1. 互联网技术【249页PDF、10项成果、2000美元——OpenAI这一炸，数学界的"人类中心主义"开始塌方】2026年8月1日，OpenAI在官网挂出一篇249页的论文，标题平实得近乎克制：《Ten advances in mathematics and theoretical computer science》。但内容一点都不克制——一个尚未发布的内部模型"Astra"，在10个横跨八大领域的数学与理论计算机科学难题上同时给出突破性结果，每项都附带Lean 4形式化证书，解题词元成本总计约2000美元。新智元那篇《突发！OpenAI下一代AI攻克10项菲尔兹奖级难题》的标题够炸，但"菲尔兹奖级"这五个字是媒体加速，不是OpenAI自己的说法。真正的故事比"菲尔兹奖级"更刺激，也更值得冷静拆解——这不是AI拿了十个奖，这是AI在数学这个"人类心智最后圣地"上，完成了一次跨领域的、可机器验证的、成本约为一部iPhone的原创研究突袭。第一层：十个结果是什么——一份"跨领域降维打击"的清单OpenAI官方列出的十项，覆盖高维几何、编码理论、群论、算子代数、算术电路复杂度、量子复杂度、格密码学、极值组合学八大领域：1. 高维球体堆积：首次将Cohn-Elkies线性规划方法的渐近强度精确算出，把一般堆积密度的上界收紧到该阈值——这是1978年以来该领域第一个一般性改进2. 二进制与球面码：在任意给定最小距离下，对二进制码最大规模的界限做出指数级改进3. 非Sofic群：构造出无限有限呈现的非Sofic群，27年来首次回答Gromov 1999年提出的"所有可数群都是Sofic吗"这个群论核心问题4. Connes刚性猜想证伪：不止一个反例，而是构造出可数无限的群家族，彼此互不同构但生成的冯·诺依曼代数完全一样5. 算术电路复杂度：对计算积和式的算术电路与公式给出新下界，包含n⁴/log n量级的公式下界6. 量子并行重复：对任意有限双人量子博弈的指数级并行重复定理7. 最近向量问题（CVP）：多项式因子硬度近似结果，关联后量子密码学8. Ehrhart体积猜想：在每一维度确定了"质心是唯一内格点"的凸体最大可能体积9. 多色三角形Ramsey数：超指数下界，解决Erdős问题18310. 极值图论猜想：推翻紧致性与退化猜想，解决Erdős问题146和180 这十个结果里，三类性质完全不同：- 完全解决（非Sofic群存在性、Connes刚性猜想、Ehrhart体积猜想、紧致性与退化猜想）- 渐近确定（球体堆积的Cohn-Elkies方法强度、Ramsey数增长阶）- 界限改进（二进制码、积和式下界、CVP硬度）把它们一概称为"攻克10项菲尔兹奖级难题"，是媒体修辞。但即使按最严格的口径——仅"非Sofic群存在性"这一项，就足以在任何数学期刊上发一篇顶级论文；而这是十个结果里的一个。第二层：为什么这次"可信"——Lean 4证书把"信AI"变成"跑代码"过去所有"AI攻克数学难题"的宣布，都卡在一个死结上：AI生成的证明太长、太复杂，人类审稿人没法在合理时间内验证。这次OpenAI换了个玩法——每个结果都附带Lean 4形式化证书，开源在GitHub上。仓库"openai/ten-proofs"包含：- 10个".lean"文件，对应10个结果- 使用Lean 4.32.0 + mathlib- 配备"lake"构建系统和形式化清单- 第三方开发者拉到本地实测：约47.4万行Lean代码，sorry占位0，自定义axiom 0 这里有个关键的技术常识需要讲清楚：Lean证书通过 ≠ 数学界已接受。Lean能验证的是"在形式系统内，从给定的定义和公理出发，这个证明项具有所声称的类型"——它不能自动保证"形式化语句精确捕捉了数学界原本的问题意图"、"结果的创新性和历史定位准确"。这两件事仍需要人类数学家审计。但即便如此，这次交付的形态依然碾压式地优于以往所有AI数学宣布：- 5月的Erdős单位距离猜想反证：Tim Gowers直言"如果是人类写的投稿到《数学年刊》，我会毫不犹豫推荐接收"- 这次的十个结果：Manchester大学数学家Thomas Bloom评价"作为数学构造，比Erdős单位距离猜想的反证更大"- 美国数学学会Fellow、Rutgers大学Alex Kontorovich：只留了两个惊叹号翻译：数学界顶层的反应不是"质疑AI作弊"，而是"震惊到失语"。第三层：2000美元这个数字的真相与误导"2000美元搞定10个世界级数学难题"——这个数字极具传播力，但需要拆开看：真实的部分：OpenAI官方说明：在Sol API费率下，找到这十个解所需的词元总成本约2000美元。平均每个问题200美元——确实只相当于"一个研究生一个周末的津贴"。被掩盖的部分：- 2000美元不含训练成本：Astra作为"下一代主要模型"，其训练开销是数十亿级别的，只是被摊销到无数次推理里- 2000美元不含人工整理：OpenAI明确说"论证由模型生成，人类研究员用同一模型协助撰写可读手稿，然后模型再将每个论证形式化为Lean证书"- 2000美元不含形式化工程：47.4万行Lean代码的生成、调试、类型检查，背后是大量工程和算力- Noam Brown的坦白："我们也尝试过其他重大问题，目前还没有成功解决一个类似黎曼猜想这样的千禧年大奖难题"所以"2000美元"的真正含义是：当一个具备前沿推理能力的模型存在时，边际上探索一个新数学猜想的算力成本，已经降到一部iPhone的价格。