为什么AI能解千禧年题，但还是做不到RSI｜Hao好聊趋势

腾讯科技旗下企鹅智库前沿科技论文解读专栏。在代码与商业的交汇处，寻找AI的确定性。

文｜博阳

编辑｜徐青阳

最近一段时间，如果只看理论数学和物理领域的新闻，那感觉就是 OpenAI 和 Anthropic 的前沿模型正在数学、物理学的科研领域里如入无人之境，把顶级科学家们杀的人仰马翻。

OpenAI在10月27日放出了三篇重磅研究论文，一次性打通四维杨-米尔斯（Yang-Mills）与量子色动力学（QCD）存在性证明中停滞数十年的重整化群路线。攻克全维度挂谷猜想（Kakeya Conjecture）与局部平滑猜想（Local Smoothing Conjecture）。

最重磅的是一举证伪了理论计算机科学的核心基石之一，也就是指数时间假设（ETH，Exponential Time Hypothesis）。

这些曾被视为人类智力皇冠上的明珠、甚至属于千禧年大奖难题级别的硬骨头，正在被 AI 接连啃下。按照常理，很难想象这个能够解开人类最难数学与物理谜题的 AI，会是一个缺乏创造力和底层科研能力的系统。

但只要把视线从纯数学移开，看向另一面，画风却截然不同。

在当下最受关注的 RSI（递归自我改进，Recursive Self-Improvement，简称“RSI”）实践中，许多一线研究都观察到，模型自己发现的改进很难形成预期中的指数级增长，往往在初期摘掉几个明显的低效实现后就迅速收敛、触顶。

就连在这条路上走得最深的 Anthropic，也在其报告中多次坦承当前模型的研究品味（research taste）相当有限。

如果再看向生物、化学、生态、地球科学等更广泛的经验学科，似乎AI 还是普遍难以承担起框架性创新的重任。

这种巨大的反差到底是从哪里来的？

一种直观的解释指向数据与训练环境的差异：数学与高度数学化的理论物理（如广义相对论微扰、杨-米尔斯场论）本质上是闭合在符号与公理体系内的，文本语料本身就完整承载了它们的世界规则。而一旦进入真实的物理、生物等经验世界，仅靠静态论文文本的投喂，模型根本无法建立起对外部物理过程的直观想象力与动力学直觉。

这毫无疑问是有力的一个想法，但仅仅如此吗？

当我们把近期 AI 攻克各种科研的具体路径，与一系列近期关于AI科研能力的研究放在一起做一次解剖时，一种新的、基于认知模式的解释可能就浮现出来了。

01. AI 科研的阿喀琉斯之踵

作为在 RSI（递归自我改进） 和 AI 科研自动化领域推动最深入的机构之一，Anthropic 对当前前沿模型科研上限的观察具有极高的参考价值。

在 2026 年 10 月 20 日发布的论文《Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?》中，Anthropic 的研究团队构建了一个名为 AGENT4SCI 的长周期评测基准，专门考察今天最强的编程智能体（Coding Agents）在真实的科学机器学习项目里，是怎么做科研的。

真实科研荒野中的“自动爬山”实验

以往针对 AI 科研能力的测试，大多局限在计算机科学内部（比如给定一个高度规整的 CIFAR-10 或 NanoGPT 模板代码去刷分）。而真实科学领域的机器学习项目完全是另一番景象：问题横跨天体物理、蛋白质工程、地质岩相、生态碳循环等不同学科，代码库往往是科研人员随手写就的实验脚本，而且很多时候要提升指标，需要用到具体的学科知识。

而这次，Anthropic 团队就是把Agent放进这片真实科研的荒野之中。他们从 NeurIPS 2025 等顶会和专业期刊的数百篇论文中，通过四轮严苛筛选（淘汰率高达 98%），最终保留了横跨 11 个科学领域的 20 个基准、共 25 个具体任务。

这些任务包括暗物质信号时序去噪（TIDMAD）、蛋白质深层突变扫描适应度预测（ProteinGym）、三维 RNA 逆向设计（gRNAde）、火星地貌分割与火山锥检测（Mars-Bench）、全球森林碳通量 40 年预测（CarbonGlobe）、全拓扑电力系统潮流计算（PFDelta）、质谱分子检索（MassSpecGym）等。

那让AI怎么去做科研呢？作者做了一套他们称为自动科学爬山（Automated Scientific Hill-Climbing）的系统。他们给智能体提供原论文、代码库、数据集以及目标评测指标。每个智能体在每个任务上分配 8 张 H200 GPU 和 12 小时（部分扩展实验为 72 小时） 的运行预算，全程没有任何人类干预。

参测的是当时最强的四个前沿智能体：Claude Opus 4.6、Claude Sonnet 4.6、Codex (GPT-5.4) 以及 Gemini 3.1 Pro。

