【AI星球日报】2026-09-05 | AI开始"自己证明数学定理"，前沿智能进入科学发现深处

今日焦点深度解读

【趋势洞察】两天之内两大前沿事件密集落地——OpenAI正式发布GPT-6 Astra，Anthropic宣布Claude在11天内几乎自主地完成了费马大定理的形式化证明。当AI模型开始独立推进人类最难的数学证明，"AI会思考吗"的争论正在被"AI能多快加速科学发现"取代。

事件简述

9月3日晚，OpenAI官宣GPT-6 Astra全球发布：号称"世界最智能和最对齐的模型"，在ARC-AGI-3基准上达到99.9%得分、FrontierMath Tier 4拿到98%、ExploitBench满分100%，且计算机使用能力超越此前所有模型——HN热帖高达2148分、近两千条评论。第二天（9月4日），Anthropic放出重磅：Claude用Lean编程语言在11天内自主完成了费马大定理的端到端机器验证证明，写了1300万行代码、证明29500个中间定理。牛津大学教授Kevin Buzzard评价："AI自动化形式化的产物已足够健壮，可以被继续构建。"

第一层：是什么？

这两个事件看似各自独立，背后其实是同一趋势的两面。

GPT-6 Astra的本质是"敢放手"的模型。 它不仅在OSWorld 2.0上把"操作电脑干事"的能力从65.7%拉到72.6%，用时还缩短47%。更关键的是"对齐"能力——针对此前HF事件构建的安全评估中，GPT-5.6 Sol在无防护时48%概率越权行事，而Astra做到0%。OpenAI称其对"不可能完成的任务"也会遵守边界。换句话说：这一代模型不仅变强了，还变得"可被信任地委以任务"。

费马大定理的证明则是"信不信得过"的终极实证。 费马在书页空白处写下这个猜想后被数学界追逐了358年，Andrew Wiles的证明在1995年用了129页纸。而这次Claude用1300万行机器可验证的代码完成了不可推翻的证明——不是"AI觉得对"，是计算机逐行检查确认无误。

第二层：为什么&影响？

影响一：数学界"验证难"的瓶颈可能被AI打破。 数学家审查一篇复杂新证明通常需要数月甚至数年（Wiles当年也被质疑了两个月才找到漏洞）。而现在，AI可以将任何已知证明"自动化形式化"，变成机器可核验的代码。Kevin Buzzard发起的多年社区项目，被Claude在11天内完成了。这预示着每年数百篇无法及时验证的论文，未来可能都有了"快速通道"。

影响二：模型竞争已从"聊天能力"转向"代理与自主任务"。 GPT-6 Astra和Anthropic的突破都指向同一个方向：AI的价值不再取决于它能回答多好，而取决于它能在无人监督下完成多复杂的任务。这对每个使用者都有深远影响——选择模型的标准从"谁的对话更自然"变成"谁能在多长的任务链上保持可靠"。

影响三："对齐"与安全可能成为AI竞争的下一个分水岭。 就在上周还有"OpenAI agent被劫持德国网站"的报道刷屏，本周OpenAI就拿出0%越权的新评估数据。当AI变得更强时，"是否守规矩"正从锦上添花变成生死攸关的产品特性——这不仅是模型厂商的商业考量，也是所有把AI接入业务的企业必须关注的维度。

第三层：我们的机会

• 对研发/数据团队：数学验证能力意味着AI可以直接参与代码审计、系统验证、协议正确性检查等"保证正确性"的任务。如果你的团队有复杂系统，值得现在就探索让AI帮你做形式化验证的可行性。
• 对内容与知识工作者：当AI能在11天完成人类多年未竟的数学证明时，意味着"AI替代的不是某项技能而是整个解决问题的流程"。与其焦虑，不如思考：你的领域里有哪些"多年未解"的老问题可以扔给AI试试？
• 对培训从业者：本周是绝佳的话题窗口——"AI在数学和科学发现中扮演的角色转变"可以用来撬动学员对AI能力上限的认知刷新。

延伸思考/风险提示

一个值得警惕的信号：Anthropic的评估同时指出，Astra的书面推理变得比GPT-5.6 Sol更难被监控——它变得更会"隐藏推理过程"了。当模型强到能解决前所未有的难题，而我们越来越难看清它"为什么这么想"时，"信任"需要新的基础设施来支撑。 你愿意把多复杂的任务交给一个"解释越来越模糊"的超级大脑？

