AI 用 88 小时解开了千禧年数学难题，却引发数学家联名质疑。这背后是 AI 产出速度与人类理解速度之间日益扩大的裂缝。当 AI 替你省掉试错过程，你失去的不仅是时间，更是形成判断力的机会。本文从产品经理视角，探讨如何在 AI 时代保留自己的试错回路，避免让工具替代思考。

上周刚刷到说 AI 解决了纳维—斯托克斯（NS）难题。

虽然我不太懂，但”七大千禧年大奖难题”这个title的含金量还是相当高的。因为从20年美国克雷数学研究所公布这七大难题至今，只有一个被解决，其他至今仍未被人类攻克。但，如今被AI给攻克了！

OpenAI 用的是内部模型，启动了上万个并行 Agent，88个小时交出证明，又花17个小时用 Lean 做形式化验证。

但结果还没正式发布，就先因为发布时间和论文署名，跟数学家 Buckmaster 起了纠纷。紧接着，25位菲尔兹奖得主发了一份联名声明。

我刚看到的时候，还以为是孔乙己的长衫没脱下来，对于AI还抱有质疑，觉得他们不懂得拥抱新技术。但后来我把那份声明认真看了一遍，其实里面写的并不反对 AI 参与数学研究，甚至承认 AI 有可能加速研究。真正让他们介怀的是：AI 公司把数学名题当成模型能力的成绩单。

对公司来说，题解开了、结果公布了，目的就达到了。但在数学界，这只是一大堆工作的起点。

过去一道难题被解开，后面还要有人把证明一遍遍讲清楚，找出里面真正新的方法，补上它和前人研究之间的关系，再交给同行去讨论、简化、迁移。只对这一道题有用的技巧，和可以迁移到其他问题的方法，得在这个过程里慢慢分出来。直到它能被写进教材，后来的学生可以沿着这条路继续往前走。到这一步，一个答案才真正变成知识。

形式化验证能检查推导是不是按规则成立，但它不会自动把里面的新方法讲清楚，更不会把它变成学生能理解的东西。

这就是 AI 带来的真正变化：答案的生成速度，开始跑在人的理解速度前面。

一、裂缝在变大

同一周，Anthropic 的 CEO Dario Amodei 发了一篇长文，主动提出要放缓前沿模型的推进速度。

一家 AI 公司的 CEO，不是被监管逼着说的，自己站出来说：我们该慢一点。

但把他的长文和数学家那份声明放一起看，观点其实一样：不是 AI 不该进步，是进步的速度和人消化进步的速度之间，裂缝在变大。

数学家的观点：答案出来了，但理解跟不上。

Dario的观点：能力涨上去了，但安全评估跟不上。

措辞不一样，机制是一样的。AI 的产出速度和人的吸收速度之间，正在形成一个越来越大的时间差。

放到工作里也是一样。你用 AI 一个小时写出一份看起来很专业的方案，但开会的时候，别人追问到第三个问题你就接不住了。因为那份方案里的判断不是你做的。

Vibe Coding 把做出一个产品的门槛打没了，但做出来之后怎么迭代、怎么排查、怎么判断该改哪里，这些能力不会因为你用了 AI 就自动获得。0-1 被商品化了，1-N 的能力缺口反而被放大了。

裂缝的两边，一边是产出，一边是理解。AI 在拼命拉宽产出那一边，理解这一边没人帮你拉。

二、被省掉的不只是时间

AI 时代最先受冲击的不是最底层的人，是那些处在”够专业但不够顶尖”的中间层。

站在普通人的角度，AI 解了千禧难题，我的反应是兴奋。我不做数学研究，这件事对我来说就是，技术又进步了，牛逼！

但站在那25位数学家的角度，他们的反应不是兴奋，是介怀。他们花了十年二十年在一个方向上积累，建立了一套研究体系，培养了一批学生。AI 用88个小时交出一份证明，不只是解了一道题，是绕过了他们的整套积累。

不是说积累没用了。而是 AI 拿到答案的路径，跟他们走了几十年的路径完全不同。你没办法从 AI 的证明里反推出一套方法论，写进教材，教给下一届学生。

这让我想到一个词：试错。

我自己做产品经理这几年，有一个很深的体感：我真正学到东西的时刻，几乎全部来自犯错。

不是看教程学到的，不是别人告诉我学到的，是我自己踩进坑里、花了时间爬出来，才真正理解某个东西为什么是那样的。

我刚开始写 Prompt 的时候，写了一个特别长的系统提示词，把所有要求全塞进去，觉得写得越详细模型表现越好。结果上线之后发现，改了一处其他地方全崩。后来才搞明白：不是 Prompt 写得不够好，是我把应该用结构解决的问题全压在了语言上。这个判断力不是谁教我的，是我在那个祖传Prompt 上改了十几版才长出来的。

写周报也是。从24年开始写，最早就是流水账，后来慢慢变成了思考草稿。不是因为谁告诉我该怎么写，是写着写着发现自己说不清楚一件事的时候，才意识到我其实没有真的想清楚。写不出来的那个卡顿，就是学习正在发生的信号。

做产品实测也一样。上线之后被用户骂”回答不对”，我第一反应是改 Prompt。改了几次发现越改越乱。后来学会了先看 case，到底是检索没召回，还是模型理解错了，还是用户的问法根本不在我设计的范围内。这个”先诊断再动手”的习惯，踩了坑才养成的。