这本身就是生产关系级的变革——它改写的不是"AI强不强"，是"数学发现的成本结构"。但Noam Brown那句"测试时计算远未封顶"更值得玩味——这意味着2000美元不是下限，是起点。当test-time compute继续往上推，连百万美元级别的世界性难题也可能被啃下。第四层：对数学界意味着什么——"人类心智荣耀"的黄昏？Hinton的预言是"未来10-20年AI可能创造出人类无法理解的新数学"，而Astra让这个时间表看起来"太保守了"。但这件事的真正冲击，不在技术层面，在哲学和社会学层面：冲击一｜数学发现的生产函数被改写过去：一个菲尔兹奖级成果 = 一个天才数学家 + 10年苦修 + 一篇里程碑论文现在：一个内部模型 + 2000美元词元 + 人类协助整理 = 10个跨领域突破稀缺资源从"人类天才"切换到"问题选择能力 + 计算预算"冲击二｜"原创性"概念的重构OpenAI在公告里专门讲了署名伦理："一份完全由AI系统生成的证明如果被说成人类独立完成，既抹掉了系统的贡献，也模糊了人类智力劳动的真实分量"。这是在主动拒绝"挂名"——AI不再是人类数学家的"助手"，而是共同作者甚至主要作者。这一立场如果被广泛接受，数学论文的署名规则将面临自17世纪以来最大的重构。冲击三｜"人类直觉"不再是人类专属Astra展现的不是"暴力搜索"，是真正的数学直觉——它把Kun-Thom扩展图理论和Thompson群V糅合起来构造非Sofic群，把代数数论的精巧工具用到平面几何的Erdős问题上。这种"跨领域类比+构造性直觉"一直是数学大师的标志性能力，现在被模型掌握了。冲击四｜形式化验证成为新的黄金标准Lean证书的引入，让"AI证明"从"可信or不可信"的玄学问题，变成"代码编译通过or不通过"的工程问题。这长远看会倒逼整个数学界的形式化转型——未来顶级期刊可能要求重要结果附带Lean/Coq证书，否则审稿周期将长到不可接受。第五层：需要冷静的三件事在欢呼"AI征服数学"之前，有三个 caveat 必须摆在桌面上：Caveat 1｜同行评审还在路上截至8月1日发布，这十个结果尚未经过独立专家的系统性同行评审。Lean证书保证了形式推导的正确性，但"形式化语句是否精确捕捉了原问题的意图"、"结果的创新性能否经得住细致比对"，仍需要数学界花数月甚至数年去消化。Retraction（撤稿）在任何一项上如果出现，都会很响。Caveat 2｜Astra本身未公开外界无法独立复现这个工作流程——Astra是内部模型，外部数学家没办法"自己跑一遍验证"。所有成果的可信度目前仍依赖OpenAI的单方面背书+Lean证书的机器检查。这是一个结构性的信任缺口。Caveat 3｜"精选后的十个"OpenAI自己承认：这十个是"精选之后的结果"。Noam Brown也坦白"其他重大问题也试过，没成功"。这意味着Astra的能力边界远未被摸清——它在某些问题上展现出惊人能力，但在黎曼猜想、P vs NP等千禧年问题上仍未突破。把这十个结果理解为"AI数学能力的样本"，而非"AI数学能力的上限"。2026年8月1日这份249页的论文，是AI发展史上的分水岭时刻——但分水岭的意义不在"AI赢了"，而在"游戏规则被重写了"。OpenAI用内部版Astra，以约2000美元的词元成本，在八大数学领域同时给出十个突破性结果，每个都附带可机器检查的Lean 4证书——其中"非Sofic群存在性"这一项，就终结了Gromov 1999年提出、27年来无人能答的群论核心问题；Connes刚性猜想被以"构造可数无限群家族"的方式证伪，其优雅程度让Manchester的数学家直言"比Erdős单位距离猜想的反证更大"。但"菲尔兹奖级"这五个字，是媒体的加速，不是数学界的判词。真正的判定权在人类数学界手上——Lean证书能保证形式推导无误，但不能替代同行评审对"问题意图捕捉是否精确、创新性定位是否准确"的审计。未来6-18个月，才是这十个结果真正接受时间考验的时刻。不过即便如此，这件事的冲击已经不可逆：当数学发现的边际成本从"一个天才的一生"降到"2000美元的词元"，当原创数学直觉从人类专属变成AI可展现的能力，当形式化验证从"可选"变成"标配"——数学这门学科的生产关系，已经被永久改写了。Noam Brown那句"测试时计算远未封顶"，是整件事里最冷的一刀。2000美元是起点，不是终点。当test-time compute继续往上推，当Astra或它的继承者明年再次揭开面纱——黎曼猜想、P vs NP、杨-米尔理论这些"百万美元级"的千禧年难题，可能就不再是人类数学家的专属猎场。Hinton预言的"AI创造出人类无法理解的新数学"，时间表看起来确实太保守了。但比"AI多强"更值得追问的是：当数学发现的生产函数被重写，人类数学家将扮演什么角色？是AI的"问题提出者"和"结果审计员"，还是退化为"形式化证书的整理工"？这个问题，比"AI是否攻克了10项菲尔兹奖级难题"更刺痛。因为前者是媒体标题，后者是数学这门古老学科在21世纪20年代的生存问题。249页PDF的最后一页，或许写着数学史一个新章节的目录——而这一章的作者栏，第一次出现了非人类的名字。一个细节值得记住：OpenAI在公告里专门强调"署名应诚实反映成果是如何产生的"——这家公司主动拒绝让人类"挂名"AI的成果。这种态度本身，比十个数学结果更 revolutionary。因为它意味着：AI不再甘心做工具，它要求被承认为研究者。当一台机器开始要求署名的伦理权利时，"人类心智荣耀"这个延续了三千年的叙事，才真正开始塌方。

