如果AI+人类能够覆盖弱点来解决复杂数学问题，那么我们就能解决AI问题

其中一部分内容是在AI协助下撰写的，但提出的观点是有依据的。请稍加信任，继续读下去。这不是什么天马行空的新想法，而是大型实验室已经在做的事情，我们现在也可以尝试。让我们看看今年发生了什么。一个模型将黎曼猜想的进展从41.6%推进到67.2%，并在Lean证明助手中得到验证，还经过了外部数学家的审查，而不仅仅是宣布。另一个模型以大约2000美元的计算成本，解决了群论中一个存在了27年的开放问题。这些都不是因为AI自己决定去研究数学而发生的。是人类选择了目标。AI则完成了严谨、详尽、可验证的追踪工作。这就是我认为人们一直忽略的部分。我们实际上并不是在等待AI产生想法。我们是在等待有人提出正确的问题。值得回顾一下Transformer本身是如何诞生的，因为我认为其模式是相同的。《Attention Is All You Need》（Vaswani等人，2017）中的核心举措并非某种黑箱式的飞跃，而是一个具体、可陈述的假设：循环对于序列建模并非必要。这篇论文是构建并测试该假设直至其结论的工作。一个猜测，足以用一句话清晰地表述，交给一个被设计用来推导其结果的过程。那么，为什么我们总是将‘Transformer之后会是什么’视为需要某种神秘火花的东西呢？实际上已经存在一个真实的、正在运行的版本，正是这个过程。一个名为AIRA-Compose（Pepe等人，2026，arxiv.org/abs/2605.15871）的多智能体系统搜索注意力、MLP和Mamba组件的组合，先以低成本小规模测试候选架构，然后只对那些经得起考验的进行扩展。它已经找到了架构——AIRAformer-D和AIRAhybrid-D——在下游任务上比Llama 3.2高出2.4-3.8%，并且具有比基线更好的计算扩展曲线。这是一个小型、真实的成果，而非预测。我想坦诚地说明局限，因为我认为这才是真正有趣的部分。这些成功是在代理规模上确认的，尚未在前沿规模上验证，并且运行这些流程的同一研究团队报告称，大多数被测试的假设最终结果都是噪声，而非突破。这不是方法的失败。而是一个诚实的过滤器在正常工作时的样子。如果你想实际尝试，这里大致是目前有效的模式：像数学成果那样开始。选择一个具体、狭窄、定义明确的目标，不是‘改进AI’，而是像‘移除X是否会改变性能’这样可证伪的目标。将其表述为一个清晰的假设，就像‘循环不必要’那样陈述，而不是开放式地‘想出点新东西’。模糊的提示是这些流程中大多数噪声的来源；具体的假设才是实际成功的来源。让模型做它擅长的部分：针对那个特定假设，组装和重组已知组件，并严格检查结果是否真实。不要轻信单一的自我报告；黎曼和Astra的成果之所以重要，是因为它们经过了外部证明助手和独立评审员的核查，而不是因为模型声称有效。然后，在大规模测试之前先进行低成本测试。在标准架构上训练一个小型、快速的基线模型，用你提出的修改训练另一个相同的小型模型，相同的数据、相同的规模、没有其他差异，然后进行比较。AIRA-Compose和类似系统正是通过这种方式保持低成本，在任何人投入真实计算资源进行扩展之前运行代理规模的比较。如果小规模下没有真实信号，那通常就是你的答案。如果有，那你就有了进一步扩展的理由，同时要记住，小规模的成功并不能保证在前沿规模上成立，因此将其视为值得追寻的有力线索，而非最终结果。值得注意的是，这不仅限于架构。相同的人类假设、AI执行、小模型验证循环也适用于此领域的其他开放问题。长期可靠性、持续学习、自我改进的训练循环，所有这些都具有相同的模式：一个具体的、可陈述的‘如果我们尝试X而不是Y会怎样？’，低成本测试，只有在验证有效时才进行扩展。如果你对这些问题中的任何一个有精确、可测试的‘假设X不是必需的’，那就是目前真正的瓶颈所在。我鼓励你们都启动你们最好的模型，开始测试针对当前AI最大障碍的每一种方法。我们提出问题并进行测试的人越多，我们获得解决方案的速度就越快。请记住，AI现在不需要自己思考。你只需要引导它，并在其长期规划、外推、逻辑跳跃和提出正确问题方面的弱点上为其提供支持。我们不需要等待大公司创新，我们只需要提出正确的问题，并集中我们的发现共同努力，我们就能更快地取得进展。