清华沈阳团队用AI梳理118511个数学猜想，哥德巴赫仅排第49
人类最后只剩签字权？清华沈阳教授谈AI终局
新智元报道
新智元报道
118511个。这个数字，是清华大学沈阳教授团队借助AI，从互联网上可公开获取的资料中盘点出的数学猜想总量。
这些文档本来就不是供人阅读的，是留给AI看的。团队还让AI为这批猜想排定名次，遴选出前100名。在AI的判断里，中国读者最熟悉的哥德巴赫猜想，只排在第49位。
新智元近日与沈阳教授进行了一次深度对话。
沈阳教授的研究横跨文、理、工、医。他先后在计算机、信息管理、新闻传播、人工智能、临床医学等领域担任教授或指导博士后，在AI绘画、AI音乐以及AI人文社科方面的探索，也引起了社会的广泛关注。
访谈中，沈阳教授系统提出了四重核心思考：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。这既是一份技术演进路线图，也是一份人类在智能洪流中夺回「掌舵权」的思想备忘录。
舆论这几天盯着 OpenAI 在数学上的进展追问不休：难题究竟被 AI 解出了多少道，人类数学家的位置是不是已经被它盖过？沈阳教授却觉得，真正让人吃惊的事情另有一件，被大家放过去了——这次公开的 722 篇手稿不过是一小部分。系统要是乐意，7000 篇乃至 70000 篇手稿随时可以放出来，让人类一篇篇去核。
机器造数学知识的速度，往后会长期快过人类读懂它们的速度，这是一道核心转折。人类将头一回成规模地握住一批自己还没真正弄明白、却不得不持续核验并加以使用的数学知识。数学研究的重心也在挪位：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那部分脑力，开始交给持续运转的智能系统。
这么一来，数学可能成为最早实现大规模「知识自我繁殖」的学科：旧定理帮着发现新定理，新定理催生新工具，新工具又挖出更多数学结构，研究闭环不断外扩。传统数学教育也被倒逼着改——AI对有判断力的资深学者友好，对敢于探索的年轻人友好，偏偏把单纯靠资历筑起的学术壁垒削掉了一块。
AI能轻易量产数学成果之后，未来数学家最要紧的活儿就不只是证明新定理了，而是围绕AI的自我进化，造出新概念、新表达方式和新理论体系。这里头有个底层问题得重新看：今天用的数学概念，到底是数学世界唯一的表达方式，还是人类为了理解世界而搭起来的认知工具？
人类习惯符号、公式和图形，是因为它们合人脑的胃口。现有这套数学体系，或许只是适配人脑的一种「数学界面」，既不是表达全部数学真理的唯一路子，也未必是最好的路子。AI不受人脑生理条件约束，往后很可能找出逻辑上完全成立、却很难直接翻成人类熟悉概念的数学结构。到那时候，数学家的重头任务就是给这些陌生结构造出人能看懂的「解释界面」。
顺着这个变化，我提出一个面向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）：
数学的评价标准也会被彻底改写。定理能低成本量产，光把数量堆上去就不值钱了，数学将从「产出稀缺」转向「人类检验稀缺」。缺了筛选、组织和整合的本事，海量AI成果只会堆成用不上的「知识垃圾」。真正稀缺的，是那种能被反复调用、能统一大量既有结论、还能催生新理论的「枢纽型成果」。
我顺着这个方向又往前推了一步，提出「自进化数学」。传统数学关心的核心问题，是在已有公理、定义和规则下能证明什么；自进化数学要问的是另一个问题——能不能造出全新的概念、表达方式与推理结构，把过去做不了的数学研究变成可以做的？
它关注的不只是数学知识本身，还包括数学怎么借人机协同，把繁复的底层推演自动提炼成新工具，让新的数学能力不断长出来。最有价值的突破，未必是解出最难的那道题，而是造出一种新方法，让成千上万道题一下子都有了出路。
