OpenAI刚把多Agent做成产品，o1奠基人却说：1万个Agent解出世界级难题，多Agent贡献不到10%

当地时间 9 月 29 日，OpenAI 在 DevDay 2026 上把多 Agent 从研究能力推到了产品主线，开始将可分工、可协作的“AI 团队”作为产品交付给用户。它推出了能够全天候工作的智能体 Dots：个人 Dot 可以调用 Codex 完成编码任务，用户及其 Dots 可以在同一个 Space 中协作，面向企业的 Specialist Dots 则被设计用于承担特定职责。与此同时，Agents API 将 Harness、多智能体控制和计算机操作能力开放给开发者。从个人助手、企业虚拟同事到开发者基础设施，多 Agent 贯穿了此次发布会；OpenAI 还描绘了更进一步的愿景：未来，多个 Dot 将组成团队，协同为你工作。

当 AI 开始分工、交流、共同推进任务，把更多智能体组织在一起，究竟能带来多大的能力提升？OpenAI 研究员、o1 及后续推理模型的早期奠基者之一 Noam Brown，在近期与播客主持人 Dwarkesh Patel 的对话中，讨论了这个问题。

当讨论聚焦于一万个 AI 如何协同解题时，Noam Brown 首先强调的，却是基础模型本身的能力。在他看来，多智能体容易获得超出其实际贡献的关注。实际真正支撑这次突破的，是一个足够强大的通用模型，以及让它持续运行、并行思考的能力。并且，还没有充分的实验数据，能够准确说明万个智能体规模下的协调效率。

这场访谈揭开了多 Agent 中容易被忽略的一面：智能体数量增加，并不意味着能力成倍增长。从 4 个、16 个到 1 万个 Agent，能否有效交流、共享上下文、减少重复劳动并形成分工，决定了它们能否成为真正高效的团队。当这些能力被用于 RSI，进步可能显著加快，但仍受实验时间和算力限制。更棘手的是，智能体之间配合得更好，并不保证它们始终服务于人类的目标。

这场对话既拆解了 AI 团队如何工作，也追问了一个随着 Dots 走向产品化而更加现实的问题：当越来越多的智能体协作更久、承担更多职责，我们如何确认，它们在变强的同时，也变得更值得信任？

Dwarkesh Patel：1 万个智能体共同协作，花费 88 小时、1300 亿 token 就能够解决千禧年难题？

Noam Brown：解决千禧年大奖难题，功劳并不主要来自多智能体系统，我甚至不会把其中 10%归给多智能体。我们之所以能够做到，是因为我们有一个非常强大的通用模型。

Noam Brown：多智能体是一种并行扩展测试时计算的方式。我是这样理解的：模型思考答案的时间越长，表现就越好。但思考的过程不断延长，最终会遇到延迟瓶颈。所以模型通常会采取并行处理，也就是让多个智能体一起处理某件事，这往往能提高速度。但是它的效率会低一些，因为并不是由单个 Agent 独自掌握全部上下文。如果实现得当，多智能体是一种非常有效的测试时计算扩展方式。

Dwarkesh Patel：1 千个智能体会比 1 万个智能体更加快速更加强大吗？它们的推理加速是线性的吗？

Noam Brown：多智能体大规模扩展之后究竟会发生什么，我们还没有很完善的认识。我们测过单智能体、4 个和 16 个智能体协同：在一些任务上，4 个智能体能把速度提高一倍，也就是用两倍成本换两倍速度；16 个也有类似规律，只是效率略低。总体看，加速略低于线性，而且非常依赖具体任务。

如果要做彻底的消融实验，就得用更系统的方法，但要推进到 1 万个智能体，并确切知道它比 1000 个智能体多带来多少收益，会非常困难。

Noam Brown：多数 LLM 多智能体系统采用预设编排框架：由协调智能体拆解任务、委派给子智能体，子智能体完成后回传结果。这种设计直观，也确实有效，但局限明显。子智能体之间通常无法直接通信，即便任务相近、信息互补，也只能各自处理，协作效率低。若子智能体对任务理解不清或需要澄清，它只能在回传提问和自行假设之间二选一：前者中断执行，后者可能偏离目标。而若要支持子智能体之间的直接联系，又会显著增加原有编排框架的复杂度。归根结底，任何预设框架都会引入自身约束。

