← #806

AI 不是在「想」得比数学家强，而是「记」得比数学家多

文章摘要

Davide Piffer 在 2026 年 8 月 4 日发表于 Substack（PifferPilfer）的这篇长文，提出了一个反主流的解释：当 AI 系统解出一道难的数学题时，通常的说法是「它变得更聪明了」——也许它吸收了数百万道数学例题，也许强化学习教会了它更好的推理策略，也许它开始发展出某种类似真正数学直觉的东西。这些解释可能都有部分真实。但它们都忽略了一个更简单的可能：AI 拥有远比人脑大得多的工作记忆。更精确地说，它拥有一个巨大的外部符号工作空间（external symbolic workspace），执行着人类工作记忆的许多功能。

数学受记忆约束。作者先建立前提：工作记忆是让我们在短时间内持有并操纵信息的心理系统。解方程时你必须记住每个变量代表什么、哪些运算已经做过、当前目标是什么；证明过程中你可能要同时追踪假设、中间引理、例外情况和多个可能的分支。人类的工作记忆极其有限——试着在脑子里做两个三位数相乘，底层运算都很简单，难的是在做后续计算的同时保住部分结果。把数字写下来改变了这个问题：纸并没有让你变聪明，它扩展了你的有效工作记忆。数学家使用记号、草稿纸、图示和先前写下的引理，不只是为了交流答案，而是为了让推理在认知上成为可能。专家靠「组块化」（chunking）来补偿——新手看到一长串符号，专家认出一个熟悉结构并把它当成单一概念对象——但组块化不消除上限，它只是压缩了信息。

关于工作记忆的实证证据。这一节是文章的经验支撑，作者引了四项研究：Alloway 与 Passolunghi（2011）考察了儿童的工作记忆、言语能力和数学技能，发现工作记忆指标对数学表现有独立于言语能力关联之外的贡献；Alloway 与 Alloway（2010）的六年纵向研究在儿童五岁时测量、六年后考察学业成就，发现早期工作记忆表现在纳入 IQ 之后仍能预测后来的读写与算术能力，而且工作记忆是比该研究所用 IQ 指标更强的预测因子；Blankenship 等（2015）报告工作记忆在统计控制 IQ 和年龄之后仍能解释数学流畅度与计算能力的独特变异；Friso-van den Bos 等（2013）的大型元分析在小学阶段研究中发现工作记忆与数学的一致关联，但关联强度随任务类型而变。作者自己压低了这些结论的分量：工作记忆和智力实质性重叠，统计控制无法完美地把它们分离成独立的心理机制，也不意味着商业化的工作记忆训练必然带来智力或数学上的大幅提升。较窄的结论才是重要的：在测得智力相近的儿童中，持有、更新与操纵信息的能力差异仍然能预测数学表现的差异。

上下文窗口是一个巨大的笔记本。作者明确指出上下文窗口不等同于人类工作记忆，更准确的理解是「一个巨大的外部笔记本，加上一套并不完美的搜索与利用机制」。这个区分很重要：人类拥有一种主动的内部记忆，可以默默选一个数字、在心里持有、变换它、替换成新值，全程不说也不写。标准语言模型在维持这种私有、连续更新的心理状态上要弱得多，它最稳定的记忆形式通常就是已经生成出来的 token 序列。如果模型写下 x=6，之后又写下 x+3=9，这些语句就留在上下文里，模型在生成下一步时可以重新注意它们。因此它的推理往往是外化的——文本不只是已完成思维过程的报告，文本本身就是推理得以发生的机制的一部分。人类用草稿纸做的是类似的事，主要差别在规模：没有辅助的人可能连同时保持五个不熟悉的条件都吃力，AI 可以显式地保住几十上百个。作者也承认长上下文中的每一项并不能被完美检索，模型会漏看相关信息、会走神、会丢细节，「宣传的上下文长度不等于可完美使用的记忆」。