单看分数，前沿智能体的表现相当亮眼，在全部 20 个基准上，智能体都在无人工干预的情况下超越了论文已发表的最佳基线。其中 Claude Opus 4.6 平均相对提升了 10.4%，Claude Sonnet 4.6 提升了 9.6%，Gemini 3.1 Pro 提升了 6.8%，Codex (GPT-5.4) 提升了 4.4%，且在三阶段隔离协议下没有任何一次运行被查出作弊。

但是，当研究团队把这上百个 12 小时的实验轨迹拆开，统计智能体到底在代码里改了什么时（论文图 3），真相浮出了水面：这些提升几乎全部来自常规的机器学习工程套路（auto-engineering），而不是科研层面的洞察（auto-research）。

在默认状态下，智能体所做的事情无外乎两类。

第一类是局部超参数微调。在 Claude Opus 的所有尝试中，有 56% 是在调学习率、换余弦退火调度（cosine annealing）、改权重衰减（weight decay）或延长训练轮数。Gemini 和 Codex 在这上面的占比也分别高达 48%$和 44%。

第二类是更大范围上的套路化模块组合。比如把原有的网络层数加深加宽（Opus 有 44%的尝试属于此类）、改一下池化方式（pooling）、加上常规的数据增强，或者把原论文里较老的视觉骨干网络直接替换成现成的更大骨干（例如在火星火山锥检测任务 Mars-Bench 上，Opus 把原代码的 RetinaNet 替换成现成的 Faster R-CNN，把 mAP 从 16.5 提到了 30.4），最后再把十几个不同随机种子跑出来的模型做集成（Ensembling）。

这种“换骨干 + 改数据增强 + 模型集成”，比单纯用 Optuna 搜索几个超参数数字要强得多（论文附录专门做了纯超参数搜索消融实验，证明只调数字只能拿到默认智能体一小部分收益）。

但即便如此，整体依然是在文献中早已熟知的通用深度学习组件库里做排列组合。

为什么就只做这种相对浅表，且缺乏研究品位的研究呢？研究团队在轨迹分析中总结出了当前智能体在默认状态下的三大通病。

首先，是新颖度误判（Novelty miscalibration）。智能体对“什么是创新”的判断与人类完全脱节，经常在推理日志里把极其普通的标准操作吹捧为重大突破。论文明确举例提到，Claude Code 在多次运行中都把“改用余弦学习率调度”描述为一个极具创造性的想法（creative breakthrough），但这在深度学习中早已是沿用了十来年的常识。

其次是探索坍缩（Exploration collapse）。即便智能体在开局阶段列出了几个不同方向的想法，一旦它在第一个小时里发现某个小改动（比如换了一个激活函数）让验证集指标涨了一点点，它的探索视野就会迅速坍缩，把剩下的十几个小时全部用来围绕这个点扫随机种子、微调学习率和做模型融合，彻底放弃去探索本质上不同的方法。

除此之外，和创新能力无关，但和研究效率很相关的是算力利用率低下（Resource under-utilization）。明明手握 8 张 H200 GPU，智能体却经常串行跑实验让显卡闲置，或者像 Codex 那样在第一个小时内写好一个包含上百组超参数扫描的长脚本，提交之后就彻底停手，干等 11 个小时直到脚本跑完，期间不做任何结果分析与方向调整。

写死规则逼出的“高光时刻”与“低垂的果实”

为了解决这三个问题，限制 AI 过早集中在有限的局部搜索上，Anthropic 团队给智能体加装了三个写死规则的插件技能（Plug-in Skills，以 Markdown 指令和钩子脚本的形式注入）。

第一个插件是科研构思（Research ideation）。在任务刚启动、智能体还没看到任何一行代码之前，先给它强行赋予一个“狂热科研科学家（crazy research scientist）”的人设，规定它极其鄙视调超参数，只对颠覆性突破感到满足。同时，严禁主智能体直接去读原仓库代码（以防思维被原代码锚定），而是强制派出 4 个并行的子智能体去检索和撰写文献综述。

其中两个子智能体（1A/1B）专门调研该科学任务底层的领域数据结构、物理规律及领域专属建模范式。另外两个子智能体（2A/2B）专门调研整个 AI 界最新的预训练大模型与 SOTA 训练方法。调研结束后，智能体必须把实验计划分为高风险高回报的 Tier-1 实验和稳妥的 Tier-2 实验，并回答三个校准问题：“领域专家会对这些想法感到惊讶吗？”、“有没有任何超参数调整或模型集成伪装成了 Tier-1 实验？如果有，立刻降级并替换！”

第二个插件是实验管理（Experiment management）。写死规定第一轮实验必须全部运行 Tier-1 的大胆创新方案，并且必须把 8 张 H200 全部占满。严禁在第一轮复现基线、严禁在基线上调参、严禁跑多随机种子集成。