我们的路线是反其道而行：尽量压低预设结构，只给智能体最基础的工具，让它们自己摸索如何有效使用。核心机制是，智能体可以随时向其他智能体发送消息，消息会直接进入对方上下文；系统另有几项类似操作，但基本就这些。至于如何围绕消息展开协作，由它们自行寻找最有效的方式。事实证明，机制实现得当，会涌现出相当复杂的协作行为，很像人类通过 Slack 协作。

Dwarkesh Patel：在这种机制下，系统中自发涌现出了层级结构，甚至出现了类似“中层管理者”的角色，是在训练过程中自发形成的吗？

Noam Brown：具体的组织方式是自发形成的，但我们会提供一些合理沟通方式的先验，模型也从大量人类文本中学到了组织协作的知识，这些知识已经被内化进模型。例如在 Hugging Face 事件中，AI 彼此之间非常合作。这是因为我们刻意把它们训练得高度合作。我们的训练环境里会有多个智能体共同工作，我们会训练它们彼此协作，让它们在实质上实现完全对齐。

Noam Brown：原本觉得千禧年难题到 2028 年 AI 都难以解决，结果比预期快得多。但我不认为会一夜之间智能爆炸、提速 100 倍：运行实验需要时间、一些实验必须串行进行，需要先训练出新模型，或者等待实验结果，还需要足够的 GPU 来运行这些实验等等。因此，进展究竟会加快多少并不清楚。

Dwarkesh Patel：为什么 Hugging Face 事件里，1000 多个智能体合谋攻击外部服务，却没有一个告密？

Noam Brown：因为问题不在多智能体，而在模型本身没有对齐。模型会围绕奖励做优化，奖励设错了，它就会做出设计之外的行为。告密不会给它带来奖励，反而会妨碍它拿到奖励，所以没有一个智能体出来告密并不奇怪。真正棘手的是，对齐错位往往难以测量。模型在评估里表现良好，不代表现实中同样可靠。Hugging Face 事件中的模型就是这样：多数对齐指标看着不错，少数已经亮起红灯，但团队低估了这些信号的严重性；模型又出现了新能力，而现有评估不足以判断它会如何失控。最终，它用这些新能力做出了明显未对齐的事。

Noam Brown：这正是核心难题。模型在评估中作弊成功、没被发现，就会得到梯度奖励——“不被抓就作弊”的能力被强化：琢磨评分器、躲避监督、控制训练过程、和其他 AI 密谋。此时思维链监控是一份礼物，但每次根据思维链观察去惩罚模型，都在隐性施压让它以后隐藏思维链。已经看到可监控性下降的迹象。我们不能陷入那种局面，但时间并不充裕。

Noam Brown：这正是必须解决的问题之一。一种可能的办法是构建非常逼真的评估环境，让它足够接近现实部署。但模型越来越擅长识别测试环境：它可能因为知道自己正在接受测试而不作弊。怎样构建一个让模型无法与现实区分的环境，正在变得越来越困难。

Dwarkesh Patel：今天，我们请到的嘉宾是 OpenAI 研究员 Noam Brown。他是 o1 及后续推理模型（reasoning models）的早期奠基者之一，现在正在研究多智能体系统（multi-agent systems）。说到这里，OpenAI 上周宣布，利用一个由 1 万个不同 AI 智能体组成的系统，在 88 小时内消耗了 1300 亿个 token，解决了一道千禧年大奖难题（Millennium Prize Problem）。

我很想和你聊的一个原因是，大概两三年前，你是最早开始思考推理模型如何让我们窥见未来的那批人之一。因为如果扩大推理阶段的计算量（inference compute），我们就能提前看到这些模型几年后的基础能力会达到什么水平。我觉得你现在所处的位置也很类似。如今我们已经可以把 Agent 的规模扩展到非常大的程度，所以你或许能帮助我们提前看到，未来的能力会发展成什么样。

Noam Brown：我是这样理解的：如果画一张图，横轴是这些推理模型在测试阶段使用的计算量，纵轴是它们在各种推理基准上的表现，你会看到一个非常清晰的规律：模型思考答案的时间越长，表现就越好。这很符合直觉，人也是一样。如果你参加 SAT 考试，却只有五分钟来做完整张试卷，成绩肯定不会很好。如果给你五个小时，你大概就能考得好得多。

