OpenAI 这一波数学发布里藏着一个常被成绩掩盖的细节：今年二月的 First Proof 挑战给内部模型十道领域特定题，它先后解出第 6、第 9、第 10 题，其余几题并未攻破；九月的 Navier-Stokes 攻坚，据 DEV Community 还原，是在「听说两个千禧年难题已被解决」的传闻后，把模型同时对准每一个开放难题，才命中了 NS 这一组。换句话说，它不是系统性地攻克了一片领域，而是在一片地里精准地拔起了几株苗，旁边的草却纹丝未动。
「命中」等于「理解」吗？
如果一个人真的理解了 Navier-Stokes 的爆破机制，那么问及相邻的正则性问题、问及二维情形为何不爆，他应当能顺势推导。当前模型的表现却不是这样：它在被引导到特定题上时能产出可验证的证明，换一道相邻题就卡住。这说明它更像在巨大解空间里搜索到了一条被验证器接受的路径，而不是建立了一个可迁移的概念模型。
这正是选择性成功对认知评估的误导。若只看「解出了什么」，战绩辉煌；若看「解出的与未解出的之间是什么关系」，就会发现模型的能力地图是斑点状的，而不是连成一片的理解平原。斑点越亮，越容易让人误以为下面有整片大陆。
我们为什么会系统性高估它？
原因在于人类习惯了用「结果」推断「能力」。一个学生做对十道题，我们默认他懂了这类题；但 AI 不同，它可以靠模式匹配与暴力搜索在特定点上命中，而不具备迁移能力。评测若只报命中率，就系统性地高估了理解。
真正该问的不是「它解出了几题」，而是「解出的题与它做不出的题之间，它能否说清边界在哪」。一个真正理解的系统应当能预判自己会在哪里失败——而当前模型在被问到相邻难题时，往往自信满满地给出错误路径，这比做不出更危险。
这对 AGI 叙事意味着什么？
选择性暴露给「硅基即将通才化」的叙事泼了冷水。现阶段的突破，更接近「在可验证奖励下的定向搜索」，而非「长出了数学直觉」。这不是贬低成就——88 小时、一万个智能体产出可验证证明是实打实的工程奇迹——而是提醒：可验证的点状胜利，不等于可迁移的面状理解。在两者之间，正是碳基数学家仍不可替代的判断空间。