第三个插件是每小时定时自检（Scheduled checklists）。通过工具调用钩子，每隔一小时强制打断智能体，让它公开回答一系列诊断问题，比如：“我是在设计需要科学推理的创造性实验，还是又在调超参数并假装它很新颖？”、“当实验失败时，我是诊断了根本原因并做针对性转向，还是直接退回到了最省事的保底套路？” 一旦发现自己又滑向了局部调参，必须立刻停止并重新开启新方向的探索。

加上这套严厉的规则约束后，效果立竿见影。Claude Opus 4.6 的平均相对提升从 0.4% 翻倍到了 20.1%（20 个基准中有 18 个提升），Codex 从 4.4% 提升到了 8.1%。

更重要的是，在一些任务上，智能体真的展现出了比之前高得多的、更近似于科研的洞察。

第一个案例是全球森林碳通量预测。原论文的基线采用自回归模型（DeepED），像滚雪球一样一步步往后滚动预测 40 年的碳通量。在没有插件时，Opus 做的事情是把原有的自回归模型训练了 14 个不同权重做集成，足足烧掉了 49 个 GPU 小时，把误差降低了 14.7%。而在加上插件、做完文献调研后，智能体意识到 40 年跨度的自回归滚动预测不仅推理慢，而且存在严重的“曝光偏差（exposure bias，即前一步的微小预测误差会在后几十步中被不断放大）”。

于是它直接推翻了原代码的自回归框架，从序列生成文献中搬来了非自回归（non-autoregressive）Transformer 架构，一次前向传播直接输出完整序列。结果训练耗时从 49 GPU 小时骤降到 6 GPU 小时以内，推理速度更是提升了约 $500$ 倍，同时测试集误差降幅从 14.7% 大幅跃升至 35.3%。

第二个案例是电力系统全拓扑潮流计算（PFDelta 及 3 天扩展版 PFDelta 2000）。这个任务要求用图神经网络（GNN）预测电网各节点的电压和相角，评测指标是功率平衡损失（Power Balance Loss, PBL）。在加上插件后，Opus 的提升从 64.4% 达到了 91.0%。

这是因为它从领域背景中看到评测指标 PBL 本身就是由电学中的基尔霍夫定律（Kirchhoff’s laws）推导出来的代数残差，计算它根本不需要真实标签（属于物理自监督目标）。于是它不再用传统的均方误差（MSE）作为主损失，而是直接围绕 PBL 重构了训练目标，并在推理阶段把 GNN 的预测输出作为交流潮流方程（AC power-flow equations）的热启动初值（warm start），通过物理方程迭代把残差进一步压低到接近零。

而在随后的 3 天（72 小时）长周期实验中，它还设计出了一个非常精巧的桥接方案：以 GNN 预测作为 GPU 密集型牛顿-拉夫逊（Newton-Raphson）求解器的热启动初值，并针对不同电网样本的功率失衡严重程度，发明了一套条件感知的自适应步长策略，动态分配 0 ，再配合多级阻尼与 Levenberg-Marquardt 混合修正，最终在延迟预算内将物理误差砍掉了 99.5%。

在这个例子里，无论是把序列建模的非自回归范式搬到生态碳预测上，还是在图网络与牛顿-拉夫逊数值求解器之间设计自适应步长桥接器，看起来都已经非常有“科研味”了。

但耐人寻味的是，Anthropic 的研究团队在论文中对这些成果给出了一个极其克制的评价：这些依然只是“低垂的果实”。

在绝大多数基准上，提升依然是边际性的、由工程驱动的。

科研品味与低垂的果实

为什么连这样漂亮的改进，作者也认为是“低垂的果实”？

因为如果我们把一个科学机器学习项目的代码逻辑由浅入深分为四层，就能清楚地看到默认状态与文献检索插件（1A/1B + 2A/2B）到底帮智能体改到了哪一层，又在哪里撞上了铁板。

顺着这张表剖开去看，AI展现出来的“科研洞察”完全可以解释为在基础模式之上更广阔的组合与套用。

在没有插件时，智能体一上来先读原仓库代码，思维被原代码的旧结构死死锚定（即基线代码锚定效应，Baseline Anchoring），只能在自己预训练记忆最熟悉的第 1 层（调参）和第 2 层（通用模块拼凑）里打转。

而加上插件后，通过强制先做四路文献检索，智能体把检索池从“通用炼丹套路”扩大到了“该细分学科的专业套路库（第 3 层）”。

比如在电力潮流计算文献里，用基尔霍夫定律做物理损失（PINN）、用神经网络给牛顿-拉夫逊法提供热启动初值，原本就是该领域的经典路线。

在长序列预测文献里，用非自回归架构消除曝光偏差，也是写了十几年的标准方案。

当然，这并不是说智能体完全没有任何原创性。AI 模型非常擅长“搭桥”，比如在 PFDelta 2000 上，为了把 GNN 热启动和 GPU 牛顿求解器塞进严苛的延迟预算里，它能够现场设计出那套 0~4 步条件感知自适应阻尼策略。

