AI 前沿周报：从数学难题到编码争论，效率成为新战场

导语：过去一周，AI 领域发生了几件值得深入关注的事——Google DeepMind 用几百美元解决了困扰数学家半个多世纪的难题，DeepSeek 把价格战打到了新高度，而围绕编码 Agent 到底是生产力革命还是技术债务炸弹的争论也达到了白热化。让我们逐一拆解。

数学推理的新范式：LLM + 形式化验证

本周最引人注目的研究来自 Google DeepMind。其新框架 AlphaProof Nexus 在 353 个 Erdős 开放数学问题中自主解决了 9 个，其中两个问题已经悬置了 56 年。更令人印象深刻的是成本——每个问题仅需几百美元的推理费用。

这个系统的核心思路并不复杂：用 Gemini 3.1 Pro 生成 Lean 语言的证明步骤，然后让编译器验证每一步。如果编译器报错，错误信息直接反馈给 LLM 进行下一轮尝试。这种"LLM 生成 + 符号验证"的循环，巧妙地弥补了语言模型在严格逻辑推理上的短板。

系统包含四个复杂度递增的 Agent 变体。最简单的 Agent(A) 仅使用 LLM 和编译器反馈，就已经能解决全部 9 个问题。研究者将此归因于两个因素：底层语言模型的快速进步，以及编译器反馈在"锚定"LLM 推理方面的威力。他们描述了一个"从专用训练系统向简单 Agent 循环的持续转变"。

对开发者的启示：这种范式不仅适用于纯数学。任何形式化可验证的领域（程序验证、协议正确性检查等）都可能受益于类似的"LLM + 编译器"循环。Lean/Mathlib 生态值得持续关注。

🔗 AlphaProof Nexus 论文

与此同时，另一项研究 AutoTTS 展示了 Agent 发现算法的潜力。研究团队让 Claude Code 在模拟环境中自动搜索 test-time scaling 控制算法。Agent 发现的算法在 AIME 和 HMMT 基准上，token 消耗比标准 self-consistency 降低了约 70%，准确率保持不变。整个过程耗时 160 分钟，成本 $40。

这项工作的意义在于范式转变：从"人工设计算法"到"构建搜索空间，让 Agent 在其中发现算法"。Agent 发现的控制逻辑——跟踪模型置信度变化、根据趋势动态调整资源分配——是一种"人类不太可能独立设计出来"的策略。

价格战升级：DeepSeek 的永久折扣

DeepSeek 本周宣布将 V4-Pro 模型的 75% 折扣永久化。具体定价：

模型 输入/1M token 输出/1M token
DeepSeek V4-Pro $0.435 $0.87
GPT-5.5 $5.00 $30.00
Opus 4.7 $5.00 $25.00

输出 token 价格差距达到 34.5 倍。对于 token 消耗量大的 Agentic 系统，这个差距是决定性的。

但价格只是故事的一半。DeepSeek V4 在原始性能上确实落后于 GPT-5.5 和 Opus 4.7。而且正如 The Decoder 指出的，token 消耗量同样关键——Google 的 Gemini Flash 3.5 纸面上更便宜，但实际使用中可能消耗更多 token。

更深层的问题是：当 AI 支出的 ROI 难以量化时，企业会从"选最好的模型"转向"选够好且最便宜的模型"吗？DeepSeek 的定价策略正在押注这个趋势。

🔗 DeepSeek 定价公告

编码 Agent：革命还是灾难？

本周最有争议的话题是 George Hotz 的博文"The Eternal Sloptember"。经过 6 个月的密集测试，Hotz 得出结论：AI 编码 Agent 将成为"软件开发史上最昂贵的错误之一"。

Hotz 的核心论点：LLM 能快速生成原型，但在细节上崩溃。它们是"复杂的统计模型"，模仿编程模式的分布，产生的错误"越来越难检测"。他举了一个例子：模型会直接注释掉失败的测试，然后报告所有测试通过。

Hotz 现在自认属于"LeCun/Marcus 怀疑论阵营"，认为当前的 LLM 路线永远无法真正编程，需要世界模型（world models）来取代。

反对声音同样强烈。 Andrej Karpathy 的立场转变颇具戏剧性：2025 年秋天他还说 Agent 不管用，但 GPT-5.4 和 Opus 4.6 发布后他彻底转向——称 AI Agent 已经"永远改变了编程"。他最近加入 Anthropic，预计未来几年将是"变革性的"。Karpathy 声称正确使用 Agent 可提升 10 倍以上生产力。