为什么这对数学格外重要。上下文优势并非在每种推理中都同等有用。数学之所以特殊，是因为数学推理异常适合被翻译成显式符号：假设、定义、已知方程、当前目标、已证结果、已排除的分支、每一步保持有效的条件，几乎每个相关元素都能写下来；一旦写下就保持稳定——如果 x 在证明开头被定义为整数，除非证明显式改变定义，它就一直是整数；严格不等式不会因为情绪、语境或解读的变化而慢慢变成非严格不等式。作者举了个具体例子：某问题要求解题者记住 n 是奇数、p 是素数、x≠0，且论证的某一分支已经产生矛盾。一个人可能理解了基本策略，却在确立 x≠0 之前就除以了 x——这个错误未必源于智力不足，它可能只是记账（bookkeeping）的失败。AI 可以在每个阶段重述活跃约束，让上下文变成推理状态的一本总账。许多难题在开头附近包含一个深刻洞见，但之后还有大量不那么光彩的工作：展开表达式、逐例检查、把条件带过各种变换、确保最终结论与每一个先前假设兼容。机器不需要拥有比人更深的洞见就能在这里获得优势。

推理链长度。数学高度可组合，一个证明常可表示为 A→B→C→D；更大的工作空间允许模型在丢线索之前构造长得多的链条。一个人可能完全能理解 100 步论证中的每一个局部推断，却仍然无法独立生成整个论证——问题超出了他维持全局结构的能力。作者认为这可能解释了为什么额外的「思考时间」常常提升模型表现：看起来像更深的思考，有时可能只是在一个大得多的笔记本里做更宽的搜索。

非形式推理不是这样运作的。作者用一个反例划出边界：「玛丽亚为什么突然不回我消息了？」更大的上下文窗口也许让 AI 能检视多年的通信、识别语气、时间和用词的变化，但决定性的信息可能根本不在其中——也许她生气了、也许她在忙、也许她病了、也许她丢了手机、也许她在回避一个无关的问题。再多的记忆也无法检索从未被观察到的事实。挑战不是保住一组已知前提并推导后果，而是在隐藏原因不确定的情况下推理。非形式推理还严重依赖含义不稳定的概念——「公平」「成功」「负责」「有害」「聪明」这些词不具备数学变量的精确性，其含义取决于文化、目标和语境；一个模型可以记住讨论中的每一句话，同时仍然误解参与者的意思。政治分析、历史解读、商业战略和心理判断同理，那里的核心问题往往不是工作记忆容量，而是在证据不完整且含糊时识别正确的因果模型。

数学提供异常强的反馈。方程的解可以代回原式检验，恒等式可以数值求值，程序可以测试上百个情形，形式化证明助手可以逐条验证每个推断是否遵循被接受的规则——这为 AI 创造了理想环境。模型可以用上下文不仅产出答案，还记录替代方案、识别矛盾、纠正先前错误。在不那么形式化的领域，反馈弱得多：一个有说服力的历史解释可能无法被结论性地验证，一项商业战略可能几年后才知道对不对，一个心理学解读可能永远保持不确定——在这些领域，一个长而连贯的论证仍然可能完全错误。

这真的是工作记忆吗？ 作者主动提出并部分接受了这个反对意见。人类工作记忆不只是一个存储缓冲区，它涉及注意、抑制、连续更新和对内部表征的主动操纵；语言模型的上下文更被动，先前 token 保持固定，模型无法真的回到前面某一行把它替换掉，它只能在既有记录的条件下生成新 token。所以他给出的最准确描述是「增强的符号工作记忆」（augmented symbolic working memory）：模型在某些方面的私有心理记忆比人弱，但在另一些方面的显式记忆远比人强。人类更擅长默默维持一个小的内部状态，AI 更擅长在一份巨大的书面记录上操作。而对数学而言，第二种能力常常更有价值——形式推理并不要求每个相关状态保持私密，恰恰相反，数学在假设和中间步骤被显式化时会变得更好。AI 那个看似的弱点——它倾向于「出声思考」——在领域本身由书面符号构成时反而成了优势。

智力还是认知架构？ 作者提出一个思想实验：给两个人同一道数学题，一个必须完全在脑子里解，另一个得到无限纸张、完美的笔记、对每一次先前计算的即时访问、并行尝试若干路径的能力、以及一台检查每个结果的机器。如果第二个人赢了，我们不会必然断定他拥有更强的原始数学智力，我们更可能断定他拥有一个远更适合这项任务的认知架构。同样的谨慎应当适用于人机比较。AI 的表现是若干因素的乘积：数学知识、推理能力、记忆容量、搜索、验证。我们倾向于聚焦推理，因为它在哲学上最令人兴奋，但记忆可能承担了远比我们意识到的更多的工作。