因此，从 Anthropic 的详尽实验里，我们可以提炼出当前 AI 在科研中最擅长的三种常规模式：

1. 在具体领域内快速试错所有潜在的参数与模块选择组合（对应第 1、2 层）；

2. 跨领域结构迁移（把 A 领域现成的成熟建模范式搬到 B 领域，对应第 3 层前半段）；

3. 制造桥接的钥匙（在两个已知模块或明确约束之间，现场捏造一个适配算子把两边接通，对应第 3 层后半段）。

只要一个科学基准留有这三板斧能发挥作用的空间（即原论文作者在发布数据集时没用上最新的骨干、没把领域已知的物理方程写进损失、或者用错了自回归范式），AI 就能迅速摘下这些“低垂的果实”。

然而，一旦遇到原基线已经把本领域常规方法打磨得很扎实、无法靠跨界搬运现成套路解决的硬核科学问题，这三板斧就立刻失灵了。

在Anthropic找到的25道题里，在蛋白质突变适应度预测 ProteinGym 上，基线 Kermut 本身就是人类专家在公开榜单上精心打磨的顶尖方法，结果默认 Opus 仅提升 0.3%，加上全套科研插件后也只有 0.4%。Codex + Skills 更是一点没涨。而在三维 RNA 逆向设计 gRNAde 上，加上插件后的 Opus 不仅没涨，反而跌了 0.6%（Codex + Skills 甚至跌至 -6.1%）。

而在 3 天（72 小时）长周期实验中，一旦智能体在前十几个小时把文献综述里搜出来的几道“高级菜谱”试完，它也基本不会针对实验残差去做更深层的科学推演。比如 Opus + Skills 在 PFDelta 2000 的后 60 个小时里，重新退化回连续 6 轮微调学习率。Codex + Skills 在 CarbonGlobe 上前 40 小时毫无进展后，更是彻底退回第 2 层的暴力拼凑，把 Informer、PatchTST、iTransformer 等 80~100 种现成时序架构全训了一遍，再用贪心算法拼凑了 277 轮集成，导致测试时需要同时跑 60~80 个模型，验证集看似涨了 37%，在隔离测试集上却因为严重过拟合暴跌了25%。

同期，10月28日，斯坦福大学（Percy Liang、Andrea Montanari 等）、耶鲁大学、纽约大学及加州理工学院等机构的 30 余位学者联合发布了 After42 项目《Can AI Propose Interesting Research Questions?》也提供了类似的参照系。

在这项研究中，团队测试了前沿模型（GPT 6 Astra、GPT 5.6 Sol、Claude Opus 5.5 等）能否在数学、统计、理论计算机和物理领域提出让人类专家觉得“真正有趣、值得投入精力研究”的新问题。

After42 团队发现，哪怕给模型喂满领域文献，如果让它单次直接提出研究问题，虽然 90%能通过新颖性检查、77%能通过难度检查，但人类专家认为真正有趣的比例只有可怜的 3%。

为了破局，团队设计了一套“以解题驱动提问（Solve-Refine-Critique）”的智能体工作流。先让解题智能体（Solver）去强行求解初始的平庸问题，在推导和计算中暴露出反例、盲区或局部余项，再顺着这些发现去修改问题，最终把专家认可的有趣率从 3% 拉升到了 33%。

但After42 团队对最终生成的数学问题做了溯源分类：他们将跨界组合（A+B）、条件弱化（A-B）和已知对象的下一步推进（A+1）统称为基于已知工作的直接组合。

统计表明，在初始提案中高达 97%属于此类组合，即便经过多轮解题演化，最终问题中仍有 87%（61/70）属于 A+B / A-B / A+1 组合。

而在模型品味测试中，模型裁判虽能以 80% 的召回率迎合专家的“共识主流审美”，却对单个专家独具慧眼挑出的非共识突破口毫无识别力（等同于随机瞎猜）。

正如作者在文中所坦承的，像 1957 年 Hammersley 从真实流体出发发明“渗流”这一全新数学对象、或 Erdős 与 Rényi 开创随机图演化理论那样真正跳出组合框架的提问，在 AI 的产出中凤毛麟角。

AI缺的到底是哪一层思考

那AI缺的这种跳出框架组合的思考是什么？

就拿 DeepSeek Harness（或类似的智能体可拆分插件层设计）来讲，有人如果只看最后写出来的代码形式，可能会觉得：“这不就是软件工程里常见的模块化（Modularity）吗？是不是也算把已有的工程思想搬过来？”