把眼光放远一些，AI还能用来摸索「跨智能数学」。人类的智能、架构各异的AI，以及未来可能出现的其他智能系统，各自持有不同的数学概念、表示方法和证明偏好。有些难题人觉得棘手，机器换一套表示就能轻易化解；反过来说，人凭直觉就能把握的结构，机器未必照着同样的思路去想。智能不同，数学真理未必随之改变，可通向真理的路径，比以往设想的要宽广得多。
翻一翻数学史，真正改变数学面貌的突破，往往来自新概念、新表示方式和新理论体系的创造。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。
研究是从AI绘画起步的。三年间我用AI画了14万幅作品，并在全球办了13次AI绘画展。作品攒得多了，一套探索办法也就成型了：先把大方向定下来，再批量生成各种方案，靠比较、筛选和一遍遍修改，一步步逼近更好的结果。
搬到算法研究上，这套办法照样管用。两者的共通之处在于，一开始并不需要知道最优解是什么，而是先把可能性尽量铺开，再借持续反馈去找突破口。差别也很实在：绘画图的是审美上的新鲜别致，算法却要过客观检验这一关——性能上不去、成本降不下来，或者在真实环境里跑不稳，都算不上成功。说白了，AI管的是造出更多可能，实验管的是判断哪些可能真有价值。
实践越做越深，我开始琢磨一个更核心的问题：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」。
顺着这个方向，我们团队同时进入了数据压缩、优化求解、核聚变模拟、图像识别、工业声纹检测、CAD几何求解、文本分类等跨模态硬核领域。放在前AI时代，这难以想象；目前已经拿到七项阶段性成果：
这七项公开成果之外，我们还有近五十项在研算法探索。有的效果显著，有的推进缓慢，也有的最终失败。但失败的算法实验和成功的实验同样重要——我们要建立的不是只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，我们既没有用同一种算法，也没有套用固定模型。背后真正相同的是研究逻辑：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，包括数据、结构、训练、推理与资源消耗，找到真正限制性能的根源；不只研究算法，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）：这部分是我最看重的。「向内开域」是造出新的算法表示和求解机制，把从前够不着的算法空间变成能探索的地方；「向外开域」则是把计算成本和运行时间大幅压下来，腾出资源，让更高频的实验、更复杂的实时交互都有条件做。
透析负责找突破口，增益负责把收益兑现，开域负责造出下一轮的可能性。围绕这一点，我们搭了双层循环：内层循环一遍遍打磨具体算法，让算法本身越来越强；外层循环打磨的是发现问题、设计实验、挑选方案这套方法，让造算法的系统越来越强。优化还按突破难度分成四层：基于人类算法的弱优化、在AI优化结果上再往上推的强优化、去碰强优化边界的极限优化，以及在既有约束下看着无解的不可能优化。
【算力突围定律】算力落后，不等于算法性能一定落后。很多人过去笃信「大力出奇迹」，可落到具体的算法问题上，搜索路径怎么走、问题如何拆解、收敛效率高不高，这些同样决定结果。举个例子，对方要靠盲目搜索铺开一万个候选方案，我们若借助深入的「透析」和算法构造，只搜索少数几个关键方案，那么哪怕计算资源相差一万倍，特定任务上照样能实现反超。
强大算力的AI系统会把容易摘的果子摘完，人类的机会恰恰藏在AI还没找到的搜索路径里。人的角色随之改变：不再「亲自完成每一步计算」，而是去发现关键约束、创造新的问题表示、判断探索方向、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，初步效果相当不错，同时还在探索「自进化工业」与「中医AI自进化」的早期理论与实践。有算力固然更好，实在没有，就从算法效率上想办法。