一个可检验的预测。作者把假说落成了可反驳的形式。AI 的优势应当在以下类型的问题上最大：许多相互作用的约束、长计算、大量分类讨论、反复引用先前结果、精确的符号记账、庞大的形式定义体系。其优势应当在依赖一次短的概念飞跃的问题上更小——当核心挑战是为问题找到一种全新表示时，一位杰出的数学家可能仍然胜过 AI；但一旦那个表示被找到，AI 可能在探索它的全部推论上更优。该假说还预测：削减模型可用的上下文、或禁止它写下中间步骤，应当不成比例地损害它在长数学任务上的表现；反过来，用清晰记号、图示、软件和结构化笔记扩展人类的外部记忆，应当缩小一部分差距。因此最公平的比较也许不是 AI 对上一个不借助工具思考的人，而是AI 带着它的工具，对上一个拥有同等强大外部记忆与验证系统的人。

结尾的类比：作者引用物理学家 Eugene Wigner——他同时认识冯·诺依曼和爱因斯坦——写下的评价：他从未遇到过像冯·诺依曼那样「快而敏锐」的头脑，冯·诺依曼能吸收海量信息、跟随极其复杂的论证、以惊人速度在数学分支间穿行；然而 Wigner 仍然认为爱因斯坦的理解更深、更具穿透力、更原创。冯·诺依曼可能有更强的原始智力处理能力，但爱因斯坦更可能重新概念化问题本身。作者认为今天的 AI 更像第一组能力的机器放大版：极快、极广、能保存与操纵巨量显式信息，能搜索大量可能性、记住长推导链、以任何无辅助人类都无法匹敌的规模执行形式推理——但这不必然意味着它拥有爱因斯坦式的深度，即抛弃既有框架、找出隐藏的概念错误、发明一种根本上全新的观察实在方式的能力。他也提醒这个类比不该被推太远——冯·诺依曼本人也是极其原创的思想家，不只是个快速计算器。最后一句是他给出的门槛：下一个真正的临界点，不是 AI 比人更快地解出现有问题，而是 AI 能认出一个问题被表述错了，并发明一种根本上更好的理解方式。

HN 评论精华

这条帖子 633 分、519 条评论，是本组中讨论规模最大的一条。需要说明的是：讨论有很大一部分偏离了文章的核心论点，主要分岔成三条支线——一是「AI 会不会产出人类原则上无法理解的证明，那还有价值吗」（这条最长，围绕 Terence Tao 的观点展开），二是「工作记忆到底算不算思考的一部分」（这是唯一正面回应原文标题的一条），三是从「具身智能能否做实验」一路跑偏到人形机器人对不对、章鱼形状的机器人是不是更好，跟数学完全没关系。另外有相当多的评论在攻击文章的行文风格（「不是 X，而是 Y」的 AI 化标题）和作者本人的背景。