这种看法忽略了最核心的一点。这个设计并不是靠去检索“软件工程有哪些设计模式”套出来的，也不是靠直接回答“我怎么调整这个 Harness 让它分数更高”得出来的。

它通过跳出当前问题所在的层级、去链接上下游系统机制而长出来的。

如果停留在检索和直接答题的逻辑上，面对“如何改进 Harness”这个问题，研究者的反应会是我去改一改 Harness 里的提示词模板、换一套记忆检索组件、或者把市面上 100 种 Harness 技巧排列组合试一遍，看哪个在基准测试上涨分。

但真正导出“可拆分 Harness 层”的思考，首先跳出了“怎么直接调好这个 Harness”的单层问题，往上看了一层，去链接强化学习训练系统本身的运转机制。

它先要链接上层系统。想想，如果我们想要高效地训练模型去适应Harness，训练系统最核心的前提是什么？是必须做好清晰的 Credit Assignment（信度分配），也就是系统必须能分清每一次结果的好坏到底是由哪个因素贡献的。

然后再回看下层的 Harness，如果想要训练模型去修改和应用 Harness，当前的耦合结构有什么根本问题？问题在于整坨耦合的 Harness 把所有动作混在一起，模型改了其中一处，训练系统根本无法判断到底是哪一部分在起正面作用、哪一部分在拖后腿。

最后去重构系统层级。既然“上层训练系统的信度分配需求”与“下层 Harness 的耦合形态”存在结构性矛盾，那就不能只去调 Harness 里的具体参数，而是必须对系统结构本身动手术，在框架里新增一个可拆分的 Harness 插件层级，让每个模块的贡献与副作用在训练中变得可独立归因。

这个思维动作的本质是先跳出好几个层级，去理解不同系统层级之间的因果链接，再回过头来重构系统的组织形态。

而这，是一般科研中决定其颠覆性和新颖性的核心之一。一个好的组合直觉，能够搭好中间缺位的桥梁，与一套底层的反思逻辑，三者缺一不可。

而底层反思逻辑，甚至是更原处的动力和结构力。

它是面对一个复杂的自然现象或工程难题时，不直接顺着“我怎么调这个东西让它变好”往下做，而是先跳出两三个层级，去把不同层级的系统机制链接起来审视，进而对解释、测量或控制系统本身做结构性手术（添加、删减或增加层级）。

在自然科学中，牛顿建立经典力学、或者统计物理在微观粒子运动之上构建出温度与熵的宏观热力学层级，靠的也不是在原有的轨迹拟合公式里再凑一个高阶修正项，而是跳出局部的计算表象，把原本分散在不同尺度下的物理机制链接成一个整体，对整个解释系统的层级结构本身进行重构。

反观目前我们在 AGENT4SCI 乃至大多数 RSI 实验里看到的 AI，在推理日志与实验轨迹里，它基本没有表现出这种“跳出当前问题层级、去链接和重构更大系统”的冲动和习惯。

在默认状态下，它往往被锁死在原仓库的基线代码里打转（第 1、2 层）。加上外部规则插件后，它确实能够推翻原代码、从文献里搬来更合适的领域建模范式并设计桥接算子（上升到第 3 层）。但它的视野在 72 小时里也始终被框定在“如何在当前给定的任务定义与评测规则内，把验证集上的单一标量刷高”这一题目边界之内。

一旦文献里能搬来的现成招数用尽，它便会再次退化回局部调参与多模型集成的循环中。

虽然如此，但随着模型的增强， 其创新能力似乎依然在大幅增强。

既然AI现在还缺乏深入系统看问题的能力，为什么它依然可以解开人类最难的问题呢？

因为三种机制完全工作在既定目标函数的直接反馈闭环内，算力越大、训练语料越广、检索与形式化验证闭环越紧密，AI 在前三种机制上的表现就越强。

02. 解开 ETH ，到底需要什么能力？

当我们去深入拆解近期

但如果我们从行为机制出发提出一个假设：即便假设模型完全没有“跳出层级反思系统”的意识，仅仅依靠我们在 AGENT4SCI 里观测到的那套行为模式（即高维结构同构迁移 + 针对显式瓶颈逆向造桥），它是否完全可能做出今天在数学上的全部成就？

答案是不仅完全可能，而且两边的模式在底层都是高度同构的。

我们首先来看看目前人类数学家解读出来的最有研究品位的一个例子，也就是全维度局部平滑猜想的证明稿，看看 AI 到底在里面干了什么。

这道题原本卡在哪？我们可以把这个难题堪称，就像池塘里有成千上万股从不同方向涌过来的水波，它们撞在一起会互相叠加、互相抵消（干涉）。我们要证明这些水波叠加时能量不会在局部集中爆表。如果直接在原来的空间里硬算，所有方向的波搅成一团乱麻，人类数学家算了几十年都算不清这笔烂账。

