研究资源

OpenAI 九月的 Navier-Stokes 爆破证明与十月初的数百项新结果，全部附 Lean 形式化，等于给全行业立了个标杆：能被机器验证的成果，才是硬成果。这个方向本身没错——可验证性是反幻觉的利器。但它有个隐蔽的副作用正在浮现：资金、人才、注意力会向「可形式化」的领域集中，而那些无法被 Lean 盖章的认知领域，会被悄悄冷落。本文想把这个偏差摆上台面。 可验证领域为什么特别受青睐？ 灯光照得到的地方，自然有人去。数学、代码、形式化逻辑之所以被 AI 啃得最狠，不仅因为它们重要，更因为它们有现成的验证器——编译器、测试套件、证明检查器，能立刻告诉你对不对，于是强化学习的奖励信号干净又密集。 反过来，伦理学、价值判断、审美、战略直觉这类领域，没有客观验证器，AI 做了对错难分，研究投入回报模糊。可一旦「可验证」成为评判进展的默认标准，这些领域就会被默认为「还不成熟」而少有人碰。问题是，恰恰是这些无验证器的领域，决定了 AI 该往哪走、做的事值不值。 测不出来的领域就不重要吗？ 这是最危险的地方：没有验证器 ≠ 不重要。一个模型在数学上满分，不代表它懂得该如何对待人；它写代码无 bug，不代表它做的决策符合公共利益。如果研究资源像水一样只往「可验证」的低洼处流，我们就会得到一个在形式领域极强、在价值领域极弱的畸形智能——而且这种弱因为「测不出来」而长期不被承认。 陶哲轩批评 OpenAI 跳过同行规范，本质上也是在捍卫一种「慢但必要」的认知领域：社群共识、学术礼仪、可复现文化——这些都没法形式化，却是知识体健康运转的前提。它们一旦被效率逻辑牺牲，损失是隐性的。 研究者该如何自处？ 把可验证性当成工具，不要当成价值排序。在为下一个项目立项时，主动问一句：我是不是因为这个领域「好测」才选它，而不是因为它「重要」？ 真正难而正确的方向，往往恰恰是那些暂时没有机器裁判的方向。可验证的盛宴越热闹，越要给不可验证但关乎意义的认知领域，留出份额。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：可验证偏差