要想在跨领域上取得突破，行业专家的深度参与必不可少。核聚变专家清楚物理意义，工业工程师明白故障逻辑，医学专家懂得临床价值。真问题由领域专家提出，专业价值也由他们判断；大规模探索优化空间，则交给我们的AI自进化系统。你所在的行业如果有长期攻不下的算法与技术瓶颈，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。
AI如今已经能生成代码、搭建应用、优化算法，那么软件工程的变革，难道只是让传统开发流程跑得更快吗？
AI没有消除工程难题，但把想法变成原型的成本压下去了不少。软件研发的重心正在根本转移——「如何把功能做出来」不再是首要问题，更要紧的是回答三件事：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？
顺着这个思路，在此前提出的「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，我又进一步提出ECX三维并行研发范式：
-
E（Evolution，性能进化）：由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）：把用户反馈、竞品分析和AI构想汇总起来，批量产出候选方案；随后经过比较、组合与筛选，定下功能是去是留、如何演进。 -
X（eXperience，交互验证）：以人为本，借助真实用户的交互反馈与行为数据，找出体验痛点与需求缺口，作为下一轮进化的路标。
这三个维度不是一条流水线挨个走，它们同时跑，还互相触发。眼下我们用两个项目来验证一个核心问题：软件能不能在被人持续使用的过程里，一边把现有本事打磨好，一边长出新本事？这两个项目，一个是「小森邻」，另一个是北航何静副教授主持研发的「AI科学家」。
「小森邻」是AI原生软件研发的一个典型样本：团队只有两个人，获客6万，研发两个月就完成了天使轮融资。今年3月，完全没有编程基础的主理人青青在社交平台讲了自己的软件构想，零粉丝的账号发第一条帖子就拿到三千点赞，最初的需求验证就这样完成了。之后她靠AI「氛围编程（Vibe Coding）」在一个月内做出初代Demo，又拉来一名专业程序员，组成「非技术主理人+专业程序员」的极简双人搭配，把ECX机制完整走了一遍：
-
E（性能进化）这一维：软件的「关系网」功能在渲染60个角色、180条关系时卡得厉害。团队用AI帮忙定位问题、分析优化路径，采取批量绘制、跳过无效线段、缓存复用等办法，把渲染耗时从138–182毫秒压到18–19毫秒，少了86%–90%。六年前的手机也能流畅跑这个软件。 -
C（功能候选）这一维：青青把用户留言整理了30万字，交给AI做需求归类和场景拆解。同一个需求，AI会给出多种方案，团队拿原型做对比、算成本，再挑最好的上线。最近每次发功能都能拿到过万点赞，最高的一个功能在小红书得了5.7万个点赞。 -
X（交互验证）这一维：靠黏性很高的用户社群持续收集真实操作习惯和审美偏好，让用户一起参与产品的进化。
「小森邻」走的是轻量应用的快速迭代路子，已经有近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怎么演进。在服务大量科研用户的迭代里，这个项目显出软件进化的另一面：新能力不只靠开发新功能，也靠把已有能力重新组合。比如近期一次更新，系统把原本各管一段的检索、推演、代码生成和写作模块接了起来，于是冒出「自主生成算法—验证算法有效性—形成论文手稿」这样一条复合工作流。
从这两款产品的实践看，AI时代的软件进化可以归成两种基本运动：