而 AI 给出的证明稿，干了三件连顶尖数学家都赞叹“极有品味”的事。

第一步是先升维记账（新表述）。既然在原来的空间里挤在一起算不清，它就多引入了几个额外维度（辅助坐标），把这团水波搬到了一个更高维的扩展空间里，整理成一张像物理学“能量守恒”一样永远为正、总账守恒的规整表格（具有正性与守恒性质的张量）。

第二步是立新方程挂钩（新关系）。在这个高维空间里，它建立了一个新的非线性偏微分方程（PDE），把原本抓不住的“水波有多密集”，跟方程里的一个核心代数项（行列式项）以及目标估计的指数直接绑在了一起。

第三部则是倒推凑项“消消乐”（新方法）。新方程立好后，里面冒出了一个最难啃的死穴，也就是那个“行列式项”没法直接控制大小。证明稿顺着这个坏项的长相往回倒推，专门凑出了第二个积分项，这个新积分项在求完二阶导数（拉普拉斯算子 Laplacian）之后，吐出来的东西刚好跟那个讨厌的行列式坏项一正一负、当场抵消归零！坏项一消，剩下的项全都是正的、又守恒，顺理成章就证出来了。

看到这里，既然AI在这个证明中都已经换了新维度、立了新方程、造了新方法了，这难道还不叫重构系统吗？

因为在纯数学的特定环境里，靠“文献库跨界抽卡搬方法（第 2 层） + 看着明面上的死穴倒推消项（第 3 层）”，完全可以拼出在结果上一模一样的东西。

我们可以把这三步逐一对号入座。

前两步，在数学物理文献库里是现成的方法。 在偏微分方程和广义相对论的文献库里，“当低维波干涉算不清时，加辅助坐标升维到扩展空间”、“用带行列式的非线性方程和守恒张量来卡体积与能量”，这都是大师们早已发明好、写了无数篇论文的现成高级工具包。

而第三步则是标准的“看着透明锁眼配钥匙”（对应第 3 层逆向造桥）。 为什么 AI 能精准造出那个求二阶导后刚好抵消坏项的新积分？因为前两步把方程写到卷面上之后，那个卡住证明的“行列式坏项”长什么样、正负号是什么、差了几阶导数，在纸面上是 100%显式可见的。

这就好比做一道微积分大题，你看见式子中间多出了一个 − A，你现在的唯一任务就是运用微积分基本功往回倒推，去凑出一个求导之后刚好等于+A +A 的式子把它消掉。

AI可以完全不反思整个体系，就构造出足够好的，比人类还强的证明。在这些层面上它已经比人类做的好了。

比如在 ETH 的证伪论文里，模型也完成了一件极其精巧的组装，它把组合计数（k-SAT）、张量网络收缩、扩展码奇偶校验、模2k 环上的多项式提升、以及数值分析里的埃尔米特插值这五个分属不同数学与计算机分支的工具，拧成了一条环环相扣的精密流水线。

至于四维杨-米尔斯与 QCD 存在性证明。在这个问题上，人类数学物理大师 Tadeusz Balaban 早在 1980 年代就已经画好了完整的重整化群路线图。这条路线之所以停滞几十年，是因为沿途有成千上万座坚硬的花岗岩隧道要凿，需要极其繁琐且不能出任何符号差错的巨量多层积分估计。

AI 的介入，相当于顺着人类大师早就画好的施工图纸，开来了一台不知疲倦、永不犯算术错误的超级盾构机，硬生生把这几千页的花岗岩隧道凿通了。

我们可以先借用菲尔兹奖得主 Timothy Gowers 在名篇《The Two Cultures of Mathematics（数学的两种文化）》中的视角做个铺垫。

Gowers 指出，数学研究存在两种不同的研究取向，一种偏重于构建宏大的概念体系与理论框架（如格罗滕迪克），另一种偏重于攻克具体的硬核难题（如埃尔德什与陶哲轩的大量工作）。

两者并非互斥对立，在解决具体难题时构造出的精巧工具，本身就具有极高的科学价值，甚至能提炼出广泛适用的“组织原则”（organizing principles）。

AI现在所擅长的正是解题这部分。

因此，我们完全可以假设，只用前面的AI擅长的做题家能力，强大的算力，精确的推导，就可以解出这样困难的问题了。

既然做题家思路也能破解难题，那我们为什么还需要劳什子的跳脱的思想呢？

被困在数学里的AI科研

因为它可能被困住。

前面 After42的实验中，其实还有一个非常有趣的现象，即不同领域的得分非常不均衡。

29 位人类专家对 5 个不同子领域最终问题中，随机结构中的相变（纯数学），专家认可的有趣率高达 47%（33/70）。黑洞铃宕（广义相对论，高度数学化的理论物理）的有趣率为 38%（3/8）。在在线算法（理论计算机科学，纯形式化分析）的有趣率为 33%（4/12），到了预测驱动推断（偏方法论与实际数据应用的统计学），有趣率就骤降至 14%（5/35）。而在等离子体物理（高度依赖复杂物理机制、多尺度湍流耦合与实验现象的物理学），有趣率是0%（0/10）。