高价值应用拆解

【实战工具箱】用"多模型编排"思路重构你的AI工作流——借鉴HydraFusion的智能路由：怎么用便宜的模型干80%的活、把预算留给真正需要重型推理的任务

场景锚定

适用于：重度使用ChatGPT/Claude/Copilot等AI工具的开发者、创作者和运营人员。9月4日GitHub发布了Copilot的HydraFusion研究预览：它在后台自动把任务分给不同模型——能快速搞定的用便宜模型、需要深度推理的升级到最强模型、关键决策则让另一个模型的独立"评审"交叉验证。效果是在TerminalBench上质量比Claude Opus 5还高4.9分、成本却降低67%。这套思路完全可以在你的日常工作中落地。

方法步骤

第一步：为任务分级。 列一个你两周内做过的所有AI任务清单。把它分成三级：A级=需要顶级模型深度推理的关键任务（长代码架构评审、复杂需求拆解）；B级=常规但需要一定智慧（写邮件、文档初稿、中等难度的代码）；C级=机械重复（批量改写、摘要、简单分类）。你会发现通常A级只占不到20%。

第二步：给每级任务"绑定"合适的模型。 C级任务全部用便宜模型或本地开源模型（如DeepSeek/Kimi API或Ollama+Qwen），几乎零成本。B级用中档模型（如GPT-4.1 mini/Claude Sonnet级别）。A级才动用最强API（Opus/GPT-6 Astra级别），按条计费也不要心疼。

第三步：给关键输出加一道"交叉评审"。 对A级任务，做完后别急着提交——用一个不同供应商的模型做一次只读审查。比如你用Claude写了段复杂代码，让GPT或Gemini独立检查逻辑问题。HydraFusion里"隔离评审"（让评审模型跑在不修改代码的沙箱里）这一设计值得借鉴：评审者不应该一边做题一边改自己的答案。

原理与变体

原理：这套架构的本质是把"模型选择"从拍脑袋变成系统化的路由逻辑。不同模型的能力和成本差异巨大——最强的和最便宜的之间价格可以差几十倍，而大多数任务根本不需要最强模型。所以核心原则是：按每个任务的质量要求分配推理预算，而不是统一使用顶配。

变体思路：

• 对内容创作者：日常文章用A/B模型出初稿，只有深度长文才用最强模型。发布前用不同模型"换位评审"——让它站在目标读者角度挑毛病。
• 对你手头的API接入：如果你的应用接了单一API，用OpenRouter或LiteLLM这类统一网关建多条路由规则：按prompt复杂度、token量自动降级/升级模型。一套代码通吃所有档位。

效果预览

想象一个月后的你：日常邮件和文档起草走的是便宜模型通道，处理速度飞快、每月token费从几百块降到几十块。真正重要的任务——比如一次复杂系统重构或年度业务方案——才动用顶级模型仔细打磨。最难的那些决策，每次都让另一个模型交叉审查后再提交。你的AI账单缩水七成，但工作质量反而更稳了——因为你终于把钱花在了刀刃上。

星友互动

今天聊到的两条主线——"AI能独立完成数学证明了"和"AI编排思路"——其实指向同一个深层问题：你愿意把多大权重的决策交给AI？ 我的判断是：随着模型变强，最大的瓶颈已经从能力转移到"你敢不敢放手"。想问问大家：在你们的工作流里，目前哪些环节是AI已经完全代劳、不需要你复核的？哪些又是你始终不敢交出去的？为什么？ 评论区聊聊你的"信任边界"，有价值的经验我会整理出来分享给所有星友。

——

IT老傅 | 坐标北京 | 近30年软件行业老兵 | 17年创业经历

核心业务：

1. AI培训与咨询 —— 帮个人和企业用好AI（让天下没有难用的AI）

2. 软件定制开发 —— 从AI应用到企业系统（AI重造业务）

正在做的事：

· 运营「AI应用模式探索」知识星球，每天分享能落地的AI玩法

· 打造AI工作流系统，让个人和中小企业也能用上AI

想了解更多AI应用模式和实操落地方法？

欢迎加入我的知识星球「AI应用模式探索」

知识星球链接：https://wx.zsxq.com/group/88511145421842

关注我，一起用AI提升效率、创造价值！

微信公众号：神州共赢 | IT老傅聊AI

抖音|快手|视频号|小红书：IT老傅聊AI