2. AI不是在加速旧世界，而在创造新世界。 #大有学问 #智能体 #红衣聊AI

3. 【数学界的奥本海默时刻：当AI解开了人类看不懂的难题】OpenAI的Astra模型近期连续攻克10项数学突破，其中包括多项由传奇数学家Erdős悬赏的难题。令人不安的是，即便是在相关领域深耕数十年的顶级专家，在面对AI给出的证明时也直呼“完全超出了理解范围”。这些证明并非遵循人类熟悉的逻辑演进，而是通过强化学习在海量可能性中寻找到的异类路径。这标志着AI从“模仿人类思考”转向了“在人类理解力之外解决问题”。社区引发了深层的哲学忧虑：如果真理在森林里落下，却没人能听懂它的声音，这还算科学进步吗？目前AI更像是一个顶级的“乐高大师”，它利用已知的数学工具拼出了人类从未想过的复杂结构，但尚未发明出全新的数学概念。这种“跳过思考过程直达结果”的暴力破解，虽然高效，却可能剥夺人类在漫长探索中偶然发明新工具的机会。但也有观点认为，AI正在清理那些耗费精力的“低垂果实”，逼迫数学家从繁琐的证明者转型为更高阶的解释者和理论构建者。我们可能正站在一个转折点上：科学的定义正在从“人类对宇宙的理解”变为“对有效预测工具的利用”。

4. OpenAI刚曝光的下一代Astra，拿下10项开放问题新突破，成本仅2000美元

5. 有位关注者问我一个问题：老师，现在AI这么厉害，拍照就能解题，豆包，夸克等软件什么题都能做，甚至高考卷还比很多老师得分都高，孩子还花那么多时间学数学干什么？这个问题，问得很好。必须先承认一个事实：AI确实能秒解所有高中数学题。你拍张照，答案、步骤、解析，全给你。甚至，你问很多AI的导数压轴题，它能给你写出三种解法。那孩子还学什么？这是很多家长心里的疑问，也是很多学生的困惑。反正有AI，为什么还要花那么大力气去学？是的，AI能给你答案，但是它给不了你思考。数学是一个解题的过程，不是仅“得到答案”那么简单。解题的过程是思考的过程。你要读懂题目、提取条件、判断方向、选择方法、执行运算、验证结果——这六步，每一步都是在锻炼大脑。AI一步就给你答案了。你省掉的不是时间，是思考的机会。就像健身房有电梯，你坐电梯上去，确实快，但你的肌肉永远长不出来。爬楼梯很累，但那才是锻炼。学数学就是学解题吗？不是的，数学练的是大脑的底层操作系统。学数学能够获得这些能力。第一，逻辑推理能力。从A推到B，从条件推到结论，每一步都要有依据。这个能力，做任何事都用得上——写文章、做决策、分析问题，都需要逻辑。AI给你答案，但它不会告诉你“为什么是这样”。第二，抽象建模能力。把一个实际问题，抽象成数学式子，建立模型，求解。这个能力，是所有理工科、经济金融、数据分析的核心能力。AI能帮你算，但它不会帮你“把现实问题变成数学问题”——这一步，永远需要人。第三，专注力和耐心。一道解析几何大题，草稿纸两页，算上二十分钟。这个过程，练的是耐心、细致、专注。这些品质，AI给不了你。在我看来，AI时代，学数学的意义反而更大了。AI恰恰放大了数学能力的重要性。为什么？因为AI是个超强工具，但工具需要人来用。会用AI的人和不会用AI的人，差距会越来越大。而“会用AI”的核心能力是什么？是能提出正确的问题、能判断AI答案对不对、能把AI的结果用到实际问题里。这些能力，恰恰是数学训练出来的。数学不好的人，AI给他答案他也看不懂；数学好的人，AI是他的放大器，效率翻倍。举个例子，比如我们前面提到的，一道导数压轴题，AI给你三种解法。数学好的学生，看一遍，能判断哪种解法最优、哪种解法他想不到、哪种解法可以迁移到其他题。数学不好的学生，看一遍——哦，答案是这样，然后呢？没然后了。同样是“看答案”，一个在思考，一个在抄。这就是差距。AI时代，学数学的意义没有变小，反而变大了。数学给你的不是答案，是脑子。答案AI能给你，但脑子AI给不了。所以别问“有AI了还学什么数学”。也提醒孩子们不要一不会马上就去搜答案。#高中数学##立秋节气有啥习俗#

6. 【当数学家开始谈论“致命一击”】在AI推理能力出现质变的前夜，一位数学家写下了这段充满绝望的文字。他没有提出任何政策建议或行动指南，只是在哀悼。随着模型在复杂逻辑和数学证明上展现出超越人类的潜力，那些曾经被认为只有人类灵魂才能触及的领域，正被Transformer架构下的概率计算快速接管。这不只是职业替代，而是意义的解构。对数学家来说，数学是发现宇宙真理的圣殿，但AI把它变成了一种高效的模式匹配。这种“无能为力”源于一种认知：我们正在亲手终结人类作为唯一理性主体的时代。比起担心丢掉饭碗，这群精英更恐惧的是，在AI给出最终答案的那一刻，人类几千年来追求真理的过程是否还有价值。