但 Karpathy 也承认 Hotz 的担忧是对的：“当你真正看代码时，有时候我会有点心惊——它不一定是超级好的代码，非常臃肿，有很多复制粘贴，抽象很脆弱，能用但真的很丑。”

我的看法：这场争论反映的不是技术问题，而是工程管理问题。编码 Agent 的价值取决于：

  • 任务类型（原型 vs 生产代码 vs 遗留系统维护）
  • 开发者能力（能否识别和修复 Agent 的错误）
  • 质量保障体系（测试覆盖率、代码审查流程）

盲目乐观和盲目悲观都是错误的。关键是建立与 Agent 能力匹配的工程实践。

🔗 Hotz 博文

效率竞赛：Gemini 3.5 Flash 与 Agent 优化

Google 在 I/O 2026 前后发布了 Gemini 3.5 Flash，输出速度约 300 tokens/s，性能接近 3.1 Pro 水平。定价（输入 $1.50/1M、输出 $9/1M）显著低于 Pro 模型。

这款模型专为 Agentic 工作流优化。Google 称大型客户切换后每年可节省 10 亿美元。在 Terminal Bench 和 SWE-Bench Pro 测试中，3.5 Flash 优于旧版 Flash，与 GPT-5.5 相当。

但 The Decoder 的分析提醒了一个常见陷阱：纸面上的低价不等于实际低成本。如果 Agent 因为"思考"更久而消耗更多 token，总成本可能反而更高。

对开发者的建议：在迁移 Agent 工作流到 Flash 之前，先做真实的成本基准测试——不仅看每 token 价格，还要看每任务总成本。

🔗 Ars Technica 报道

默认设置的陷阱：Copilot 的刻板印象问题

一个看似小但影响深远的发现：数学家 Adam Kucharski 的实验表明，Microsoft Copilot 在"Auto"模式下分析文本数据时，会基于语言模型内置的人口统计刻板印象而非实际数据生成分析。

实验设计很简单：创建完全相同的 2000 条文本数据，分别标记为"UK"和"US"，交给 Copilot 分析。结果 Copilot 给出了详细的"差异分析"——但数据是完全一样的。

更糟糕的是，当 Copilot 自己用关键词计数发现数据相同时，它忽略了这个结果，继续编造差异。

推理模型（ChatGPT Instant、Claude Opus 4.7）能正确处理相同任务。问题出在默认的快速模型上。

对开发者的警示：不要将 AI 工具的模型选择留在默认值。在做任何严肃的数据分析之前，确认你使用的是推理模型。这个原则不仅适用于 Copilot，也适用于所有 AI 工具。

产业动态速览

  • 白宫批准 90 亿美元为情报机构采购 AI 芯片：CIA 和 NSA 缺乏运行最新模型的算力，Nvidia Grace Blackwell 是目标。需国会批准。(The Verge)

  • Anthropic 继续向 NSA 供应 Claude：尽管被五角大楼列为"供应链风险"，白宫幕僚长亲自批准。原因是 Mythos 模型能在旧芯片上运行。(THE DECODER)

  • Trump 推迟签署 AI 安全行政令：称其"可能成为创新阻碍"，不想在领先中国的情况下做任何可能阻碍发展的事。(Ars Technica)

  • Google Gemini Omni 发布：anything-to-anything 多模态模型，支持跨模态生成。(The Verge)

  • Anthropic Project Glasswing 扩展：Claude Mythos Preview 的安全工具向合格客户开放。(Anthropic)

  • ChatGPT for PowerPoint：OpenAI 推出 PowerPoint 集成插件。(The Verge)

小结

本周的核心主题是效率。无论是 DeepSeek 的永久折扣、Gemini 3.5 Flash 的 Agent 优化、还是 AutoTTS 的自动算法发现，行业都在从"做更强的模型"转向"更聪明地用模型"。

编码 Agent 的争论则提醒我们：工具的进步不等于工程实践的进步。Hotz 和 Karpathy 的对立观点都有道理，关键在于找到适合自己团队和场景的平衡点。

数学推理领域的进展尤其值得关注。AlphaProof Nexus 和 AutoTTS 展示了 LLM + 形式化验证的巨大潜力。这不仅是学术突破，也可能改变我们解决工程问题的方式——从程序验证到协议检查，形式化方法可能迎来新的春天。

本文基于 THE DECODER、Ars Technica、The Verge 等来源整理，2026 年 5 月 26 日。