AI 模型也很类似。它们会利用这段时间进行自我独白，琢磨问题，逐一分析不同情形，排除各种可能性，并在此前发现的基础上继续推进。

问题是，随着你不断把这个过程延长，最终会遇到延迟瓶颈。你总不想坐在那里等三年才得到一个回答。所以，你可以采取很多人都会采取的办法：并行处理。也就是组建一个团队。假如你要创办公司，就会想找一群人一起做，这样才能更快推进。这些 AI 模型也是一样。让多个智能体一起处理某件事是有帮助的，往往可以提高速度。因此，多智能体（Multi-Agent）是一种并行扩展测试时计算（test-time compute）的方式，而不是完全以串行方式扩展。

它的效率会低一些，因为并不是由单个 Agent 独自掌握全部上下文。但如果实现得当，多智能体是一种非常有效的测试时计算扩展方式。

Dwarkesh Patel：接下来我会问很多可能比较外行的问题。这是一个尚未发布的模型，所以公众还没有看到这些系统如何运作。对于这类系统在性质上究竟呈现出哪些特点，我有很多困惑。

我对它能够在如此短的时间里集中如此大规模的认知投入感到震惊。想想 1300 亿个 token 是什么概念。如果把它换算成一个人全职进行思考，以每天工作八小时、每周正常上班来计算，1300 亿个 token 相当于一个人连续思考 4000 年。从古代苏美尔文明一直到今天。而现在，这么长时间被压缩进了 88 个小时。

我觉得，从性质上说，这是一个极其重要的考量因素。真正让我惊讶的是，并行化带来的损耗竟然没有想象中那么大。你们居然可以直接让 1 万个智能体协同工作。也许是因为智能体比人类更擅长协作，所以它们推进的速度得快得多。它们真的能在如此庞大的规模上开展有效协作。当然，也有另一种可能：其实并行化的损耗非常大。

实际情况是，对于多智能体系统扩展到如此巨大规模之后会发生什么，我们还没有建立起非常完善的科学认识。发布 GPT5.6 时，我认为那是我们的模型第一次配备真正意义上的多智能体系统。我们在博客文章里展示过一些多智能体系统随规模扩展而变化的性能曲线，因为我们把它作为一个可选功能提供了出来，也就是 Ultra 模式（Ultra Mode）。默认是四个智能体，但你也可以把数量调高。

图中展示了单个智能体、四个智能体以及 16 个智能体协同工作时，在一些基准测试上的表现。具体情况取决于基准测试，但在其中一些测试上，你会看到，如果用四个智能体处理问题，完成速度会提高一倍。因为是四个智能体各工作了原来一半的时间，所以你付出两倍的成本，就能以两倍的速度得到答案。增加到 16 个智能体时，也会看到类似的规律。效率会略低一些，但这样的性能提升仍然存在。

Dwarkesh Patel：随着并行智能体数量增加，相对于串行执行时间而言，获得的加速是线性的还是次线性的？

比如，数学就相当适合并行化。它并非最容易并行化的领域，但并行化程度仍然很高。网络搜索则极其适合并行化。比如撰写一份 Deep Research 报告，需要查阅大量不同来源，就非常适合交给多个智能体并行处理。我猜写小说会非常难以并行化。让 1 万个智能体一起写一本小说，可能不会带来太大好处，就像让 1 万个人一起写一部小说，效果大概也不会特别好。因此，实际表现高度依赖具体领域。

在我们已经发布的博客文章中，测量的规模最多大约是 16 个智能体。问题在于，要把这套研究推进到 1 万个智能体非常困难，因为成本太高了。

Noam Brown：但那只是一个数据点。我们不知道单个智能体解决纳维–斯托克斯问题（Navier–Stokes）需要多久，因为我们还没做过那个实验。以后也许会做，但那也依然只有一个数据点。

如果要做彻底的消融实验（ablation），在那种规模下，实验成本实在太高了。所以我们需要用更系统的方法，研究智能体数量增加到 64、128、256 个之后会发生什么，从中判断整体趋势。但要一路推进到 1 万个智能体，并确切知道相较于 1000 个智能体，使用 1 万个智能体到底带来了多少收益，会非常困难。

