先说结论

OpenAI 一次性放出 722 篇 AI 生成的数学支撑论文（本刊此前编译 The AI Daily Brief 时已报道该事件全貌与"领域级 AI 颠覆"之争），Two Minute Papers 主理人 Károly Zsolnai-Fehér（转写作"Dr. Karo, Jonah, and Fahir"，系同一匈牙利姓名被 ASR 误切分，经校正）这期约 9 分钟的视频刻意绕开新闻头条都在谈的争议，转而讲论文里的数学本身，并坦承自己的矛盾立场：一边承认"你正在目睹一场奇迹展开"，一边对这种能力只属于少数前沿实验室内部模型感到不安，呼吁用开源权重模型（open weights）实现访问权的民主化。视频末尾还带来一个后记：三篇论文已因社区反馈撤回——而据他所知，发现这些问题的审查过程本身也很可能是由 LLM 完成的。以下均为节目陈述与主理人观点，数字未经独立核实。

两条值得记住的数学结果

主理人挑了两条他"最喜欢的结果"，并自嘲解释会有简化风险、“我只是个学生”。

第一条是无理三角形台球问题（irrational triangular billiards）。他作为光传输研究者，把台球问题重新框成一间三角形镜子房间里的激光：只要三角形至少有一个角相对 π 是无理数，那么几乎每条光线最终会遍历房间每一个位置、走向每一个方向，且在各处停留的时间相等。这个结论极难证明，因为无理角度不会落入重复模式，常规技巧全部失效——他的比喻是"像一个你想举起来却找不到把手抓的球"。OpenAI 声称对每一个此类三角形都给出了证明。

第二条是共形变换（conformal transformation）的普遍性：画一个布满奇形怪状孔洞的难看平面区域，施加一个保持角度不变的拉伸，可以看着这些孔洞变形成完美的圆或点。此前数学界只在较容易的情形下知道这成立，OpenAI 声称证明了它总是成立；难点在于孔洞可以变得无穷小、甚至彼此缠绕，最终形状难以控制。

数学界的分裂：你要结果，还是要理解

为什么"有些数学家很高兴，有些不然"？主理人的观察相当直白：这些不是优雅的证明，“有些是一大团呕吐物”（a big ball of barf）。这把一个老问题重新推到台前——数学的目标到底是什么？

一个阵营只想要结果：问题答案是 yes 还是 no、是 n 还是 n²。主理人用自己领域打比方：流体与烟雾模拟既可以自己按理论写代码，也可以训练一个神经网络来做——后者往往更快，但答案不是一段优雅的算法，而是网络内部的一堆激活值、“一大团数字”。这些 AI 证明就类似于此，基本需要另一个 AI 才能读懂。这个阵营的人说：这是一个工具，我要它，我不在乎里面是什么。

另一个阵营认为数学的目标是学到新东西。勾股定理有一百个证明，从"证明成立"的角度一个就够，但每一个证明都以不同的方式照亮心灵、各自教一课。这个阵营的人对"拿消防水管朝社区猛灌数据、让人类来做收拾工作"的做法并不买账。主理人自认是来学习的学生，表示两方观点他都能理解——但冲突感贯穿全片。

“不断后退的论证”

面对"它没有原创性，只是拼接已有拼图"的最新一轮质疑，主理人给出一条时间线作为反驳，他称之为"不断后退的论证"（ever receding argument）：六年前 GPT-3 时代，人们说它连加法都做不可靠；两年前说它连高中竞赛题都解不可靠；一年前说它连奥数金牌都拿不稳；一个月前，它很可能解决了一个人类从未解决过的千禧年问题——流体方向的 Navier-Stokes 方程（节目称）。从"不会加法"走到"部分任务上可能或即将超过我们所有人合计"，他认为这些技术正变得多强大已不难看清。他同时给出关键数字：这批结果每条平均只花了约三小时计算。

真正的矛盾：大俱乐部，而你我不在其中

但主理人话锋一转：“别急着下结论。“这一切目前只有 OpenAI 未公开的内部模型能做到——不对普通人开放，只属于前沿实验室里的少数人。“这是个大俱乐部，而我们不在其中”（原话化用 George Carlin 的经典段子）。他的立场是：如果这项技术能以这种水平推进数学与科学，访问权就必须分享给所有人，而出路是我们可以自己运行、自己拥有的开源权重模型——写代码、做实验、向更多人讲述它，都是贡献。视频尾声他补上等待尘埃落定后的更新：三篇论文因社区反馈撤回，而发现问题的社区审查很可能也是借助 LLM 完成的——他说，“这正是我说的民主化”：确保它不是昂贵的爱好，而是所有人都能参与的事。

机制链条与读者启发

从这期视频可以拎出三条链条：

能力与访问权的错配：领域级数学能力在封闭前沿模型中率先出现 → 访问集中于少数实验室 → 研究者以"开源权重"作为制衡叙事 → 二阶影响是开放模型社区获得明确的追赶目标与道德动力 → 观察指标是同类数学能力何时出现在可自托管的开源模型上 → 启发：模型访问权正在成为学术生产资料意义上的新不平等维度，个人与研究组的"算力自主权"值得提前布局。

证明的可读性瓶颈：AI 证明退化为"一大团数字” → 人类验证能力成为短板 → 社区不得不用 LLM 审查 LLM，且确实揪出错误、促成撤回 → 若这个循环成立，“AI 证明解释器"会成为新的必需品和研究方向 → 启发：当产出超出人类可读尺度，验证与解释本身变成瓶颈，也变成机会。

判断 AI 进展的锚点：批评标准随模型能力上移（加法→竞赛→奥数→千禧年问题） → 质疑与突破总是同步移动 → 与其跟随情绪，不如锚定可复现的可比基准 → 启发：评估任何"AI 做不到 X"的断言时，先问这个断言六个月前是否也成立过。

三条链条中，前两条直接来自本期节目内容，第三条为主理人原话的直接归纳；至于 OpenAI 论文的实际正确率与后续撤回规模，本刊将持续留意社区复核进展。