7. AI4S智能体「井喷」，这个智能体登顶多项评测榜单，实现产业落地

8. 全行业都在卷大模型，他们却用不确定微分几何给机器人做了个大脑

9. 早于LeCun相似研究一年！千诀科技联合清华团队让神经网络「简单性」可测可优化

10. 82 篇论文撑起的判断：IJCAI 凭什么是推理、规划、知识的「第一主场」

11. 35B干赢万亿参数大模型！上交大AI开始给自己造题还能自我迭代了

12. 豆包视频通话率先上线「全模态全双工」，AI终于能边看、边听、边说了

13. 【把硬核数学变透明：徐亦达教授的交互式机器学习课程】徐亦达教授将过去十多年在GitHub积累的几十份机器学习讲义重构为一个交互式学习网站。这套资源包含47个模块和282个章节，涵盖了从基础的回归、决策树到高阶的变分推断、MCMC、神经正切核（NTK）以及最新的Transformer和扩散模型。不同于公式密集的静态PDF，它通过网页形式整合了大量动态实验，允许学习者在推导公式的同时直接观察算法的实时演化。在模型架构日新月异的当下，这套资源选择回归概率、优化与学习理论等基础。网页交互解决了PDF翻页查找公式的痛点，尤其是动态演示图让抽象的数学概念有了直观的物理意义。对于开发者而言，追逐新模型容易产生信息焦虑，但支撑这些模型的基础理论并不会随版本更新而过时。这种将研究级内容降维成交互式实验室的做法，打破了学术论文与工程实践之间的壁垒，是补齐理论短板的高效路径。 ai.richardxu.com/ml repo: roboticcam/machine-learning-notes

14. 电子书机器学习工程开放手册地址：github.com/stas00/ml-engineering/tree/master“这是一份开放的方法论、工具和分步指南集合，旨在帮助您成功训练和微调大型语言模型、多模态模型及其推理过程。这也是一份适合LLM/VLM训练工程师和运维人员的技术资料。其中的内容包含大量脚本和可直接复制粘贴的命令，帮助您快速解决需求。这个仓库是我在训练大型语言模型（LLM）和视觉语言模型（VLM）过程中积累的经验笔记；其中大量专业知识来自我2022年训练开源BLOOM-176B模型、2023年训练IDEFICS-80B多模态模型，以及2024年在Contextual.AI训练RAG模型的经历。我整理这些信息主要是为了自己能够快速找到过去研究过且行之有效的解决方案，但和往常一样，我很乐意将这些笔记分享给更广泛的机器学习社区。目录第1部分：洞见人工智能战场工程——您需要了解哪些知识才能取得成功。如何选择云服务提供商——这些问题将帮助您获得成功的计算云体验。何时值得升级GPU？——一个实用的评估框架，用于判断GPU代际升级是否物有所值，并通过真实的H200 → B200基准测试进行验证。第2部分：硬件计算——加速器、CPU、CPU内存。存储——本地、分布式和共享文件系统。网络——节点内和节点间网络。第3部分：编排编排系统——管理容器和资源 SLURM——简单Linux资源管理工具第4部分：训练训练——模型训练相关指南第5部分：推理推理——模型推理洞见第6部分：开发调试与故障排除——如何调试简单和复杂的问题更多调试内容测试——让测试编写变得愉快的众多技巧和工具第7部分：其他资源——LLM/VLM编年史”

15. 【2.78万亿参数模型跑在8GB内存上：这到底是黑科技还是极客冷笑话？】开发者Fareed Khan用不到200KB的纯C语言代码实现了一个壮举：让拥有2.78万亿参数的Kimi K3在只有8.24GB内存的普通笔记本上跑通了推理。其核心逻辑是绕过GPU和复杂框架，将1.56TB的模型权重留在硬盘里，推理时仅根据需要把MoE专家权重流式读入内存。这意味着即便没有顶级显卡集群，只要硬盘空间够大，普通设备也能吐出和云端完全一致的结果。社区对此褒贬不一，不少人吐槽每30秒蹦出一个Token的速度慢得像看日出，甚至调侃这是在测试硬盘寿命。但这种尝试的价值在于它把大模型的运行门槛从显存容量这一死指标，变成了推理带宽的调节阀。它证明了MoE架构的稀疏性可以让参数规模与内存占用实现解耦，让推理变成一个有多少钱买多少速度的动态游戏。虽然目前实用性极低，但它却是一次极佳的架构实验，提醒我们当算力不再是唯一门槛时，存储I/O才是限制AI走向个人终端的终极瓶颈。 repo: FareedKhan-dev/kimi-k3-in-c

16. 当AI开始影响游戏工作室，我们还能玩到好游戏吗？游戏开发会被消灭吗

17. OpenAI新模型突破10项菲尔兹奖级难题/AI女团选秀9个出道成团/最强AI 画不好《蒙娜丽莎》｜Hunt Good周报

18. 最近英伟达和SpaceX达成合作，打算把GPU芯片装上卫星，在太空搭建AI算力中心。国内多地也同步布局太空智算研究院，将算力送上轨道。以往AI全都依靠地面机房运转，未来计算中心飞上太空，可以不受地域限制处理全球数据。太空+人工智能结合，或许会成为接下来几年科技行业最大的风口。