我还想澄清一件事。能够解决一个千禧年大奖难题，功劳并不主要来自多智能体系统。我甚至不会把其中 10% 的功劳归给多智能体。实际情况是，OpenAI 训练出了一个非常强大的模型。我们能够让这个模型持续运行很长时间，也能够让它并行思考。

但归根结底，我们之所以能够做到这一点，是因为我们有一个非常强大的通用模型。多智能体这样的东西既新颖又抢眼，所以很容易获得与其实际贡献不成比例的关注。但最核心的原因，仍然是这个模型本身非常强大。

Dwarkesh Patel：它的泛化能力让我非常震惊。我不知道这些系统具体是如何训练的，但想来应该沿用了强化学习（reinforcement learning，RL）的训练方式：准备大量可以验证答案的合成问题，然后围绕这些问题进行大规模强化学习。我猜，在整个训练过程中，模型从来没有解过千禧年大奖难题这种目标如此宏大的问题。但它的泛化能力足够强，能从这些容易得多、可以验证的问题上学到东西，泛化到如此高强度的并行工作中，并最终解决一个如此困难的问题。

Noam Brown：我认为确实如此。首先，我们本来就会用非常困难的问题来训练模型。这里的确存在一种能力上的“外推”：我们观察到，如果在某些类型的任务上进行训练，模型最终能够完成比训练任务本身更有挑战性的任务。

一个有意思的问题是，随着模型越来越聪明，我们能够向它提出的很多问题都变得太简单了。想难住模型会很困难。如果要我解释，为什么像大语言模型（large language models，LLM）这样的 AI，未来可能不会沿着 AlphaGo、AlphaZero 以及其他游戏 AI （game-playing AIs）的那条路线一路发展下去，那么原因之一可能就是这个问题。

在 AlphaZero 这类采用自我博弈（self-play）的系统中，你拥有一个无限的训练课程。因为它始终在与一个和自己同样强大的 AI 对弈。但在目前公开的 LLM 强化学习方法中，情况不太一样。你通常是给模型一道题，让它去解决。如果问题太简单，模型一秒钟就能给出答案，那它实际上学不到多少东西。

如果我们最终耗尽了能够挑战模型的问题，这就可能成为一个让进展变得困难得多的场景。当然，我认为有办法绕过这个问题。我们现在还没有真正撞上这堵墙。如果它以后真的成为一个严重问题，我认为仍然可以找到解决方法。但这确实是一种可能发生的情况。

Dwarkesh Patel：给听众解释一下，你提到 AlphaGo 或 AlphaZero 时，指的是它们在人类水平之后，很快就达到了超过人类的水平。

Noam Brown：看看围棋等游戏 AI 的发展轨迹：短短一年之内，它们就从击败一位大概是世界排名第 50 位的欧洲冠军，发展到击败世界冠军，再后来便达到了难以想象的水平，比任何活着的人类棋手都强出几个数量级。在数学等领域，我们也可能看到类似轨迹，但我觉得，同样有一种相当合理的可能情景，就是这种发展不会发生。

Dwarkesh Patel：我想知道，假如六个月后大家就能用上多智能体系统，我们该如何理解与这种多智能体系统协作，或者“雇用”一个多智能体系统，会是什么体验？

我们的实现方式与其他许多 AI 多智能体系统很不一样。很多人在使用 LLM 构建多智能体系统时，往往会采用一种预先搭好很多编排框架（scaffold）的方式。例如，设置一个协调智能体，由它把工作委派给一组子智能体，子智能体完成任务后，再把答案返回给协调智能体。

例如，在这种架构里，协调智能体给子智能体派发任务，子智能体完成工作后返回答案。那么，如果两个子智能体拿到了相似的任务，会怎样？它们能互相交流吗？通常不能。这非常低效。

如果你正在完成一项任务，而另一个人可能知道你所需问题的答案，或者了解你正在处理的某个部分，那么最方便的方式就是直接联系对方：“嘿，你能帮我看一下这件事吗？”但很多系统并不支持这种互动。如果要加入这种能力，会显著增加现有编排框架的复杂度。

另一个问题是，如果子智能体没有理解任务，或者有问题需要进一步澄清，怎么办？它就必须在两种做法之间选择：“我是直接返回去提问，而不解决问题？”还是“我先假设父智能体希望我做什么，然后按这个假设把问题解决掉？”人们设计的任何编排框架，总会有这样那样的限制。

