AI数学优势或源于超大工作记忆

当人工智能系统攻克一道困难的数学难题时，人们通常将其归因于智能水平的提升。有人认为是模型吸收了数百万数学示例，有人认为强化学习教会了它更优的推理策略，还有人觉得它正在发展出某种类似数学直觉的能力。这些解释或许都包含部分真理，但一个更简单的可能性常常被忽略：AI拥有比人脑大得多的工作记忆。

更准确地说，AI能够访问一个庞大的外部符号工作空间，这个空间执行了人类工作记忆的许多功能。这种差异在数学领域尤为重要。人类数学家同时只能记住少量不熟悉的元素，而AI模型可以在其上下文窗口中保留完整的问题陈述、数百条中间方程、几种已放弃的路径、定义、约束以及先前得出的结论。

我们通常将这样的表现解读为推理能力更优的证据。但其中一部分原因，可能只是移除了人类推理最重要的生物限制之一——极其有限的工作记忆容量。

工作记忆是让我们在短时间内持有并操作信息的心理系统。解方程时，你必须记住每个变量代表什么、已经执行了哪些运算、当前目标是什么。在证明过程中，你可能需要跟踪假设、中间引理、例外情况以及多种可能的情形。

人类工作记忆的容量相当有限。其确切容量取决于任务难度以及信息的组织方式，但日常经验足以说明这种局限。试着心算两个三位数的乘法：底层运算很简单，困难主要来自在继续计算的同时保留中间结果。

把数字写下来，问题就变了。纸张并不会让你更聪明，它只是扩展了你有效的工作记忆。同样的原理适用于更高层次的数学。数学家使用记号、草稿纸、图表和之前写下的引理，不仅是为了交流解答，更是为了让推理在认知上成为可能。

专家通过“组块化”来弥补这一缺陷。新手看到一长串符号，专家则识别出一个熟悉的结构，并将其视为一个概念整体。这样，同样的生物工作记忆限制内就能容纳更多信息。但组块化并不能消除限制，它只是压缩了信息。

AI数学优势或源于超大工作记忆

AI模型面临的是非常不同的约束。它的上下文窗口可以视为一个动态的、可扩展的符号工作记忆。在解决复杂数学问题时，模型不需要像人类那样不断将中间结果转移到长期记忆或外部媒介中，而是可以随时回溯、比较和组合大量推理状态。

这种能力可能重塑我们对AI数学能力的理解。当模型在奥赛级几何题或高级数论问题上表现出色时，人们往往惊叹于它的“逻辑深度”。然而，如果核心差异是记忆而非推理，那么评估AI数学能力的标准也需要调整——不仅要看它能否找到证明，还要看它在多大程度上依赖记忆优势来绕过人类固有的认知瓶颈。

这也为AI研究提供了一个有趣的方向：如果工作记忆是数学推理的关键制约因素，那么通过设计更高效的记忆架构，或许能让AI在更多复杂推理任务中取得突破，而不一定需要大幅增加模型的参数规模或训练数据。

当然，这并不意味着AI的推理能力没有进步。而是提醒我们，在解释AI的卓越表现时，不应忽视最朴素的技术因素——一个庞大的、可随机访问的符号工作空间。它让AI能够“记住”人类会遗忘的每一个细节，而数学，恰恰是一门依赖细节的学科。