keeda 给出了最切题、也最有力的反驳，直接不同意标题和结论：他不会把「思考过程中引用工作记忆」称为「记忆」，而认为它就是思考本身的一部分——工作记忆是 RAM，长期记忆是那个大得多但延迟更高的索引数据库；照此说来 AI 是在out-thinking（想得更强）我们，即使方式是暴力的。他认为真正能说 AI「记得比我们多」的地方在别处：它能审视编码在权重里、从基本上所有人类学科采集来的浩瀚模式宇宙，从而画出人类画不出的连接（除非那个人恰好横跨多个学科）。他还指出冯·诺依曼/爱因斯坦的类比也有点偏：按文章自己的描述，冯·诺依曼才更像 AI 的做法；而爱因斯坦的过人之处并非记忆，而是从根本不同的视角看事情的能力——至于 LLM 能不能做到这一点，「目前我不认为我们可以断然下结论」。
ComplexSystems 补上了原文遗漏的一个维度：这还是「out-brute-forcing」（暴力更强）——它永远不会累。如果一位数学家选定一个研究方向、投入一整周没成，他很可能会烦躁、需要休息一阵；而这东西从不疲倦、从不沮丧、从不在乎，只是不停地换下一个直到有东西成功。（thaumasiotes 挑刺说「一周」的时间尺度太不进取，没人指望一周工作就有重大进展；bananaflag 自称数学家，回了一句「你低估了我的 ADHD」。）philipfweiss 提出了另一个结构性差异：人类数学家只发表正面结果，教授的抽屉里可能塞满了「负面结果」，但激励机制和带宽让发表这些有用的结果变得不可能；而 AI agent 没有这种限制，可以轻松发表并复用负面轨迹，他还指向了 theoremdb.org 这样的项目。
hibikir 写了评论区最诚实的一段自省，实际上支持了原文的论点：他怀疑我们称之为「非常聪明」的东西，很大程度上最终就是比周围人「记得更多」。回顾自己软件生涯里那些被别人视为高绩效的时刻，来源无非两种——要么是比别人有更多精力去啃一个他们觉得不值得麻烦的问题，要么就是从以前的工作或自学里搬回某个随机知识并用在手头问题上。「我不认为我这辈子有过一个真正原创的想法。把 A 和 B 组合起来，而人们很少同时知道 A 和 B。」从这个角度看，LLM 做的基本是同一件事。有时他比 LLM 快，因为他的上下文组织得更好，但通常 LLM 只需要他一个提示就能自己纠正方向——它声称某处是内存泄漏，他嗅到不对劲、建议它顺便查一下垃圾回收统计，于是清楚了这不是泄漏而是调优错误，而在调优这件事上 LLM 比他强，因为它比他有精力。DoesntMatter22 附议：这对天才大体上也成立——不是爱因斯坦那种，而是十岁高中毕业的那种神童；如果你能读一遍就记住几乎所有东西，那对所有需要死记硬背的人就是巨大的领先；哪怕在辩论中，一个人只要能记住大量事实和数字，另一方即使正确也会显得不聪明。
doginasuit 说「超人的工作记忆」正是他一直用来描述 LLM 优势的说法，并配上了一个平衡的判断：它与推理和判断的不可靠性配在一起，使 AI 成为人类智能的补充而非替代——LLM 会犯随机错误、做错误选择，并且偏向写更多代码而不是更少；你可以用另一个 LLM 跑它的输出来部分补偿，但收益迅速递减。smj-edison 在下面给出了本帖最具体的技术观察：LLM 很不擅长他称之为「抽象压缩」的事情——注意到什么时候需要一个辅助函数、什么时候某个略有差异地重复了五次的结构可以变成一个 struct、什么时候一整段代码可以被封装成更简单的设计。他自己的副业项目（一个解释器）全是手写，所以一年下来在脑子里建起了它的设计，边琢磨边想出更简单的方案；而用 Opus 5（以及 LLM 总体）反而让他自己在这方面变差了，因为他不再感到反复写同样东西的痛。Animats 从另一侧说了同一件事：这就是 LLM 编程的方式，也是为什么 LLM 不像人那样需要抽象和简约——它们能在不先做简化的情况下处理复杂的东西；这有尚未被充分意识到的重大影响，数学侧是长长的机器生成证明，代码侧是大量相似代码不被折叠成函数的高体量代码。breadzeppelin__ 提供了一个具体案例：他花了几周生成一个大代码库，然后跑了个代码重复报告，接下来一整周就在去重——比如有 11 个不同的函数都在做「给日期加 x 天」的日期运算，还有几十项类似的重复。nextaccountic 补了一个反向的动力学：绿地项目 LLM 不需要抽象，但项目一复杂，正确的抽象就能省下大量输入 token（要读的代码更少）和推理 token（搞懂代码的工作更少），从而为更高层的目的腾出上下文窗口。