-
向内优化：在现有能力范围内不断提升质量，让执行更快、更稳、成本更低。小森邻的渲染提速、AI科学家的模型调度优化，都是这个方向。 -
向外生长：把解决问题的边界不断往外推，靠新增模块或重组工具链，长出以前没有的能力。
向内优化也好，向外生长也罢，一旦都能被AI加速推进，生成变得越轻松，校验环节的分量就越重。所以ECX体系并没有让人退出研发，只是把人的位置从重复编码挪到了目标设定、价值判断和风险控制上。
AI原生软件的研发过程，拆开看有三个核心角色：提意图的（I，Intent）、做原型的（P，Prototype）、管工程落地的（L，Landing）。「小森邻」里青青一个人把I和P都兼了，专业程序员负责L；「AI科学家」项目中，何静副教授单枪匹马把I、P、L三个角色全包了。OPC（一人公司）模式眼下能真正立住，根子也在这里——AI技术赋能加上新型组织架构，两股力量合到一起才催出这个结果。
往后软件竞争，说到底是进化机制的竞争。软件工程正从「交付一款静态产品」转向「建立一套能够持续生成、验证和进化软件能力的生命系统」。
把目光从具体技术和工程上挪开，有个更大的命题绕不过去。几百年里撑着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」和「逃避现实的代价极其高昂」——正被「人工智能＋清洁能源＋机器人」这套闭环彻底打破。剧变当前，人类文明站到了决定命运的十字路口。
要是随波逐流，让技术垄断和算法惯性失控，社会就会滑向「高技术、低理性、强固化」的三层折叠深渊；反过来主动干预，用公共制度驯服技术野心，这同样是人类甩掉繁重生存奔波、走向「三层协同世界」的历史契机：
智能社会的地基上，最该防的其实是「温柔地被废掉」，物资匮乏反倒排在后面。商业算法若只认钱，毫秒级捕捉微表情的短视频流、永远顺着你的AI伴侣，就成了24小时不停投喂爽感的「电子子宫」。时间一长，大众负责逻辑推演和抗压的前额叶会成片退化。到那时就算发了「全民基本收入（UBI）」，也谈不上乌托邦——底层吃穿不愁，却在沉迷里把维护自身权益的社会议价权丢了个干净。
技术兜底，不等于精神缴械。正面前景得靠制度和文化建设去争：
-
给算法装上「防沉迷护栏」：用立法限制那种掠夺注意力的成瘾性设计，打破信息茧房，别让商业资本殖民公众的神经系统。 -
往「发展赋能」上使劲：把基本生活保障和社区公共参与、终身教育、线下文体活动绑在一起，让不再为生存焦虑的普通人吃饱之外，还有真实的社区连接和精神成长空间。
夹在中间的专业人士、超级个体和微型团队，面临的不是天然的黄金时代，而是遍地制度陷阱。最险的一滑，是变成「数字佃农」和「肉身背锅侠」：标准化脑力劳动被吞掉后，中层只能靠着顶层巨头的大模型接口（API）讨生活。巨头改一行参数、涨一次接口费，或者下次更新把某项功能收归官方，成千上万个小团队就一夜清零。更狠的是，等AI连审美和直觉都超过人，AI没有肉身、坐不了牢，中层人类剩下的唯一价值，可能就是在医疗事故、金融爆仓、工程坍塌的责任书上签字画押，当那个承担无限连带责任的「替罪羊」。
这种异化要破，中层力量得主动去争技术生态里的博弈权：
-
推开源、反垄断：支持开源模型和分布式算力，拆掉少数科技巨头对底层接口的生杀大权，把「租地种田」换成「自带农具」。 -
把「背锅的义务」翻成「掌舵的权力」：人类既然要为最终结果扛法律和道德责任，专业者就必须对黑箱算法有一票否决权和审查权。只要算法透明、安全底线守得住，那份只有血肉之躯才担得起的责任，就会变成任何超级算力都夺不走的最高指挥权。
顺着博弈论往下推，智能时代最该警惕的社会死锁，是「顶层算力寡头」和「底层沉迷大众」跨层合谋。对沉迷虚拟爽感的大众来说，发补贴、送免费娱乐的算力巨头是「大恩人」，中间那批想关掉短视频、逼人面对现实的清醒者，反倒成了最招人烦的说教者；对顶层寡头来说，温顺的底层最好管，要算法透明、想攥住独立算力的理性中层才最危险。
