AI+人选对问题就能啃硬骨头：从数学到架构搜索的实践
Soulren · reddit · 2026-08-19
作者提出一个核心观察：今年两个标志性成果——某模型把 Riemann 假设相关工作从 41.6% 推进到 67.2%（经 Lean 验证和外部数学家审阅）、另一模型约 2000 美元算力解决群论 27 年悬而未决的问题——都不是 AI 自己选题，而是人类挑对目标，AI 负责穷尽、可检验的执行。这与 Transformer 的诞生同构：「Attention Is All You Need」的核心只是一个可一句话陈述的假设——序列建模并不需要递归。
文章引用多智能体系统 AIRA-Compose 作为该流程的运行实例：它搜索 attention/MLP/Mamba 组件组合，先在廉价小规模上测试候选，再对有效者放大，已找到在下游任务上超过 Llama 3.2 达 2.4–3.8% 的 AIRAformer-D 等架构。作者坦承这些胜利仅在代理规模验证，且多数被测假设最终是噪声。
可复制的做法：选窄而可证伪的目标（如「去掉 X 是否影响性能」），用清晰假设而非开放性提示词（模糊提示正是噪声的主要来源）；让模型做重组已知组件和严格验证的工作，不轻信自报告；先小规模对照实验（同数据同规模，仅改一处），有信号再考虑放大，且小规模胜利不保证在前沿规模成立。
「漫话AGI」频道最新
- 如果 AI 访问权可被随意撤销，将构成对他人的支配 — 1a3orn · 2026-08-19
- 未来经济规划将依赖对 AI 的稳定访问权 — 1a3orn · 2026-08-19
- 人才涌入“硅塔”，独立 AI 研究者严重匮乏 — sethlazar · 2026-08-19
- 全球月推理算力或达千万亿级，AI明年将超越人类 — johnowhitaker · 2026-08-19
- AI 项目被低估的价值：构建思维模型并渐进修补 — GlenBradley · 2026-08-19
- 新病「BTHB-26」：嘲讽科技大佬过度承诺 — DrDatta_AIIMS · 2026-08-19