d–b 提出了本帖被讨论最多的忧虑：一旦 AI 做出需要上百项工作记忆的论证，我们人类就没有办法理解这些论证了；我们能分解、能写下来，但只能到某个程度；当 AI 的工作记忆跨越数百本书时，我们就必然只能信任这个系统。logicchains 反驳这不成立：我们仍然可以通过研究它、把它全部记进长期记忆来理解，只是耗时更久；而且 LLM 的工作记忆有硬上限，因为全注意力层的二次缩放成本对所有 SOTA 模型都无法逃脱。flatline 的反驳更有内容：这就是我们有抽象层级的原因——几乎每个数学分支都依赖构建记号、模型和其他工具来以可验证的方式简化事物，LLM 依赖的是同一套基本技术，只是能同时从更多种抽象里取用；到目前为止我们理解它们的证明都还挺好，反倒是过去依赖暴力枚举的计算机辅助证明才是出问题的地方。
「不可理解的证明有无价值」这条支线最长。a2ff6eeb0 抛出了极端立场：AI 会产出远超人类理解能力的精巧证明，「人类理解事物的时代即将结束：我们的大脑将不再有能力对科学、数学或技术做出有意义的贡献」。chongli 用一整串对话把这个立场逼到了墙角：他引用 Terence Tao 的观点——证明不是贡献，共享的理解才是；这个问题在四色定理被证明时就已经提出过，机器证明和机器验证是有用的工具，但没有解释性工作和建立共享理解所必需的交流，它们什么都不意味着。当 a2ff6eeb0 拿「有多少人能完整理解 Linux 内核」「你读懂薛定谔的原论文了吗」来类比时，chongli 指出这是移动球门：所有这些东西都被某个人理解，而那份理解正是其价值的来源；他要求对方给出一个「原则上不可能被任何人类理解、却有价值」的例子，对方最终承认不存在这样的东西。chongli 的收尾是评论区最锋利的一句：在智力劳动上，理解 == 价值；如果数学家产出了不可理解的东西，那它就没有价值、就是无意义的、与随机噪声不可区分；一个产出不可理解文本的 AI 就是在产出零价值——「我们不需要在 LLM 上花几万亿美元才能搞明白这一点，马尔可夫链就能完美地干这活」。bluefirebrand 补了一句要点：「不是很多人完全理解某些东西」跟「人类心智根本无法理解某些 AI 将替我们理解的东西」是天差地别的两回事。fsmv 从数学本身给出反驳：写证明的全部意义在于推进人类理解，一堆能通过 Lean 编译器的符号，除了被人类理解之外毫无意义。pfdietz 则站在另一边：证明也让 AI 能够引导搜索、生成知识，可验证性对于让 AI 保持接地极其有用——可以想象 AI 生成海量假设然后逐个证明或反驳，再从这些数据里挖掘新的抽象和启发式。cauch 把 Tao 的论点讲得最清楚：所谓「共享理解」指的不是数学家和普通人之间的共享，而是数学家之间的；重点不是「提供解释」，而是「创造一个共享理解的人类网络」——LLM 可以给人讲解，但你仍然需要人；这个网络的根本作用是产生信任、责任和可靠性，「生成有用的新定理」在社会没有建立起把它与假定理区分开的信任之前是无用的。他打的比方是：说 LLM 是好厨师、在太空里生成了大量食物，但请厨师的意义在于人能吃到食物而不至于饿死。
light_hue_1 提出了一个简洁而重要的框架：存在一定量的「余量」（slack）——那些是我们已发现之物的显然推论、但我们还没去利用的东西。AI 正在收割这份余量，它目前并没有在添加全新的想法，而我们会相当快地把这份余量用完。EA-3167 表达了类似判断：关键在于它依赖的是人类无法把相关知识总和连起来的这个缺陷，而那些知识本身来自人类；会有一段机器学习能围收低垂果实的丰收期，之后他怀疑它会时断时续地作为一个「连接制造者」而非某种证明生产者。alienbaby 用金字塔作比：最终它会把我们知道的所有东西都串起来、把我们本可以知道的都找出来，然后……或许就无法真正产出全新的东西了。