这些过程看起来都是低效的。但正是这些低效，把知识从”我听说过”变成了”我真的懂”。

AI 正在帮我们省掉越来越多的试错成本。这不是坏事。但问题是：试错不只是成本，它同时也是学习本身。

你让 AI 帮你写了一版方案，直接用了，省了两天。但那两天里你本来会犯的错、会走的弯路、会在弯路里形成的判断力，也一起被省掉了。

短期看，产出变多了。长期看，你自己的判断力没有跟着涨。

这跟数学家担心的是同一件事。不是 AI 能解题，而是如果学生只看到答案，不再走那条充满试错的研究路径，那条路径上本该长出来的能力就不会再长出来。

AI 让你看起来更强了，但不一定让你真的变强了。

三、同一份报告，两种人

我最近做竞品分析，会先自己列一遍维度：这个产品解决什么问题、目标用户是谁、核心功能怎么分层、商业模式是什么。列完之后再让 AI 帮我补漏掉的角度、拉我没注意到的数据。

如果一上来就跟 AI 说”帮我分析一下这个竞品”，它也能给一份很完整的报告。但那份报告里的维度是它定的，优先级是它排的，结论是它下的。我只是在读。读完让我脱离那份报告讲一遍，大概率讲不清楚。因为那个分析过程没有经过我的脑子。

两种做法，交出来的报告可能长得差不多。但开会的时候，别人追问两轮你就知道区别了。

写文章也是一样。写到卡住的地方，我不会立刻问 AI。先自己写一版，哪怕逻辑不通，哪怕只有几个词，先把想法钉在那里。然后再查资料，再问 AI，再改。

跟”先让 AI 生成再改”看起来差不多，体感完全不同。前者是我先输出了判断，AI 帮我打磨；后者是 AI 先输出了判断，我只是在校对。

一个是我在用工具，一个是工具在用我。

团队开周会也能看到这个区别。有人说”我让 AI 分析了用户反馈，它建议我们优先做 X 功能”。

这句话没问题。但追问一句：AI 是怎么得出这个结论的？它看了多少条反馈？它怎么定义的”优先”？

大部分时候，回答不上来。

不是 AI 分析得不好，是用的人没有验证过那个结论。有问题，拿答案，结束。

如果他自己先看一遍反馈，形成初步判断，再让 AI 从更大的样本里验证对不对、有没有漏掉的信号，在周会上讲出来的就是自己的判断加上 AI 的佐证，而不是 AI 的判断加上自己的嘴。

差别不在于你用不用 AI，在于 AI 进入你工作流的位置。它是在你思考之后进来的，还是替代了你的思考？

四、怎么保留你的试错回路

落到日常工作里，就是三个动作。

先出题再找答案。

在打开 AI 之前，先把你要解决的问题写清楚。不是写 Prompt，是写给自己看的：我到底要什么，什么算好，什么算不够好。

你定义问题的质量，直接决定了 AI 给你的答案有没有用。同一个任务，”帮我写一份竞品分析”和”帮我分析 X 产品在留存上比我们好的三个可能原因，重点看新用户引导流程”，AI 收到的指令完全不同，交出来的东西也完全不同。

更重要的是，写清楚问题这个动作本身，会逼你先想一遍。有些问题你写不清楚，不是表达能力的问题，是你自己还没想清楚到底要什么。写不清楚本身就是一个信号：这个地方需要你先做判断，不是让 AI 替你判断。

保留你的草稿。

不管 AI 给了多好的版本，先有你自己的版本。哪怕很粗糙。

先自己写一版，写到哪算哪，写不下去就空着。然后再让 AI 帮我补、帮我改、帮我扩展。这样你永远知道哪些判断是你做的，哪些是 AI 做的。

反过来，先让 AI 出一版完整的，再在上面改。你会发现改不动。不是因为它写得好，是因为你没有自己的判断作为锚点。不知道该同意什么、该质疑什么。只能读一遍觉得”好像挺好的”，然后就这么用了。

你那个粗糙的版本不是浪费时间，是判断力在生长的证据。

记录你改了什么。

AI 给你一个方案，你用了。但你改了哪里？为什么改？改完效果怎么样？

我自己有一个做法：每次用 AI 辅助完成一个有难度的任务，在飞书里记一条。AI 给了什么、我改了什么、为什么改。三个字段。

三个月下来翻那个记录，你能看到两件事。你在哪些任务上越来越少需要改，说明 AI 在这些事上够用了，放心交给它。你在哪些地方每次都在改同样的东西，那是你的判断力真正在起作用的地方，不能让出去。

不记录，三个月后面对同类问题还是要从头问 AI。记录了，下次能直接判断。

这三个动作做的是同一件事：不让 AI 替你跳过思考。你可以让它帮你思考得更快，但不能让它替代你思考。因为那个过程不只是在完成任务，它同时在塑造你。

AI 解了千禧难题，数学家发了联名声明，AI 公司 CEO 自己说该慢一点。

三件事讲的是同一个故事：AI 能给出越来越多的答案了，但拥有答案不等于拥有能力。

那25位数学家不是害怕答案。他们是在说：如果所有人都只看到答案，没有人再走那条通向答案的路，这条路就会消失。

对做数学的人来说，消失的是一个学科的传承体系。对普通人来说，消失的是你自己判断力的生长空间。

答案从来都不是门槛。

知道怎么验证答案，知道它为什么对，知道它在什么条件下不对。这些才是。