19. 最近从海内外不同维度体验小鹏 VLA 2.0 ，可以和大家聊聊新一代技术体系的一些思考： 1、VLA 这次词我们听的非常多，也有很多争议，那小鹏为什么在这时候要继续讨论「VLA 2.0」？语言是离散、抽象的符号，但是驾驶是连续、高精度、毫秒级物理控制任务，两者天生存在 “鸿沟”。所以在视觉里，它就天然有无数细微空间信息，比如车辆相对速度、障碍物轮廓、路面倾斜、物体运动趋势等等，很难完整压缩进一段文字，语言描述天然丢失连续时序与空间几何精度。每多一层语言解码，那推理延迟就要上涨几十毫秒。所以虽然更大参数 VLA 拥有更强理解能力，但参数规模不等于有效驾驶能力。因为大部分算力消耗在视觉特征翻译为语言 token、文本生成这类对开车没有直接价值的任务上。而过去纯端到端模型体系不同，它把所有参数全部用于视觉特征直接映射车辆控制，算力全部服务驾驶目标。单位算力产出的驾驶收益，轻量化直连端到端显著更高。所以现在大家理解的VLA，模型开始放弃串行翻译，视觉特征直接连动动作，语言模型降级可能只识别路标文字、交警手势，不参与主决策链路，这也是小鹏内部评估后选择的解法，本质吸收了 “纯端到端实时性优势”，保留语言模块辅助能力。 2、那小鹏在新一代VLA 2.0 会如何理解？小鹏认为的是基座大模型预训练吸收互联网通识常识，通过 VLA 后训练迁移到驾驶任务，带来传统端到端不具备的零样本泛化，这样可以实现涌现式常识推理。所以在推理阶段，VLA 2.0 已经彻底删除文字解码、文本生成环节，视觉特征直连控制动作，规避模态转换损耗，推理时延进行压缩。这样的好处是首先把所有推理全部推理在统一视觉 Token 隐空间完成，完整保留 3D 占用、相对速度、物体形变等比较精细几何信息。同时不再给模型灌输任何物理公式，只给模型布置一个持续任务。比如你看着当前画面、车辆速度、之前踩油门刹车的操作，猜下一瞬间世界会变成什么样。模型反复观看几亿条视频，前车急刹、距离快速缩短。不需要任何人告诉它惯性是什么。在无数次观察 “预测 - 纠错” 循环里，神经网络就能更快、自动总结规律，刹车带来哪些惯性、高速下距离衰减不是线性的、碰撞后物体存在哪些形变等等这样的物理规律。这套规律储存在海量权重里，也就形成一种天然“直觉”。和过去依靠人工编写上百条动力学规则、障碍物运动模型不同，现实路况变量无穷，现在利用多模态 Token 预训练任务，让模型自发沉淀连续时空因果权重，这也是一个天然的数据积累，而且它的通用性极高，因为不仅是车，机器人等不同工具它也需要天然的物理“直觉”。而老式端到端我们训练的框架一般是当前视觉后输出转向、刹车、油门，它更像一个反射型模型。看到危险画面、立刻执行避让，但不会主动想象未来。现在相当于增加了一个整个时序预测的世界模型方案，通过观察来预测未来多帧画面、障碍物占用空间、还有轨迹轨迹。等于模型多了一项能力，先脑补未来会发生什么，最后挑选一个风险最低的。这也是我们上手VLA 2.0的一个最显性的优点，很多决策策略时延非常低，同时它对潜在的风险、安全边界有更好的约束，它虽然还存在一个瑕疵，但它不像过去非常规则类的0和1的处理，一些经典的场景例如快速鬼探头的让行、并行会车、人车复杂的连续起步脱困、和复杂路面的理解场景，都是属于VLA 2.0 的高光场景。在这基础上，VLA 2.0 的控制也得到非常大的提升。 3、VLA 全球化的挑战在哪？这次VLA 2.0最大的变化是小路穿行、会车等能力提升，这方面最先感受得到的是控车、起步刹停的动作非常细腻，这种细腻处理非常流畅，也解决了很多过去点刹或者顿刹的问题。会车的难点是对象车意图的多变性，有些是前车突然停靠、准备掉头这种复杂动机，一种是和对象车在窄路的会车意图理解，这点VLA 2.0对博弈意图的推理表现有很大提升，流畅性表现也很不错。而来到德国，我们也才发现这边的红绿灯、行人两轮车的路权、有轨电车的礼让逻辑等，都有很多不同。这些也是我们过去没有的视野，过去我们在国内觉得具体问题具体分析，做好具体问题就可以。但是现在全球化的竞争框架下，视野和解决逻辑显然不同。小鹏通过预训练大基座 + 本地化轻量化后训练，会成为小鹏这套 VLA + 世界模型架构最显性、最难以追赶的全球化护城河。像进入欧洲、东南亚等新市场，底层通用的表征可以不动，通用的物理规律也是习得的，只需要非常少量的本地化数据做轻量化后训练就可以。相当于不需要从头教模型怎么开车，只修正地域差异化知识。本地路权规则、交通参与者行为习惯、驾驶礼仪、非机动车动的规则就行，过去模型缺少通用的训练基座，那基本和从头训练没有差别，同时国内也没有FSD一样有非常庞大的全球车队，可以通过海量真实数据堆起来适配，所以小鹏通过基座预训练+后训练的方式，成为一套新体系下的独有能力。而回头看，这又和小鹏自研的大算力芯片完成闭环，只有更高硬件、更高效的计算范式，才能完整释放后训练带来的泛化红利。 VLA 2.0 的核心价值，不再基于单点模型优化，而在于完成了从通用预训练基座、后训练迁移能力、世界模型到软硬协同体系的全方位升级，同时完成了面向全球市场的一整套技术闭环和商业化的验证。#小鹏NGP德国表现惊艳中外媒体##小鹏MONAL03德国NGP实测#

