•
陶哲軒潑冷水：我不相信AGI！但又一數學難題被GPT-5.2 Pro攻克
就在剛剛，陶哲軒po文揭秘：當前的AI無法實現真正的AGI，不過，他們倒是擁有一些有用的小聰明，或者可以說「通用狡猾」。而就在同時，又一多年數學難題被GPT-5.2 Pro攻克了。
就在今天，即將離職Meta的LeCun再次給當前AI判死刑——這條路行不通，而且永遠不會成功。
前不久，GoogleDeepMind首席科學家Shane Legg給出預測：最小AGI有50%的可能性在2028年實現。
業界都在討論的AGI之爭，陶哲軒是如何看待的？
就在剛剛，陶哲軒po文明確了自己的態度——還不行。
他認為，目前還無法實現AGI。
我懷疑目前工具還無法實現真正意義上的「人工通用智能」。然而，我認為一種較弱但仍然非常有價值的「人工通用才智」，正在以各種方式成為現實。
而他的觀點，立馬在網上引起了廣泛討論。
網友們表示，陶哲軒這樣聰明的人，都認為AGI並未實現，這樣太令人絕望了——希望他是錯的吧。
陶哲軒：不是AGI，只是魔術師
什麼叫通用才智？
陶哲軒是這樣解釋的。
「通用才智」是指通過某種臨時手段解決廣泛複雜問題的能力。
這些手段可能是隨機的，也可能是暴力計算的成果；它們可能缺乏根基或容易出錯；它們可能難以解釋，也可能能追溯到AI訓練資料中類似的技巧。
因此，它們不能被視為任何真正「智能」的結果。
然而，它們在實現日益廣泛的任務時，可以擁有非同尋常的成功率，尤其是在結合嚴格的驗證程序以過濾掉錯誤或不具前景的方法時，其規模已超出了單個人類所能達到的範圍。
可以理解為，這是一種「通用狡猾」AI。
而這種「通用狡猾」AI，就會讓人感覺非常匪夷所思。
比如在有時候，這些技術非常實用，令人印象深刻，然而從根本上說，它卻令人不滿和失望。
AI是「最強大腦」魔術師？
想像這樣一個場景：一位魔術師上台，憑空變出鴿子、猜中你選的牌、把水杯變成金魚。全場掌聲雷動，觀眾目瞪口呆。
結果他平靜自曝：「其實我袖子藏了十八個機關，桌下有暗格，牌是特製的，金魚是提前藏好的。」掌聲戛然而止。
如今的AI，就像這位魔術師一樣。
它能寫詩、程式設計、解數學題——但如果你問它：「你是怎麼想到這個答案的？」
它可能會誠實坦白：「我在訓練資料裡見過類似題目，機率上這個回答匹配度最高。」
所以，這其實不是智能，而是基於海量資料的「聰明把戲」。
「通用狡猾AI」，反而起了大作用
對於這種「通用狡猾AI」，陶哲軒是怎麼解釋的。
雖然聰明才智和智力在人類身上是某種程度上相關的特質，但對於AI工具（這些工具通常被最佳化以追求聰明才智）來說，它們卻更加解耦，將當前一代這樣的工具主要視為一個隨機生成有時聰明，且往往有用的思想和輸出的生成器，在嘗試使用它們解決難題時，可能是一種更具生產性的視角。
也就是說，智能≠聰明。
對人來說，二者是同時存在的；但對於AI而言，所謂的「聰明」，也就是快速解決複雜問題，可以獨立存在。
當前AI的「聰明」，是隨機的，暴力的，可錯的，難解釋的。
最終，它並不是靠智慧取勝，而是靠「大規模試錯與匹配」，就像用超級望遠鏡，在答案星海裡撈最亮的幾顆。
當今的AI，並不是全知全能，然而這個「不夠智能但足夠聰明」的工具，卻已經悄悄改變知識工作的每一個環節。
對於陶哲軒的說法，網友們表示的確如此。
對於目前的AI來說，看似便利但難以預測的思想，似乎是一種主要應用場景。
可以說，陶哲軒所說的，就是目前AI能力「參差不齊的邊界」。
甚至評論區還出現了中文留言，認為目前的AI底層架構就決定了，即使投入無限多的算力，產出的東西也依然有邊際。
而在Reddit的帖子中，網友們也對此展開熱議。
有人對表示，自己非常尊重陶哲軒，但對他的部分觀點表示反駁。
有人說，他用「狡猾」或「巧妙」一詞，來針對現代LLM缺乏系統性思維的缺點。
目前，他或許是對的。不過，ChatGPT還只有3歲，如果要宣佈所有LLM都有此侷限，至少還應該再等待十年。
又一數學難題被AI破解
巧的是，就在陶哲軒發出這個論點不久，又有一道數學難題被AI破解了！
