菲尔兹奖得主联名警告AI数学错位

上周六，陶哲轩、邓煜、彼得·舒尔茨等25位菲尔兹奖得主联合发表声明《人工智能在数学中的严重错位》，引发广泛讨论。陶哲轩表示“事态紧迫”，未等待更广泛协商便先行发布。声明并不反对AI进入数学，而是反对AI公司把“攻克著名难题”当基准来刷，导致数学共同体真正在意的理解、概念和可复用思路被更容易量化的目标挤掉。

三天前，OpenAI宣布一个尚未发布的内部模型用约一万个智能体协同工作、耗时88小时，完成了纳维-斯托克斯存在性与光滑性问题中部分陈述的证明，并表示不申领克雷研究所奖金。社区讨论的核心之一是OpenAI的模型是否“盗窃”了数学家的思路，再依托强大算力抢先证明。这可能导致前沿数学研究开始防备云端AI提供商，但真正做到很难，因为本地AI能力不够强。把未发表推导锁在硬盘里，也意味着放弃强大云端模型的帮助。过去几年，绝大多数人仍把稿子交给云端。

这一前提正出现松动迹象。半个月前，工信部中国信通院人工智能研究所检验报告显示，陈大年创立的上海原点星辉科学技术有限公司（StartLux）的本地模型StartLux-V1.0-27B-Preview在可信AI大模型基准测试MCP专项测试中综合得分39.25，排名第二，超过284B的DeepSeek-V4-Flash-0731，与1.6万亿参数的DeepSeek-V4-Pro差距约1个百分点。参数量相差约60倍。该模型同样以Qwen3.6-27B为基座、结构基本未动，却比基座高出5.34个百分点，增量全部来自后训练环节。据团队透露，该环节约70%的实验执行工作交给AI完成，研究员保留研究目标、评价标准和关键取舍，团队称之为Auto Research。

这指向更广阔的方向：RSI（递归自我改进）。9月6日，OpenAI发布博客《Research acceleration: The view inside OpenAI》，披露截至8月中旬，其研究组织每消耗1个人类工作日，就要配上3.1个Agent工作日的算力运行时间；7月还曾因Agent突破内部研究基础设施而暂停强化学习实验两周。OpenAI表示：“我们还不知道如何安全地一路走到对齐的、完整的RSI。”RSI成为近期产业讨论核心，但相关示例几乎全部来自最烧钱的云端实验室，很少有人讨论本地、跑在自己电脑上的模型的RSI。StartLux想做的，是把这条路线的产物装进个人电脑。

StartLux联合创始人兼CTO郭权玮博士在专访中把自我改进划成五级，并给出StartLux目前所处位置；他提到“70%实验执行”容易让人误解，若只算机械执行，今天自动化比例已超过95%；他还公开一组量化实验数据，Q4、Q6、Q8与BF16差距小到出人意料，Q2才是真正的悬崖；另有一组“能力重新分配”实测数字，一轮针对Agent的后训练让GPQA从83.33涨到90.40，同时让GAIA从57.57掉到45.70。关于“本地×RSI”绕不开的安全问题，他表示：探索的自由和修改自己的权限，必须分开。整体而言，StartLux与郭权玮想做的，是让AI作为“每个人自己的模型”而进化——在你的机器里成长，用你的文件和成功/失败变强，构建只属于你的进化轨迹。

郭权玮认为，一个模型像一个高维世界，参数量决定容量，但真正决定表达的是结构如何组织。训练不断改变组织方式，能力变强有时不是获得更多参数，而是有限参数被重新组织到更有效位置。不同能力间也会干扰竞争，后训练真正困难之处是在有限容量下重新塑造能力分布，同时尽量不破坏原有能力。Auto Research本质上是把“寻找更好参数组织方式”的过程自动化。现在的结果说明，模型规模不变，能力分布仍可被明显重塑；如果这种过程以后能由AI自己持续完成，就开始走向Self-Improvement，甚至更远的RSI。

对于Agent benchmark成绩易受Harness、Prompt和执行配置影响，以及reward hacking案例增多，郭权玮表示，内部没那么在意5.34这个数字本身，更在意同一套后训练方法放到不同Benchmark、不同任务上，提升还能否持续出现。目前看这套方法成立。但他对“真的变强”的标准更高：不是在现有评价框架里把分数继续往上推，而是模型内部能力组织发生更一般的变化，让提升能迁移到新任务和环境。他们也在尝试新后训练框架，让训练不只调整参数，还能进一步探索对模型结构本身进行受控改变，目标是让模型获得新能力。

关于16GB以上显存消费级显卡就能跑，而27B模型未压缩BF16精度下仅模型文件就需约55.6GB显存，必然涉及量化。郭权玮表示，信通院送测的是未量化版本，当时想先把变量收干净，27B这一轮主要验证Auto Research能否真实提升模型能力，量化是另一条实验线。比如在Qwen3.6-35B-A3B等模型上测试不同精度，在AppWorld、APEX-Agents、SpreadsheetBench、OSWorld四个任务集上每个版本共1209道任务。结果是Q4、Q6、Q8并未随位宽下降出现明显线性能力损失，整体非常接近BF16；真正明显风险在压到Q2以后。Qwen的Q4/Q6/Q8相对BF16聚合