OpenAI本周宣布，用上万个人工智能体（AI Agent）工作88小时，为困扰数学界百年的纳维—斯托克斯方程的存在性与光滑性问题，找到解法并通过验证。关于问题本身及重要性，已有很多科普，这里不再赘述。
官宣前，学界就已流传研究取得进展的消息。OpenAI公布方案后，还与另一组研究同一问题的数学家发生争议：后者也使用包括ChatGPT在内的主流模型，而OpenAI的路线与它高度重合；OpenAI也没否认，去标识化的用户数据可能用于模型改进。
撇开路线和成果归属的争议，更值得关注的，是它背后的象征意义。
如果AI可以靠更好的模型、更多算力和智能体，把过去积累的难题一个个推倒，面对今天尚未出现的问题，人类是不是也会越来越自然地采用同一条路线？
就像一个人在沙漠里迷路。过去，他只能沿着前人的脚印，拿着残缺地图一边试一边走。现在，他突然有了5G、卫星导航，旁边甚至停着一架加满油的直升机，随时可以飞出去。
对迷路的人来说，这当然是好事。问题是，科学研究未必只是为了走出沙漠。真正重要的不只是出口，还有寻找出口时留下的岔路、死路和地图。费马大定理历经几代数学家的反复失败才最终得到证明，而正是在这些失败中，新的工具、方法乃至数学分支不断出现。
顶级数学奖项菲尔兹奖得主陶哲轩最近因此提出：真正好的开放问题，可能是一种近似“不可再生”的资源。
数学当然不缺问题，但值得研究的问题很少。它不能太容易，也不能完全无从下手；最好还能迫使研究者发明新工具，或者连接原本彼此分离的领域。
陶哲轩把这种状态称为一个领域的“难度地形”。技术进步一直在把这张地形图铲平，过去是图书馆、计算机和软件，现在是AI。不同的是，我们还不知道AI这台推土机究竟能推到哪里。模型能力不断变化，AI公司又很少公开自己试过什么、在哪里失败。于是，一个问题尚未解决，到底是因为它真的困难，还是因为还没人愿意投入足够算力，变得越来越难判断。
当“解题”越来越便宜，最稀缺的反而可能变成“找到一个值得解决的问题”。
这其实有点像风险投资。假如世界上突然出现一种稳赚不赔的商业模式，风投还有多少存在的意义？又还有多少人愿意冒险尝试那些未经验证的新模式？
从投资人的角度看，判断一个创业者能不能成功，有时最值得看的未必是学历、上一份工作或者智商，而是他失败过多少次，以及每一次失败与上一次有什么不同。失败本身当然不值得歌颂，但一个人能不能从失败中修正判断、改变方法，恰恰构成创业者最重要的能力之一。在某种意义上，失败得越“有效”，下一次成功的概率反而越高。
科学也是如此。一个好的难题之所以珍贵，不只是因为最后那个答案，而是它允许许多人沿着不同方向失败，并从失败中不断扩大知识的边界。
所以真正值得担心的，也许不是AI会不会更快找到答案，而是当答案变得过于便宜以后，我们是否还愿意为走错的路付出努力。
因为失败从来不只是成功之前应该删掉的废片。很多时候，它本身就是知识生产的一部分。
（作者是金融科技从业者）