20. 陶哲轩ICM2026重磅演讲：AI时代，数学正在经历一场百年未有的“基础危机” | 《AI时代的数学》报告下载

21. 如何看待AI在数学领域的突破

22. AI一次性突破10大世界级数学难题，OpenAI新模型惊艳科研圈

23. #AI论道# 【OpenAI全新模型Astra曝光：攻克10项菲尔兹奖级难题，全球用户破10亿】大模型之家讯 8月1日，OpenAI下一代核心模型Astra消息密集曝出。该模型被指已在10项开放超10年、长期无进展的数学与计算机科学未解难题上取得突破，其中多项达菲尔兹奖级别难度，相关成果以249页论文形式发布，单次推理Token成本约2000美元。奥尔特曼本周已在华盛顿向政策制定者展示该模型，其主打多智能体长周期任务协同，可应用于工程研发与高级数学问题求解。与此同时，OpenAI全球用户数突破10亿大关。业内普遍认为Astra疑似为GPT-6系列或GPT-5.7前身，官方计划8月正式发布，但可能因美国政府审查流程而推迟。多家媒体将此视为AI圈“过年版”重磅事件，学界对Astra在基础数学上的突破反应强烈。#OpenAI# #大模型#

24. OpenAI Astra 用 2000 美元证明 10 道数学难题：AI 数学家时代拉开序幕

25. 2000美元，AI把数学家悬赏46年的题给解了

26. 2026菲尔兹奖深思：AI重塑数学，行业正在精简

27. 数学从「王的猜想」到「AI的证明」｜新皮层周报

28. AI攻克数学圣杯、入侵真实世界——本周科技世界的五大裂变

29. OpenAI下一代模型Astra的数学推理能力如何？

30. 2000美元，AI一夜干掉10个数学家

31. OpenAI 的 Astra 解了 10 个数学难题：菲尔兹奖得主开始紧张了

32. 视界｜AI前沿日报：AI数学突破与全球治理框架同步提速

33. 2000美元破解10道数学未解难题，AI首次做出原创数学发现

34. 硬科学领域，AI比人凶

35. 当 AI 开始证明数学定理：10 道悬而未决的难题被攻克，我们该焦虑什么？

36. AI破解数学难题，是因为数学方法本质上就是暴力求解的形式化吗？

37. AI浪潮下：数学领域的冲击

38. AI花2000美元解10道数学难题：从做题到做研究

39. OpenAI 凌晨甩出成绩单：10道数学难题，AI 花了2000美元解了

40. OpenAI Astra模型首次曝光：2000美元算出10个数学难题，AI研究新范式来了

41. 10道菲尔兹奖级难题被AI“批量破解” #Astra #AI4Math #菲尔兹奖 #AI破解重要数学难题 #AI数学科研系统 AI模型Astra在数学领域取得重大突破，解决10个困扰数学家数十年的难题，展现“数学直觉”。这引发对人类数学家角色的思考，AI智能体未来可能成为猜想制造者、意义编织者和直觉翻译官。

42. Erdős留下数学谜题，被AI重新探索：人工智能走向纯数学研究前沿

43. AI开始抢科学家的饭碗了：2000美元，十项捂了几十年的数学难题被解开

44. AI 攻破 80 年难题后，数学家集体拉响警报：再不管，数学灵魂就没了

45. AI破解87年数学悬案：人工智能仅仅利用一个微小公式

46. OpenAI Astra 十项数理突破：AI 正在改写纯数学的游戏规则 - 哔哩哔哩

47. 陶哲轩最新演讲：AI 对数学的冲击才刚开始

48. OpenAI Astra 在十项长期数学难题上取得突破

49. AI日报｜08月02日 Astra 2000美元干掉27年数学难题

50. DeepMind重磅论文：LLM永远无法做出划时代的科学发现，因为它们“跳不起来”

51. 别只夸 AI 会证明定理，工具链卡死才要命

52. OpenAI Astra模型数学突破与学界争议

53. AI接连推翻数学猜想，人类还能守住菲尔兹奖吗？

54. 迄今为止陶哲轩利用AI工具解决了哪些数学难题

55. OpenAI 重磅突破！新 AI 一口气攻克 10 道尘封十年的世界级数学难题

56. OpenAI破解单位距离猜想后，GPT 5.6 Pro又让数学家“喜忧参半”

57. AI可助力数学发展但难取代人类数学家

58. AI 开始证明数学难题

59. AI攻陷数学：顶尖数学家为何说它只是工具？

60. AI 能力的 "奇点时刻" 已经到来：数学突破与系统入侵只是同一枚硬币的两面

61. 被 AI 大人吓哭：数学家的铁饭碗也裂了嘛？

62. 当证明不再稀缺：陶哲轩谈 AI 如何改写数学研究分工

63. 接连攻克数学难题！AI真的会取代科学家吗？

64. OpenAI新一代AI被曝攻克多项顶级数学难题：技术跃迁还是概…

65. AI接连证伪百年数学猜想却难发明新理论，世界模型能否补齐短板？

66. AI接连攻克数学难题它会取代数学家吗？

67. OpenAI模型Astra突破数学难题，AI人工智能ETF平安(512930)开盘上涨

68. AI证伪百年数学猜想被打假，Lean证明惊现漏洞，哥大教授破防了

69. OpenAI 解出 10 道数学难题，证明软件却先犯了错

70. 陶哲轩：人工智能时代的数学 | ICM 2026 | Alvaro Lozano-Robledo

71. AI 开始解决数学难题，真正改变的不是答案，而是科研流程

72. OpenAI 公布 Astra 十份数学证明

73. 【语言的有损编码与AI的创新天花板】《Position: LLMs can't jump》提出了一个锐利的观点：大模型可以精通归纳和演绎，但无法完成“溯因推理”（Abduction），即像爱因斯坦发现广义相对论那样，从感官经验直觉地跳跃到新公理。核心矛盾在于，语言本身是人类经验的有损编码。我们用文字描述大峡谷的壮丽或爱情的复杂，其实是把无限的感官和直觉压缩成了有限的符号。大模型在这些“压缩包”里学习，虽然能模仿得惟妙惟肖，却因为缺乏物理世界的感官锚点，无法在没有数据参考的真空地带进行直觉模拟。这意味着，如果AI始终被困在文本的围城里，它可能永远只是一个顶级的“做题家”，而无法成为那个在脑海中模拟电梯自由下落、进而重构宇宙法则的科学家。真正的创新，往往藏在那些文字无法抵达的缝隙里，而这正是目前单纯依赖Token训练的路径所缺失的物理直觉。