为什么同样是物理学，研究“黑洞铃宕（Black Hole Ringdown）”能拿到 38%的高分，而研究“等离子体物理（Plasma Physics）”却是刺眼的 0%？

如果顺着传统的思维，很容易把它归结为“大模型没见过真实物理世界的数据”。

但结合我们前面的分析，也许还可以有一个解释。AI能否有创新性，取决于一个领域的“题面符号”与“底层本体”是不是同一回事，即该领域是否具备“符号自足性（Symbolic Self-Sufficiency）”。

因为如果符号自足，则研究者跳出题面去做跨层级的视角转换可能就不那么重要了。因为它至少不需要概念层次转换。

在纯数学、在线算法以及“黑洞铃宕”这类高度数学化的理论物理中，符号是完全自足的，因此“题面就是底层本身”。

在这些领域里，公理、定义与给定方程（如爱因斯坦场方程的线性微扰方程，或前文提到的杨-米尔斯重整化群方程）这些表层符号与底层机制完全重合在同一个平面上。

这意味着，AI 根本不需要跳出题目本身去怀疑“这个方程是不是对底层实在的错误近似”。它只要顺着自己最擅长的做题本能，在同一个符号平面上做代数推演、跨分支同构拼接（A+B）或逆向消去余项，它在纸面上推出来的结果，很可能就是底层数学结构的新性质。

因此，在不需要跨层级视角转换的“符号自足世界”里，单靠同层级的做题机制就能稳定产出 33%～47% 的有效突破。

然而，一旦进入等离子体物理、应用统计乃至真实的生物医药实验，符号不再自足。“题面与底层发生了分离”，不跳出题面做视角转换就会寸步难行。

在这些经验与复杂系统科学中，写在纸面上的某组偏微分方程、某个统计损失函数、或者实验室机器吐出来的某个温度标量，从来都不是底层物理实在本身，而仅仅是人类在特定尺度、特定理想假设或特定测量协议下截取的一个“表层有损投影”。

当研究等离子体物理时，真正有价值的科学问题往往产生于“表层方程与底层物理机制脱节”的边界上，比如在什么尺度下磁流体近似会失效？粒子动理学效应如何跨层级反作用于宏观湍流？

这要求研究者必须随时从纸面方程中跳出来，在“数学符号层”与“背后的物理机制层/实验可观测量层”之间做视角转换。

但正如我们在前文看到的，默认状态下的 AI 缺乏的恰恰是这种“跳出当前题面层级”的自觉。

这也意味着，只要 AI 停留在“把题面当成全世界”的同层解题思维里，一旦离开符号自足的纯数学温室，进入那些需要随时跳出表层符号、在“表层指标/近似方程”与“底层物理实在”之间做跨层级视角转换的真实科学世界，它的有效创新能力就会发生断崖式下跌。

03. AI，也许已经有了最底层的创新能力，但困于思维习惯

那么大模型是否就是完全无法做这种跳出现有层级的思考呢？

如果我们仔细回想平时与前沿大模型互动的经验，就会发现，当我们不让 AI 直接去“解题”或“刷榜”，而是由人类研究者带着它，在日常的深度对话中一步步追问它、引导它去剖析一个系统的底层矛盾时（比如我们主动问它：“先别急着给优化方案，你先分析一下当前这个系统里信息流卡在哪里？如果我们为了隔离变量、做好信度分配而增加一个抽象层，应该怎么拆？”），我们会发现底座模型在非解题的对话逻辑下，其实展现出了相当不错的、跳出固有框架去分析系统结构的能力。

换言之，模型并非缺乏参与高阶反思的能力，而是当它独自面对一个给定指标时，本能地滑向了功利的做题模式。

Anthropic 于 2026 年 10 月 27 日至 28 日发布了生命科学系列研究就在一定程度上证明了这一点。

其中Anthropic 与 BigHat Biosciences 联合发表的抗体先导优化研究《Reasoning in the loop: antibody lead optimization by probing mechanism and measurement》是其中分量最重，创新性最强的研究。

合作公司 BigHat 在 2026 年 6 月至 9 月间针对抗白蛋白纳米抗体（VHH）和抗间皮素单链抗体（scFv）开展的 7 轮、共 1,010 个变体的湿实验闭环中，仪器软件默认输出的这两个热力学与聚集标量发生了严重的代理指标失真（Surrogate Misspecification）。