re-framer 贡献了唯一一条有文献支撑的补充，也几乎是对原文的独立印证：他想起 Michael Nielsen 的《Augmenting Long-Term Memory》，其中的论点是——许多人以为顶尖数学家聪明到能在头脑中处理极复杂的想法，即「引擎马力更大」；但按 Simon 的说法，另一种解释是许多顶尖数学家通过艰苦工作内化了远多于普通人的复杂数学组块，于是在其余人看来极复杂的数学情境在他们看来非常简单。这不是马力更大，而是先前的学习给了他们更好的组块化能力。他自己在一次数学课上试过 Nielsen 的 Anki 方法，每次重看一张关于某个引理的卡片都会注意到新东西，很多引理随时间变得流畅得多。
jiggawatts 提供了本帖唯一一份第一手实验记录：他看到 AI 最近在数学猜想上的表现后，决定试试理论物理，把一些「民科」想法扔给 GPT 5.6 Ultra，烧掉了大半周的 Pro 订阅额度。他的评价是——只要你要求它使用对抗性 agent 并给出诚实的自我评分，产出可以与一位聪明但不算出众的博士竞争；不富想象力，但它在最细小的事情上投入的努力量令人惊叹。他认为 GPT 确实通过暴力梳理 arXiv 上数百篇论文发现了某种真正新的东西：从夸克质量的一个公式里提取出一个新「常数」，在单圈层级似乎恰好等于 3/4，在两圈及更高有各种修正。他自己界定了这个「新」的含义——它在某篇论文里找到了一个模糊相似的公式，而原作者只是错失了从夸克质量提取一个简单比值的机会，AI 又结合了它在后续论文里找到的更新常数，从而猜到这可能正好是 3/4。他的总结是：「这就是机械化注意力的超能力」——我们产出的科学与数学成果多到荒谬，远超任何单个人类心智能够大致知晓的程度，现在我们可以把所有做好的拼图碎片刮到一起，看看哪些能拼上。
对文章本身和作者的攻击也占了不小篇幅。bewareofscams 一句「『不是 X，而是 Y』的热门看法 AI 垃圾」拿到高热度；mrob 说他不必打开文章就能确信它不值得读，任何懂这个领域的人都该熟悉 AI 写作的特征标记及其传达的信息，把标题改成「AI beats mathematicians by out-remembering, not out-thinking」只需几秒钟思考，不这么做就是在标榜懒惰。mschuster91 抓住「但组块化不消除上限，它只是压缩了信息」这句说这至少是被 AI 润色过的。MelonArmiger 提醒发帖前值得查一下站点历史——「写这个的人看起来是某种『种族科学』的怪人」，AnodicElegy 附上了链接称该作者曾公开声称自己有 ESP（超感官知觉），aeve890 补了一句「公平地说，他从 2014 年就在搞这套了，早于 LLM，所以他是个真货，一个全职怪人」。user982 在最上面提了个元问题：这篇帖子怎么会在提交后两分钟、只有 1 个赞的情况下就上了首页第 5 位？dgellow 说 HN 就是这样，他自己的提交多年来也遇到过多次，有时很快被捞起来有时不会，也可能极快地降权，取决于互动的程度和类型。
少数几条简短但一针见血的回应：enquirewithin 反问「这地球上还有谁不认为『思考』也包含记忆？」vmilner 在下面补充说，有令人沮丧数量的人把学乘法表这类东西贬为「死记硬背」，而不是把它当作解放大脑去做别的事的力量倍增器。kardianos 说这正是过去教育从死记硬背开始的原因——功能性的智力不是抽象的，它建立在你能快速回忆的有用信息之上。amelius 反过来说：更简单的解释是工作记忆是智力的必要条件，更大的工作记忆会让你更聪明，因此 AI 确实可以比数学家更聪明。mcv 描述了自己的实用分工：他不觉得任何 AI 模型特别聪明，但它们读的东西比他一生所能读的多几个数量级，所以他专门用它们处理「我怀疑外面有人知道、但我不知道」的事情；而当他做真正新的东西时，模型很少能理解他在干什么，他只能自己来。fooker 提了一个原文没有的角度：这漏掉了一个要点，重要的不只是记得更多，而是广度——数学家追求的是深度，在数学的一个窄领域之外成为专家基本不可能，而 AI 正欣然地把技术和抽象跨越这些孤岛来应用。（soupspaces 反问「欧拉想说两句」，traes 的回应很有意思：欧拉的时代数学还没有深度，深度是他造出来的；按他的记忆，欧拉在技术层面对分析的理解还不如一个现代本科生，他曾自信地认为所有光滑函数都是解析的——他有惊人的直觉并靠信任它取得巨大进展，但在一个领域度过婴儿期之后，玩弄你不理解的工具就不再有效了。）