滑鐵盧大學電腦系的助理教授Kimon Fountoulakis激動發帖稱，GPT-5.2剛剛解決了COLT 2022開放問題——
使用標準加速梯度演算法和互補性邊界假設，證明加速L1正則化PageRank的執行階段間複雜度。
其中，所有證明都由GPT-5.2 Pro生成。演算法總工作量的關鍵界限，則是使用 GPT-5.2 Pro、Aristotle和Antigravity上的Gemini 3 Pro (High) 組合完成了自動的形式化。
多倫多大學的教授Daniel Litt也出來表示，GPT-5.2 Pro的確很強，它對於自己的代數幾何和數論研究，都產生了巨大飛躍。
懸賞8年難題，GPT-5.2用數學證明封神
這道難題，已經困擾了教授8年。
自2024年以來，每次OpenAI或Google發佈一個新模型，他都會拿過來嘗試一下。
令人沒想到的是，這一次，GPT-5.2竟然成功了！
教授這樣回憶道：這個開放性問題，我們嘗試了三年，失敗了；找博士生做，也失敗了；問了多位頂尖學者，都說太難了。
2022年，這道關於「加速L1正則化PageRank演算法時間複雜度」的難題，被正式列為COLT國際頂級會議的開放問題之一，懸賞求解。
誰也沒想到，兩年後，這道難倒無數學者的題目，竟被GPT-5.2悄然攻克。
懸賞
故事要從2016年說起。當時，教授在最佳化PageRank演算法時發現，經典迭代軟閾值演算法在求解帶L1正則的PageRank問題時，其執行階段間竟然只與最終解的非零節點數有關，出奇地高
一個很自然的追問隨之而來：如果用上加速演算法，比如在最佳化領域聲名顯赫的FISTA，會不會更快？
理論上應該如此。但現實卻潑了一盆冷水：FISTA在迭代過程中會「啟動」大量本應為零的節點，雖然最終能收斂到正確的稀疏解，但中間過程卻很鋪張浪費。
開始，教授嘗試了三個月，想從理論上界定FISTA的總計算量，失敗了。後來斷斷續續又試了幾次，直到2021年，無論是教授最傑出的學生，還是幾位大牛研究者，都對這個問題束手無策。
團隊決定，將這個難題公之於眾。
2022年，它被正式列為COLT的開放問題，向全球機器學習社區發起挑戰。
破局
第一個成功的解法，出現在2023年。David Martínez-Rubio等人提出了一種新穎的加速演算法，從完全不同的角度給出解答。
然而，這個演算法為了達到加速效果，需要在每一步求解一個昂貴的子問題，在實際應用中效率很低。
直到GPT-5.2發佈後，真正的轉折點來了。
這一次，GPT-5.2給出了完整的證明。
而且令人震驚的是，它給出的恰恰是針對經典FISTA演算法的證明。
它揭示了在一種被稱為「互補性邊界」的合理假設下，FISTA的總計算量可以被優雅地界定，並且在特定的圖結構上，能展現出明確優於經典演算法的加速效果。
更關鍵的是，這個證明解釋了長期困擾學界的現象：儘管FISTA在迭代中會啟動更多節點，但這些「多餘啟動」是可控的、暫時的。一旦迭代進入最優解的一個鄰域，演算法就會迅速收斂。
怎麼證明？三重驗證
GPT-5.2的證明能令人信服嗎？為此，團隊搭建了一個三重驗證體系。
首先，GPT-5.2 Pro生成了完整的證明初稿。
接著，團隊借助@HarmonicMath的Aristotle系統，結合Gemini 3 Pro模型，將證明中的關鍵不等式和複雜度上界，逐行轉化成了形式化的Lean程式碼。
而且除了形式化驗證之外，教授自己也把證明從頭到尾證明了兩遍。目前看來，證明是沒問題的。
陶哲軒會被說服嗎
又一數學難題被GPT-5.2 Pro攻克，這不由得引起網友討論——
它會成為AGI嗎？陶哲軒會看到希望嗎？
至少，目前GPT-5.2再一次證明了LLM在深度數學推理上的驚人潛力。
而且，它也彌合了理論分析與實際演算法之間的鴻溝。它的證明，為最經典的加速演算法提供了缺失的理論基石。
當然，這並不意味著AI能取代理論科學家。
可以說，它更像是一個擁有驚人直覺和不知疲倦的協作者。
人類提出關鍵問題、界定框架、判斷價值，AI則能在龐大的數學空間裡，幫我們找到那條通往答案的隱秘小徑。 (新智元)