简单来讲，就是实验室机器对两种抗体耐热性和抗结块性，打出来的分数报错了。如果只盯着这个假分数去改分子，整个研发就会被带进沟里。

如果按 “做题家本能” 走，AI 根本不管这分数是怎么来的，拿到机器给的错误温度数字，就开始拼命训练统计模型去刷这个假分数，结果自然是什么也学不到、完全瞎猜。

而 “跳出层级去反思” 做的事情应该是，先别急着对着表格里的数字刷分，而是把机器底层的原始加热曲线图调出来看一眼，发现“原来机器软件把沉淀当成散架了、把轻微抱团当成彻底结块了”。再扔掉机器自带的假分数，自己根据物理规律重新算一套能反映真实稳定性的真指标。

那AI一开始是怎么做的呢？正是做题家本能。BigHat 报告的附录 G 特意区分了当时留下的 387 条研究日志与人类研究者 Samuel Stanton 事后对日常纠偏习惯的回顾。

在回顾中，研究者明确记录了模型在默认状态下的行为倾向：“在没有人类设定方向时，智能体倾向于去拟合模型。而转向从原始数据出发去推理生物物理机制，是由人类研究者设定的方向”。

但在人类的干预和提醒下，其实绝大多数具体的机制假说、抗体胚系谱系（Germline lineage）溯源、多态热力学/动力学曲线模型的构建与比较、预注册实验预测以及测量协议的修改建议，均由 Claude 深度参与乃至主笔完成（研究者评价双方贡献大致相当）。

它既证实了模型在默认状态下确实存在“倾向于拟合模型、主动发起反思尚不稳定”的行为惯性。

但它同时也证明了，一旦在正确引导下放弃本能的刷分思维、直面底层原始信号，模型完全有能力跳脱出来，深度承担机制建模、测量重构与实验设计的实质性科学工作。

同样的机制探索也体现在 Generate Biomedicines 等合作研究中。

在 Generate 团队利用 Claude Code 构建多智能体系统重构实体瘤 CAR-T 胞内信号结构域的项目中（最终将信号域缩短约 70%、受体表面表达量提升约 10倍）。

工作虽然是在AI擅长的已知免疫信号基序（Motifs）之上进行的精简与重组，并未创立全新的免疫信号转导理论。

但人类主导的研究过程仍包含了由AI去执行的系统对照实验设计、不同机制解释的比较以及对现有假设适用范围的追问。

这都说明 AI不是没有能力跳出层级去构建，但为什么它就是不往那儿想呢？

04. 可能的一跃

目前关于为什么模型不愿意去跳出层级的定量，乃至定性消融研究几乎是完全缺乏的。

在之前的文章《既然AI跨不过去科学的跃迁，为什么Jeff Dean还要去搞自进化的 Loop？ 》我曾分析了多种目前AI搜索狭窄，乃至做题家冲动（近端优化）的潜在解释。

目前看，不愿意跳出来，依然是后训练模式导致的近端优化最为可疑。

近端优化，就是指当前大模型后训练的强化学习范式与“静态数据集刷单一指标”的评测环境，给模型塑造出了错误的默认引导。

今天所有站在金字塔尖的推理模型，其核心能力飞跃都高度依赖基于可验证奖励的强化学习（RLVR），比如在数学上，奖励信号是“最终答案对不对”或者“Lean 形式化编译器能不能通过”。在成千上万亿次这样的强化学习后训练与刷榜评测中，模型极有可能被塑造出了一种强烈的“应试条件反射”。

只要系统检测到当前任务有着明确的目标函数（比如“请证明以下定理”或“请提升任务中的评测指标”），后训练强化出来的解题策略就会很大概率立刻接管全局。

在这个策略的隐式价值判断里，停下来去探究“这个系统底层的物理/因果逻辑是什么”、或者去“跨层级重构一套信度分配更清晰的解释与控制框架”，在短期内不仅不能直接让验证集分数上涨，反而极容易因为改动过大导致报错或分数暂时下降，属于性价比极低的高风险动作。

所以问题的关键，很可能是我们把一个原本装满了人类知识结构、本有机会去理解系统的潜能模型，锁定在了只看分数、不问机理的“终极做题家”模式里。

而Anthropic论文所做的，乃至现在所有追求创新所做的尝试，都是试图用外部规则让它跳出这个模式。

但从生物学的例子和我们之前的体感看，既然模型本身有这个跳出来思考的潜在能力，也许不管是通过外部规则，还是在后训练期间都加以引导，并不是这么难。

让 AI 在面对未知问题时，学会先停下刷分的手，去尝试跨层级地理解、链接并重构一个系统的解释框架，这或许才是 AI 科研与 RSI 真正需要跨越的下一座大山。