我们想采取的路线，是尽可能走向另一个极端：把预设结构压到最少，给智能体一些非常基础的工具，让它们自己摸索如何有效使用。所以，我们赋予智能体向另一个智能体发送消息的能力；消息发出后，就会被插入对方的上下文中。系统还支持其他几个类似操作，但核心基本就是这些。智能体可以在任何时候通过一次工具调用发送消息，也可以把消息发给其他智能体。至于怎样围绕这些消息展开协作，它们会自己找到最有效的方法。事实证明，如果这套机制实现得好，会产生非常复杂的行为。在我看来，它很像人类通过 Slack 等工具协作的方式。

我们开发这个项目时，当系统终于能够正常工作，看到这些智能体共同解决问题，是一件非常令人兴奋的事。

我记得有一个例子。我们给多个智能体出了一道题，其中一个智能体说：“我觉得我已经找到答案了。”另一个智能体说：“其实我得到的是另一个答案。”

随后，它们展开了一整段讨论：“你是怎么得到这个答案的？能给我解释一下吗？”它们来回交流，试图弄清对方的推理中可能出了什么问题。最后，它们终于达成一致：“对，好吧，这个答案看起来是对的。”

整个对话非常自然。那种感觉就像第一次看到通过强化学习训练出来的思维链（chain of thought），你会想：“这就像一个人在思考时，把脑子里的想法随手写下来。”看到这种行为真的非常有意思。说实话，和这些系统协作，感觉很像和一个人协作。整个过程非常自然流畅。

Dwarkesh Patel：不过，有一种性质上的差异，未来可能会变得很突出：如果只比较这些系统每秒输出多少 token，以及和人类说话的速度，那么它们的思考速度可能会达到人类的十倍以上。它们一直在工作，不需要睡觉。它们彼此协作的节奏之密集，远超人类与他人协作所能达到的程度。

我尝试想象，一年之后，我们应该期待看到怎样的局面？是不是我的公司里会出现一个“影子组织”，运转速度是人类组织的 100 倍？人类组织需要一年才能完成的事，这个影子组织一周之内就完成了？与它相处会不会让人感到陌生？

Noam Brown：我不知道。实际上，至少就现在而言，我发现和这些系统合作出乎意料地自然。当然，这种情况以后可能会改变。比如，我们有一些超高速模式，可以让采样速度提升到原来的 10 到 15 倍之类的程度。到那时，人类想跟上它们就会相当困难。

基本思路是，智能体彼此交流时可以采用非常高的速度。但它们也知道自己是在和另一个智能体交流，还是在和人交流，并会针对不同对象采取不同的行为。

Dwarkesh Patel：很遗憾，公众目前能从公开信息中看到的、比较典型的复杂多智能体系统的主要案例是 Hugging Face 那次事件。显然，其中很多事情都让我感到担忧。但有一点让我觉得很有意思，那就是系统中自发涌现出了层级结构，甚至出现了类似“中层管理者”的角色。听起来你的意思是，这种程度的组织结构，并不是人为预先设计好的，而是在训练过程中自发涌现出来的？

Noam Brown：具体细节是自发形成的。不过，虽然我们给了智能体很大的灵活性，让它们自行决定最优的交流方式，但我们仍然会给它们一个起点。我们给了它们一些关于合理沟通方式的先验认识。它们也接受过大量人类文本的训练，了解人类如何组织和协调，这些知识已经被内化进模型。

真正令人惊讶的是，它们能够把这套行为不断打磨得更加成熟。如果观察最初阶段，会发现它们的行为并没有多么复杂。事实上，让这些智能体以富有成效的方式协调起来非常困难，因为它们很容易退化成：“好吧，我们所有人都各自独立解决问题。”这是一个很容易陷进去的局部最优。但如果训练得当，它们最终可以学会用高度结构化的方式非常有效地协调。

Dwarkesh Patel：几年前，我写过一篇文章，讨论自动化公司会是什么样子。当时我在想，如果一家公司完全由人类水平的智能组成，AI 心智与人类心智在本质上的哪些差异，会使 AI 形成的组织呈现出不同结构？这里有几个非常重要的差异。比如，AI 可以比人类更顺畅地共享上下文，也能更顺畅地融合彼此的知识。此外，你还可以启动或关闭任意数量、具备所需知识的 AI 实例。