74. 南开大学与字节跳动共建数学与智能联合实验室南开大学陈省身数学研究所、数学科学学院与字节跳动近日正式签约，共同成立“数学与智能联合实验室”，深化数学基础研究与人工智能前沿领域交叉创新，打造产学研深度融合的高水平协同创新平台。当前，基础数学是人工智能大模型迭代升级、核心算法突破、推理能力跃升的底层支撑，数智交叉融合已成为前沿科技攻关与产业创新的核心方向之一。南开大学与字节跳动将依托各自在基础数学研究与人工智能技术应用领域的优势，围绕人工智能与数学交叉融合开展深度合作，推动数学科研工具创新与大模型推理能力提升。此外，联合实验室还将在人才培养等方面开展全方位合作，努力打造数学与人工智能交叉领域的重要创新平台。南开大学数学学科源于1920年姜立夫先生创建的算学系，是当时中国大学第二个数学系。经过几代南开人的努力奋斗，特别是自1985年陈省身先生回母校创建南开数学研究所（现陈省身数学研究所）以来，南开大学数学学科已成为专业门类齐全、研究实力雄厚的数学自主研究和人才培养基地。南开数学汇聚多支国家级创新团队，在微分几何、调和分析、组合数学、动力系统等基础数学方向长期保持国际领先水平。近年来，南开数学学者在Ann. Math.，Invent. Math.，JAMS等国际顶尖数学期刊上发表多项重要成果，已有4人应邀在国际数学家大会上作45分钟报告，多人担任菲尔兹奖评委、国际数学联盟执委、国际数学家大会程序委员会委员、发展中国家科学院数学遴选委员会委员、中国数学会副理事长等，南开大学讲席教授约书亚·扎尔（Joshua Zahl）与本届菲尔兹奖获得者王虹教授共同攻克了百年数学难题“挂谷猜想”，展现出广泛的国际影响力和持续提升的学术竞争力。（记者姜凝）

75. OpenAI下一代模型Astra曝光：249页论文，AI开始进入原创数学

76. 可自主攻克数学难题，MMAT 智能体实现基础科学 AI 重要突破

77. AI 能帮助证明黎曼猜想吗？

78. AI 解了 10 道数学难题，为什么专家说被高估

79. 追踪AI｜AI接连攻克数学难题引发各界广泛关注

80. AI科研范式革命：花200美元即可攻克一道数学世纪难题

81. OpenAI Astra证明10项科学定理：AI推理成本仅需2000美元

82. AI想推翻90年数学难题，结果找出了证明工具的陈年bug

83. Anthropic发布密码学研究成果：Claude Mythos首次发现密码算法数学弱点，AI辅助密码分析迈入新阶段

84. 普通人，用 AI 也能走近数学最前沿，并重新养回好奇心

85. 重新审视OpenAI的数学突破：它究竟突破了什么？

86. AI 证明数学难题，然后呢？谁看得懂？

87. AI 助力数学研究：人类创造力 + AI 效率 = 最优解！

88. 为什么中国AI不容易获得数学突破：从一场四色定理的“极限测试”说起

89. OpenAI Astra 一次交出 10 项数学成果：研究型 AI 开始用证书说话

90. 热点澄清｜AI尝试挑战数学猜想，人类还能守住菲尔兹奖？厘清三大认知误区近期两岸不少电视节目、网络资讯热议：人工智能不断尝试挑战、甚至找到部分数十年悬而未决数学猜想的反例，由此衍生讨论：未来菲尔兹奖是否会被AI冲击，人类数学家优势不复存在？结合国际数学联盟规则与当下学术现状，梳理关键事实，厘清诸多夸大说法。首先明确一条硬性规则：AI在制度层面没有资格参评菲尔兹奖。依据国际数学联盟官方规定，菲尔兹奖授予自然人，要求获奖者在颁奖当年1月1日未满40周岁。奖项表彰的是原创数学思想、理论体系搭建、开拓全新研究方向。人工智能不属于人类研究者，从规则上就不具备获奖资格，不存在“AI争夺菲尔兹奖”的可能性。其次要客观界定当下AI在数学领域的定位：现阶段所有AI参与数学研究，均属于人机协作模式。 AI擅长大规模数值搜索、冗长逻辑演算、辅助寻找潜在反例、形式化证明辅助验证。但提出前沿问题、搭建理论框架、判断研究价值、诠释成果的学术意义，依旧依赖人类数学家。不少对外公布的AI数学成果大多停留在预印本阶段，尚未经过全球数学界完整同行评议。过往也出现过AI生成的形式化推导被学者发现逻辑缺陷的案例。AI输出内容不能直接等同于严谨、成立的数学结论，必须经过人类反复核验。第三，破除“AI崛起，人类数学家将失去机会”的焦虑论调。从历史来看，计算器、计算机、专业符号计算软件早已成为数学家的常规工具，从未磨灭数学研究的原创价值。菲尔兹奖评审看重思想独创性，评审不会因为数学家借助计算机、AI开展辅助推导而否定其学术贡献。长远趋势并非AI取代数学家，而是懂得熟练运用AI工具的研究者，有望在前沿领域取得更多突破。 AI能够大幅节省繁琐推演、穷举搜索的时间，帮助研究者规避大量无效试验方向。但数学研究最核心的创造力——提出全新猜想、跨领域融合理论、洞察底层内在规律，当前人工智能还难以实现。补充提醒：目前很多自媒体、电视节目喜欢渲染“AI成功推翻重大猜想”这类戏剧性结论。大家需要留意，大量相关前沿进展还处在学术讨论阶段，没有形成学界统一共识，切勿当作盖棺定论的最终结果。 #人工智能 #数学 #菲尔兹奖 #科技科普