只要顶层垄断资本借底层多数选票，把中层的技术自主权合法收走，人类就会撞上难办的「洞穴拔电源悖论」：多数人心甘情愿留在暖和又逼真的虚拟洞穴里，外头的清醒者要怎样劝住他们，别把自己的电源拔了？靠高高在上的启蒙说教破这个死局，一点胜算都没有。能走的道只有一条：用行动把「真实连接」重新搭起来。
-
清醒者和创新者不能光想着自己突围，得放下精英的架子，把利益和大众绑在一起，拿技术去解普通人最在意的养老、医疗、教育、社区陪伴这些真问题，让大伙实打实感到「开放理性的技术」比「封闭的电子鸦片」更能带来长久的幸福。 -
人往虚拟洞穴里躲，多半是现实社会容错率太低。那就得建更宽容的社会安全网、更暖的线下社区，让普通人在现实里试错不至于赔光家底，真实世界才有可能重新赢回人心。
把这套模型放进中国的现实土壤，既有独特的结构性阵痛，也藏着破局的底气。三大现实挑战必须清醒面对：
-
头一桩是「做题家契约」急剧贬值：城市家庭花二十年心血，培养出「高准确率拟合标准答案」的应试脑力，在AI面前一夜间没了市场溢价，深层教育焦虑随之而来。第二桩是超级平台的挤压：巨头「全栈通吃」惯了，中小创新团队容易寸草不生。第三桩是精神内卷加低质泄压：只靠廉价物资兜底、再拿高浓度AI微短剧泄压，低成本稳定是能维持，全社会的创新活力却被悄悄耗光。
可中国手里也攥着一张全球独一份的王牌——国家统筹的「新基建与全产业链底座」。硅谷强在前沿算法，中国的底气在「最充沛的绿色电力与最庞大的实体制造躯干」。引导得当，一条很有韧性的正面路径完全走得通：
-
让「便宜的电与算力」赋能百业：特高压电网、绿色新能源、国家级算力枢纽、全门类制造业供应链都握在手里，只要严格规范平台垄断，这些超级基建就能变成千万中小企业都调得起的低成本「公共水电」。 -
教育也得从「刷题」转向「破题」：趁着标准答案贬值，把年轻一代从机械刷题里解放出来，去养好奇心、动手能力和解决复杂现实问题的本事。 -
还要升级「数字以工代赈」：基层半公共岗位别停在「网格化管理」，往养老照护、生态修复、文化传承、社区营造这些真能创造社会价值的暖事业上升级。
应试思维的转型阵痛一旦跨过去，中国几代人攒下的工程师红利和实干精神，就能借AI的东风，从「按标准答案解题」真正走到「向未知领域开疆拓土」。
普通人面对这套庞大的算法帝国，靠什么才能不被淘汰？清华沈阳教授给出的答案，藏在AI系统自身绕不过去的死穴里，叫作「模型自噬（Model Autophagy）」。
一旦全社会都在消费AI生成的内容，再拿这些二手合成数据去喂下一代AI，算法生态就会像近亲繁殖那样，迅速走向逻辑退化直至崩溃。换句话说，AI越强，就越离不开人类在真实物理世界里探索、试错换来的一手真实数据。虚拟世界没法自己闭环，真实世界才是算法活命的源头。
珠三角、长三角以及广大创新一线，恰恰握有全球最便宜的光伏储能、开源硬件和本地开源大模型，普通人由此获得了前所未有的物理底气。
-
技术自耕农化，说的是把工具攥在自己手里。普通极客和中小团队完全可以用廉价绿电、开源芯片加本地大模型，搭起一套断网也能独立运转、动手造物的本事，成为既看得懂前沿代码、又拿得起扳手解决实际问题的「现代墨家」。 -
心智上的护城河同样要锻造。算法泛滥的年代，主动去练大脑的专注力和逻辑力，是回报率最高的一笔自我投资。未来的护城河不在于你记住了多少免费知识，而在于能不能戒断算法投喂、坚持深度阅读、扛住枯燥与挫折、完成长链条的逻辑推演，这种自律才是关键。
【终局结语】悲观的结局，只留给那些彻底放弃思考、一味顺从的人。只要肯走出温暖的算法洞穴，去和真实物理世界碰撞，亲手创造并承担后果，人类就始终是这个智能时代真正的造物主与掌舵人。