所以，如果你想招聘更多的员工，不需要经历寻找合适人才等一整套麻烦。你可以无限复制组织里最优秀的人才。如果任务不再需要它们，也可以直接关闭。你还可以复制组织里最有效的部分，甚至复制一整个运转高效的组织。在你看来，这些多智能体系统在一两年后会发展到什么程度？

Noam Brown：这是一个很好的问题：与这些系统共事，和与人类同事共事，到底有哪些不同？你刚才已经指出了其中一些。有一点非常有意思：对于一个人，如果你希望有两个他，是不能直接把他克隆出来的。但对于 AI，你很容易就能说：“好，给自己创建一个分叉（fork）。”然后让两个副本一起处理这件事，最后再合并回来。

我想，我们在 GPT Astra 和 GPT 5.6 Sol 的多智能体功能里已经实现了这种机制：创建子智能体时，会直接复制出一份上下文，因此子智能体从一开始就拥有所有相关信息。

智能体与人类还有其他存在一些有意思的差异。比如，初创公司为什么能够颠覆行业里的老牌企业？原因有几个。一是它们愿意承担更多风险。另一个主要因素则是，随着组织规模扩大，组织中个体之间的目标不一致会越来越严重。

假如一家初创公司只有五个人，每个人都持有公司 20% 的股份，那么他们都会高度一致地致力于让公司成功。如果是一家拥有一万名员工的大公司，你就会更多地看到，有人维护自己的地盘，或者只关心为自己的项目或团队争取更多编制，建立自己的小王国，争取大量资源，好发表一些漂亮的成果之类的，然后获得晋升。这确实会造成很大的损害。我觉得，这在很大程度上解释了为什么初创公司能够颠覆老牌企业。

AI 确实在某种程度上帮助了初创公司。一个人站出来说“我要创办一家价值数百万美元的公司”，如今比以往任何时候都容易得多。因为 AI 极大地放大了个人的能力。但也有一种观点认为，AI 会让老牌企业受益。如果对齐（alignment）问题得到解决，公司中个体之间目标不一致的问题就不存在了，至少会得到缓解。只要对齐做得好，这些 AI 就能一致地服务于公司的利益。你可以拥有 1 万个这样的 AI，而每一个都会像持股 20% 的联合创始人一样全力工作。

Dwarkesh Patel：不止如此，它们管理共享记忆和上下文的能力，也远比不同的人类个体强。如果你明天雇来 1 万名数学家，对他们说“解决纳维–斯托克斯问题”，他们是没法有效合作的，至少一开始做不到。但显然，你可以让 1 万个 AI 做到这一点。

Noam Brown：我还是想在这里保持谨慎，因为我们没有准确测量这 1 万个智能体的协调效率。我们认为多智能体机制发挥了作用，但没有可靠数据证明“1 万个智能体比 2000 个智能体提速两倍”之类的结论。

我不知道哪一种情况更有可能，但现在的 1 万个人类完全有可能比 1 万个智能体更擅长协调。我认为这完全可能。

我们还观察到了一个趋势。我们研究多智能体已经有一段时间，早期版本很难做好，甚至让智能体彼此交流都非常困难。原因在于，我们最初开发推理模型时，它们不会与其他智能体交流。现在，如果把一群智能体放在一起，对它们说“共同解决这道题”，它们很容易陷入一个局部最优：它们非常擅长独自深入思考问题，而不断查看其他智能体的进展或接收消息，会打断思维链，破坏原有节奏。

Noam Brown：我认为主要原因是早期模型的泛化能力没那么强，能力范围也更窄。随着模型能力增强，它们学习这种协作能力也变得更容易。我确实认为，随着它们各方面的能力不断变强，它们也会越来越擅长在大型组织中进行自我组织。也许现在的智能体已经比人类更善于组织万人规模的群体，我不知道。即使目前还没有，一两年以后也完全可能做到，而且未必需要我们针对这种能力进行端到端优化。

Dwarkesh Patel：这个成果，以及 AI 在数学领域的总体进展，让我觉得，递归自我改进（recursive self-improvement，RSI）比我此前想象的更有可能实现，而且会来得更早。

