AI新莫拉维克悖论引热议
近期多位开发者、研究者和创业者集中讨论同一个反差：大模型在高难度数学题、抽象推理甚至部分编程基准上看起来越来越强，但一到改账单、处理报税、遵循简单指令或持续数小时完成真实编码任务时，却仍会频繁失误。当前较一致的结论不是“模型不会推理”，而是其能力分布极不均衡，离可靠执行现实业务流程还有明显距离。这值得关注，因为数学和编程上的突破，并不等于 AI Agent 已具备稳定落地能力。
已确认
- @YuchenjUW 用极简对比概括了这种割裂：模型一边可能解出约 10 个开放数学题，另一边却连 3 个简单指令都执行不好，还可能白白消耗上千万 Token 和数百美元。
- @shakoistsLog 给出的业务例子更具体：AI Agent 处理高数问题时表现突出，但在修改客户发票这类日常操作上仍会出错。他认为，这暴露的是抽象推理能力与现实世界繁杂规则处理能力之间的鸿沟。
- @rickasaurus 也用报税场景表达了同样的不均衡：模型也许正逼近解决黎曼猜想这类难题的能力，但依然不够可靠，难以胜任日常 taxes 工作。
- @NYCounihan 反映，这种问题在长程编程任务里尤其明显：即便模型能在高难题上显得聪明，连续写 5 个小时代码时却容易偏离主线，自己扩写出一堆无用的“AI 垃圾”支线任务。
- 在一条转发内容中，安全专家 halvarflake 还调侃说，如果模型花几千美元算力能解决菲尔兹奖级别的数学猜想，却修不好他日常遇到的代码 Bug，那么这种能力结构本身就很讽刺。
为什么重要
- @paraschopra 将其概括为大模型时代的“新莫拉维克悖论”：对 LLM 来说，证明复杂数学猜想，可能反而比做出一个能在 App Store 挣 100 美元的简单应用更容易。他的核心质疑是，数学突破未必能自然转化为开放式商业价值。
- @ajratner 认为，这正是莫拉维克悖论在新阶段的重现：人类觉得难的数学、编程，AI 反而更容易取得进展；人类觉得简单的日常任务，却仍是模型短板。他提醒，不能把在强可验证领域中的进展，线性外推到缺少反馈、规则琐碎且容错率低的真实场景。
- @Franc0Fernand0 则把关键差距归结为“会不会停下来发问”。他认为，人类实习生遇到不合常理或互相矛盾的信息时，通常会主动求证；当前 AI 往往不会，因此即便智力表现亮眼，也会在现实业务里持续犯低级错误。
2026-08-02 ~ 2026-08-03 · 8 条相关
一手来源
- AI Agent能搞定高数却改不对账单 — shakoistsLog ·
- 新莫拉维克悖论：LLM 擅长解数学题却难做赚钱 App — paraschopra ·
- AI能解数学难题却听不懂指令？核心差距在于「不懂发问」 — Franc0Fernand0 ·
- 【源头】AI Agent能搞定高数却改不对账单 — shakoistsLog · 2026-08-02
- AI 能解决黎曼猜想，却做不好我的 taxes — rickasaurus · 2026-08-02
- AI的讽刺：能解开放数学题，却搞不定三个简单指令 — Yuchenj_UW · 2026-08-03
- 能解千禧难题却修不了Bug？研究员调侃AI能力反差 — mboehme_ · 2026-08-03
- AI再现莫拉维克悖论：数学编程猛进，人类常识依然难解 — ajratner · 2026-08-03
- 【源头】AI能解数学难题却听不懂指令？核心差距在于「不懂发问」 — Franc0Fernand0 · 2026-08-03
- 能解数学题却写不好代码？用户吐槽 AI 编程爱跑题 — NYCounihan · 2026-08-03
- 【源头】新莫拉维克悖论：LLM 擅长解数学题却难做赚钱 App — paraschopra · 2026-08-03