91. 小红书大模型 IMO 满分夺金：AI 数学推理的终点，还是新一轮刷榜狂欢？

92. 中国数学家刚拿下菲尔兹奖，AI转头攻破了十个数学难题

93. 第57期：当AI用2000美元解决了十个顶级数学难题，教育还有什么意义？

94. 【连接大模型推理与形式验证】自动形式化综述 arXiv2025

95. 10个菲尔兹奖级难题被AI攻克，成本仅为2000美元

96. 看完恍然大悟！AI在代码数学领域进展快，核心原因原来在这

97. OpenAI 一夜拿下十个数学开放问题，菲尔兹奖得主转投 AI——我反而觉得更得学数学了

98. AI批量攻坚猜想势如破竹，会碾压人类顶尖数学家吗？长久以来，基础数学留给大众的印象，是几代顶尖数学家耗费十数年心血，埋头攻坚一个世界级猜想，一旦完成证明便足以斩获菲尔兹奖。而如今格局正在发生剧变：齐默尔曼依托AI短时间推进十几个菲尔兹级别数学猜想，单位距离猜想更是实现了AI自主完成核心证明，对比悬殊的效率让不少人感慨数学界仿佛要迎来大变天。有人疑惑，人类苦思多年无解的难题，AI短短几天就能攻克，难道AI仅仅是算力更强的计算器？又该如何看待人机在数学领域的定位与分工？首先需要客观正视AI的自主突破能力，不再简单将AI定义为依附人类的演算工具。过去多数AI辅助数学的案例，都是顶尖数学家敲定解题方向，由AI完成冗长推导、验算细节。但单位距离猜想是标志性的转折点，在近八十年间，一代代数学家受固有直觉束缚，默认平面最优点集为方形网格，始终难以突破瓶颈。而AI仅接收问题指令后，自主跨界串联代数数论与离散几何，构造出人类从未设想的点集结构，自主完成核心思路搭建与反例推导，并没有人类一步步划定解题路径。当然，AI的自主创造并非凭空诞生，它的全部知识来源于人类数百年来沉淀的数学论文、定理体系，硬件框架由人类搭建，最终的证明也需要人类数学家核验梳理。这就如同天才学者站在前人著作上完成突破，依托前人积累并不等同于丧失原创性。 AI解题速度碾压人类，根源远不止计算速度更快，而是思维模式存在本质差异。其一，人类存在明显的知识壁垒，一名数学家往往只能深耕两三个细分领域，很难实现跨分支联动；而AI整合了全球所有数学门类知识，可以瞬间拼接看似无关的理论工具，这也是单位距离猜想得以突破的关键。其二，人类有精力上限与思维定式，一天只能试错寥寥几条思路，长期碰壁容易陷入固有认知；AI可以并行推演上万条推理路径，不知疲倦地筛选排除死胡同，几天就能完成人类数十年的试错总量。其三，面对上百步的超长逻辑链推导，人类极易出现细微疏漏，AI却能保持逻辑高度稳定；同时AI没有日常经验带来的直觉枷锁，能够构建违背常规观感却符合数学规则的特殊结构，补齐人类思维的短板。即便AI已经可以独立攻克菲尔兹级猜想，也并不意味着人类数学家会被淘汰，二者拥有完全不同类型的智慧。AI属于问题求解型智慧，擅长承接已提出的难题、构造反例、批量完成推导论证；但AI无法自主提出具备长远学科价值的新猜想，不能判断一个研究方向的意义，也无法将数学结论对接物理、芯片、密码等现实应用，缺少数学审美与方向开拓的能力。而人类的核心价值是开拓定义型智慧，从黎曼提出猜想、格罗滕迪克创立代数几何，到齐默尔曼筛选值得攻坚的猜想、解读AI成果的深层价值，都是AI无法替代的工作。菲尔兹奖的评选标准，从来不是解出多少道题目，而是创造新方法、开辟新领域，提出核心思路的人类，依旧是学科进步的核心。这场由AI带来的变革，并非数学世界的颠覆，而是研究范式的重构。在人机协同的新模式下，数学家不必再耗费大量时间在琐碎验算上，可以集中精力专注原创构思；冷门猜想的试错成本大幅降低，大量尘封多年的难题迎来突破契机；基础数学成果也能更快转化落地，反哺前沿科技。数学教育也随之迭代，学习者不再需要埋头苦练海量笔算推导，转而培养问题洞察力、跨学科思考和人机协作能力。总而言之，AI已经具备独立产出顶级数学思路的创造力，改写了传统数学的研究节奏，但人类积攒的知识积淀、开拓性的提问能力、价值判断的思维，依旧是数学向前发展的根基。未来的数学，不会是AI取代人类，而是人类掌舵方向、AI攻坚行路，二者携手奔赴基础科学更远的边界。