软件能否在持续使用中，一边优化已有能力，一边生长出全新的能力？
「小森邻」是一次典型的AI原生软件研发实践：仅靠两个人的团队，获客6万，研发两个月即完成天使轮融资。 今年3月，毫无编程基础的主理人青青在社交平台分享软件构想，零粉丝账号首帖即获三千点赞，完成了最初的需求验证。随后，她借助AI「氛围编程（Vibe Coding）」在一个月内做出初代Demo，并引入一名专业程序员，形成了「非技术主理人+专业程序员」的极简双人模式，完整跑通了ECX机制：
在E（性能进化）维度：软件的「关系网」功能在渲染60个角色、180条关系时曾出现明显卡顿。借助AI辅助定位与优化路径分析，团队采用批量绘制、跳过无效线段与缓存复用等策略，将渲染耗时从138–182毫秒直接压缩至18–19毫秒，耗时锐减86%–90%。软件可以在六年前的手机流畅运行。 在C（功能候选）维度：青青累计整理了30万字的用户留言，利用AI进行需求归类与场景拆解。AI针对同一需求生成多种方案，经原型对比与成本评估后择优上线。近期每次功能发布都能获得过万点赞，最高是一个功能在小红书获得了5.7万个点赞。 在X（交互验证）维度：通过高粘性的用户社群持续收集真实操作习惯与审美偏好，让用户成为产品进化的共创者。
如果说「小森邻」探索的是轻量级应用的敏捷演进，那么已拥有近30万用户的科研平台「AI科学家（让科研像聊天一样简单）」面对的则是复杂工具链的演进。在面向大规模科研用户的迭代中，该项目展现出软件进化的另一重特征：新能力不仅来自开发新功能，更来自已有能力的重新组合。 例如近期更新中，系统将原本独立的检索、推演、代码生成与写作模块打通，涌现出了「自主生成算法—验证算法有效性—形成论文手稿」的复合工作流。
通过这两款产品的实践，我将AI时代的软件进化概括为两种基本运动：
向内优化：在已有能力边界内持续提质，让执行更快、更稳、成本更低（如小森邻的渲染提速、AI科学家的模型调度优化）。 向外生长：不断拓宽解决问题的边界，通过新增模块或重组工具链，生长出过去没有的新能力。
当向内优化与向外生长都能由AI加速完成时，生成越容易，校验就越重要。 因此，在ECX体系中，人类并未退出研发，而是从重复编码转向了目标设定、价值判断与风险控制。
拆解AI原生软件的研发过程，实际上存在三个核心角色：意图提出者（I，Intent）、原型开发者（P，Prototype）和工程落地者（L，Landing）。在「小森邻」中，青青一人兼任了I和P，专业程序员担纲L；而在「AI科学家」项目中，何静副教授凭一己之力包揽了I、P、L全部三个角色。这也从底层解释了为什么OPC（一人公司）模式在当下能够真正成立——这是AI技术赋能与新型组织架构共同催生的必然产物。
未来的软件竞争，本质上是进化机制的竞争。软件工程正在从「交付一款静态产品」，走向「建立一套能够持续生成、验证和进化软件能力的生命系统」。
跳出具体的技术与工程，我们必须直面一个更宏大的命题。过去几百年支撑现代社会运转的两条底层铁律——「资本赚钱离不开普通人的体力与脑力」以及「逃避现实的代价极其高昂」——正在被「人工智能＋清洁能源＋机器人」的闭环彻底打破。在这场剧变面前，人类文明正站在决定命运的十字路口。
如果我们随波逐流，任由技术垄断与算法惯性失控，社会就会滑向「高技术、低理性、强固化」的三层折叠深渊；但如果我们主动干预，用公共制度驯服技术野心，这恰恰也是人类摆脱繁重生存奔波、迈向「三层协同世界」的历史契机：
在智能社会的基座上，最大的隐患不是物资匮乏，而是「温柔的废掉」。如果任由商业算法唯利是图，毫秒级响应微表情的短视频流与永远顺从的AI伴侣，就会变成24小时投喂爽感的「电子子宫」。长此以往，大众负责逻辑推演与抗压的大脑前额叶就会系统性退化。即便未来发放「全民基本收入（UBI）」，那也绝非乌托邦——底层大众虽然温饱无忧，却在沉迷中彻底丧失了维护自身权益的社会议价权。
技术兜底绝不等于精神缴械。我们必须通过制度与文化建设争取正面前景：
建立算法的「防沉迷护栏」：立法限制掠夺注意力的成瘾性算法设计，打破信息茧房，保护公众的神经系统不被商业资本殖民。 为「发展赋能」：将基本生活保障与社区公共参与、终身教育、线下文体活动深度绑定，让摆脱生存焦虑的普通人不仅有饭吃，更有丰富的真实社区连接与精神成长空间。
对于夹在中间的专业人士、超级个体与微型团队来说，AI时代绝非天然的黄金时代，而是布满了制度陷阱。最危险的滑坡，是沦为「数字佃农」与「肉身背锅侠」：当标准化脑力劳动被吞噬，中层只能依附顶层巨头的大模型接口（API）讨生活。巨头只需改一行参数、涨一次接口费，或在下一次更新中将某项功能收归官方，就能让成千上万个小团队一夜清零。更残酷的是，当AI连审美与直觉都超越人类时，由于AI没有肉身、不能坐牢，中层人类留存的唯一价值，可能只剩下在医疗事故、金融爆仓与工程坍塌的责任书上签字画押，充当承担无限连带责任的「替罪羊」。