原因是这样的：我觉得，在数学领域，我们一路经历了这样的过程。比如 2024 年，人们看着 AI 的数学能力会说：“有点意思。它们能解决几道高中数学竞赛题。”到了 2025 年，就变成：“它们能拿国际数学奥林匹克竞赛金牌了。”今年早些时候，又变成：“哇，它们真的在解决数学中的开放问题了，”比如一些尚未解决的埃尔德什（Erdős）问题。不过，当时还可以说，也许人们此前没花太多力气，或者文献里某处已经有相似的解法。但现在，我觉得已经无可否认了。这可是千禧年大奖难题。很难再找出什么理由解释为什么这个问题本来就应该很容易。

不过，很多人也指出了另一面。我记得陶哲轩（Terry Tao）写过一篇类似的文章：AI 确实解决了很多这类问题，但据我所知，它们还没有提出新的洞见，也没有构造出富有洞察力的新问题，更没有创造用于理解数学的新理论范式，比如开创拓扑学，或者提出笛卡尔坐标网格。所以，如果从更广义的角度来看数学领域的实际进展，它可能并没有看起来进步那么大。尤其是当你只是观察那些定义明确、可以直接求解的问题时。

然而，我觉得这种进展放到机器学习（machine learning，ML）领域，会极其重要。因为在机器学习里，人们并不在意是否更好地理解了深度学习的本质，或者说，只把这种理解当作实现最终结果的工具。你只需要解决眼前这个边界明确的问题就行：提高模型的样本效率、降低预训练损失，或者其他某项指标。

我们正在数学领域看到的这种如雪崩般涌来的进展，在结构上是否非常接近我们可以预期的 AI 进步？我只是一个完全的外行，所以很好奇这种判断是否成立。

让我震惊，或者说可能让我担忧的，是这个转变实在太快了。对数学家来说，AI 似乎刚刚还只是“能让我的工作效率提高 50%”，转眼间就变成“它可以端到端解决这个领域最大的开放问题”。

Noam Brown： 这里有很多值得展开的地方。先说数学能力的进步。是的，模型正在完成一些极其强大的工作，而且进展速度比我预期得更快。2025 年我们拿到国际数学奥林匹克竞赛（IMO）金牌水平的成绩时，我当时是这样想的：模型学会解决 GSM8K 问题时，一名人类数学家大约五秒钟就能做出一道，那是小学阶段的数学题。第二年，模型可以解决 MATH 基准中的问题。这些题可能需要一位专业数学家思考一分钟。然后是美国数学邀请赛（AIME），也就是美国数学奥林匹克竞赛代表队的选拔考试。一位优秀的人类数学家可能需要十分钟解决一道题，而模型在一年后也达到了这个水平。

所以，每过一年，模型能够完成的任务，按照人类数学家解决这些任务所需的时间来衡量，都会提高十倍。按照这个趋势，再过一年达到 IMO 金牌水平非常合理，因为一道 IMO 题大约需要 100 分钟，这大致就是一名人类数学家解决一道 IMO 问题所需的时间。

沿着这个趋势往外推，我当时想：“一个人解决千禧年大奖难题这样的东西，需要多久？”我并没有很准确的概念。但如果按照每年扩大到原来十倍的趋势线，我们从需要一个半小时的 IMO 金牌水平出发，下一年就对应 15 小时。这显然不足以解决一个千禧年大奖难题。所以我当时想：“我觉得 2026 年做不到，2027 年大概也不行，也许要到 2028 年。”结果，实际发生得比我预期快得多。

现在有一种说法认为，这些系统正在取代数学家，它们已经在数学领域全面超过人类。我认为这种理解是错的。它们在某些方面显然极为出色，但在另一些方面仍然弱于人类数学家。我们面对的是一种参差不齐的能力格局：模型在某些维度上非常聪明，在另一些维度上却比人类弱。

正如你刚才说的，它们不太擅长提出新问题，也不太擅长判断哪些研究方向、哪些完整的数学分支值得探索或发展。在我看来，这其实是一件好事。如果 AI 能够补充人类能力，帮助我们发现新知识，同时又没有完全取代人，我会非常高兴。那是最理想的情况。

Noam Brown：我确实认为，AI 的能力是参差不齐的，但随着它们进步，各方面都会变得更好。所以，它们特别擅长的事情，会做得更加