要打破这种异化，中层力量必须主动争取技术生态的博弈权：
推动开源生态与反垄断：支持开源模型与分布式算力，打破少数科技巨头对底层接口的生杀大权，把「租地种田」变成「自带农具」。 把「背锅的义务」转化为「掌舵的权力」：既然人类必须为最终结果承担法律与道德责任，那么人类专业者就必须拥有对黑箱算法的一票否决权与审查权。只要我们坚持算法透明、严守安全底线，那份只有人类血肉之躯才能承担的责任，就会变成任何超级算力都无法剥夺的最高指挥权。
顺着博弈论往下推演，智能时代最令人警惕的社会死锁，是「顶层算力寡头」与「底层沉迷大众」的跨层合谋。对沉迷虚拟爽感的大众而言，发放补贴、提供免费娱乐的算力巨头是「大恩人」，而中间那群试图关掉短视频、逼大家面对现实的理性清醒者，反而是最讨厌的说教者；对顶层寡头而言，温顺的底层最好管理，要求算法透明、试图拥有独立算力的理性中层才最危险。
一旦顶层垄断资本利用底层的多数选票，合法地收缴中层的技术自主权，人类就会陷入棘手的「洞穴拔电源悖论」：当大多数人自愿留在温暖逼真的虚拟洞穴里时，外面的清醒者该如何说服洞穴里的人不拔掉自己的电源？
解开这个死局，靠居高临下的启蒙说教毫无胜算，唯一的出路是用行动重建「真实连接」：
放下精英傲慢，与大众利益绑定：清醒者与创新者不能只顾自己突围，而要用技术去解决普通人最关心的养老、医疗、教育与社区陪伴等真问题，让大众切身感受到「开放理性的技术」比「封闭的电子鸦片」更能带来长久的幸福。 降低真实世界的挫败感：人们逃进虚拟洞穴，往往是因为现实社会容错率太低。只有建立更宽容的社会安全网与更温暖的线下社区，让普通人在现实中试错不至于倾家荡产，真实世界才能重新赢回人心。
将这套模型投射到中国的现实土壤中，既有独特的结构性阵痛，也蕴藏着破局的深厚底气。我们必须清醒直面三大现实挑战：
「做题家契约」的剧烈贬值：城市家庭耗时二十年、倾注心血培养出的「高准确率拟合标准答案」的应试脑力，在AI面前一夜之间失去市场溢价，引发深层教育焦虑。 超级平台的挤压效应：巨头「全栈通吃」的惯性，容易让中小型创新团队寸草不生。 精神内卷与低质泄压：若仅靠廉价物资兜底加上高浓度AI微短剧泄压，虽能维持低成本稳定，却会悄然耗尽全社会的创新活力。
但与此同时，中国手中握着一张全球独一无二的王牌——国家统筹的「新基建与全产业链底座」。如果说硅谷的优势在于前沿算法，中国的底气则在于「最充沛的绿色电力与最庞大的实体制造躯干」。只要引导得当，我们完全可以走出一条极具韧性的正面路径：
用「便宜的电与算力」赋能百业：中国牢牢掌握着特高压电网、绿色新能源、国家级算力枢纽与全门类制造业供应链。只要严格规范平台垄断，就能把这些超级基建变成千万中小企业都能低成本调用的「公共水电」。 推动教育从「刷题」转向「破题」：趁着标准答案贬值的契机，把年轻一代从机械刷题中解放出来，转向培养好奇心、动手能力与解决复杂现实问题的能力。 升级「数字以工代赈」：将基层的半公共岗位从单纯的「网格化管理」，升级为养老照护、生态修复、文化传承与社区营造等真正创造社会价值的温暖事业。
只要跨过应试思维的转型阵痛，中国几代人积累下的工程师红利与实干精神，就能借着AI的东风，从「按标准答案解题」真正走向「向未知领域开疆拓土」。
面对庞大的算法帝国，普通人究竟凭什么避免被淘汰？答案就藏在AI系统自身无法克服的死穴里——「模型自噬（Model Autophagy）」。
当全社会都在消费AI生成的内容，并用这些二手合成数据去训练下一代AI时，算法生态就会像近亲繁殖一样迅速陷入逻辑退化与崩溃。这意味着，AI越是强大，就越是极度渴求人类在真实物理世界中探索、试错所产生的「一手真实数据」。 虚拟世界永远无法自我闭环，真实世界才是算法的生命源泉。
而在中国的珠三角、长三角以及广大创新一线，全球最廉价的光伏储能、开源硬件与本地开源大模型，正在赋予普通人前所未有的物理底气：
技术自耕农化（把工具握在自己手里）：普通极客与中小团队完全可以利用廉价绿电、开源芯片与本地大模型，建立起哪怕断网也能独立运转、动手造物的能力，成为既懂前沿代码、又能拿扳手解决实际问题的「现代墨家」。 锻造心智护城河：在算法泛滥的时代，主动锻炼大脑的专注力与逻辑力，是最具回报率的自我投资。未来真正的护城河，不再是你记住了多少免费的知识，而是戒断算法投喂、保持深度阅读、忍受枯燥与挫折、进行长链条逻辑推演的自律能力。
【终局结语】悲观的结局只属于彻底放弃思考的顺从者。只要我们坚持走出温暖的算法洞穴，去和真实的物理世界发生碰撞、去亲手创造并承担后果，人类就永远是这个智能时代真正的造物主与掌舵人。
编辑：所罗门
