Noam Brown：AI数学能力每年10倍跃升，超出预期

OpenAI研究科学家Noam Brown在一次访谈中抛出了一个令人警醒的观察：AI模型的推理能力正以远超预期的速度进化。他用数学基准测试的进展作为标尺，勾勒出一条清晰的指数级增长曲线——而这条曲线的斜率，连身处一线的研究者本人都感到意外。

用「人类耗时」丈量AI的进步

Brown提出了一个巧妙的度量方式：不看AI能答对多少题，而是看它攻克的问题，需要一位人类数学家花多长时间才能解决。这个视角把抽象的能力提升转化为直观的时间尺度。

他梳理的时间线是这样的：最初模型攻克GSM8K（小学数学题），这类题目对人类数学家而言大约只需5秒；一年后，模型能解决MATH基准测试的题目，专家大约需要1分钟；再往后，是美国数学奥林匹克队资格赛级别的题目，优秀数学家大约需要10分钟。

每跨越一个台阶，AI所能处理任务的「人类耗时」就放大约10倍。从5秒到1分钟，再到10分钟，这条趋势线异常规整。

GSM8K（Grade School Math）是由OpenAI于2021年发布的小学数学文字题基准，包含约8500道需要多步推理的算术应用题，曾长期被视为检验语言模型基础数学推理能力的标准测试。MATH基准则由Hendrycks等人发布，涵盖代数、几何、概率、数论等七个难度分级领域的12500道竞赛数学题，其中最难级别的题目已触及高中数学竞赛的边界。两个基准的核心区别不在于知识量，而在于推理链的长度与复杂度——MATH中的顶级题目往往需要多层嵌套的推理步骤，这正是Brown所说的「推理深度」的体现。值得注意的是，模型在GSM8K上接近满分之后，研究者几乎立刻需要引入更难的基准，这种「基准饱和」现象本身也印证了能力提升的速度超出了测试体系的设计预期。

从IMO金牌到千禧年难题的推演

沿着这条10倍/年的曲线，下一站顺理成章地指向国际数学奥林匹克（IMO）金牌水平。一道IMO题目，人类数学家大约需要100分钟——也就是一个半小时左右。Brown表示，模型在2025年拿下IMO Gold，「非常合理」，完全落在趋势线的预测之内。

真正引发思考的是他随后的外推：如果按每年10到15倍的速度继续，从IMO金牌（1.5小时量级）出发，一年后能处理约15小时量级的任务。但要攻克千禧年大奖难题（Millennium Prize Problem）这类顶尖数学猜想，15小时的量级显然远远不够。

千禧年大奖难题（Millennium Prize Problems）由克雷数学研究所于2000年设立，共七道题，每题悬赏100万美元，包括黎曼猜想、P vs NP问题、纳维-斯托克斯方程存在性与光滑性等。迄今为止，七题中仅有庞加莱猜想于2003年被格里戈里·佩雷尔曼解决。这些问题之所以被用作AI能力外推的终点坐标，在于它们代表了人类数学智识的当前边界——不仅需要极长时间的持续推理，更依赖对数学结构的创造性重构，通常需要数学家数年乃至数十年的专注研究。将其与IMO题目并置，揭示出一个关键张力：竞赛数学考验的是在已知框架内快速求解的能力，而千禧年难题要求的是开拓全新的概念框架，二者在难度性质上存在质的差异，而非仅仅是量的延伸。

「比我预期的快得多」

基于这套推演，Brown原本给出的时间判断相当保守：2026年不太可能出现能解千禧年难题级别的模型，2027年大概也不行，或许要到2028年。

但他坦承，实际进展「比我预期的快得多」（happened a lot faster than I expected）。IMO Gold的到来时间点，验证了指数曲线的存在，也让他对后续节奏的预判不得不重新校准。这种「一线研究者都被自家技术进度超越」的表态，本身就是当前AI发展态势的一个注脚。

这条曲线意味着什么

Brown的框架有几个值得咀嚼的地方。

其一，它把「AI变强」从模糊的感受变成了可量化的趋势。用人类完成任务所需时长作为难度标尺，比单纯的准确率更能捕捉推理深度的跃迁。

其二，指数曲线的可怕之处在于早期看起来平缓、后期陡然拉升。从5秒到10分钟或许还在直觉可接受的范围内，但一旦进入「小时」乃至「十小时」量级，每一步跨越所对应的绝对能力增量都极为惊人。

其三，也是需要冷静看待的一点：数学基准的进展未必能线性映射到所有领域。千禧年难题这类问题不仅需要长时间推理，更需要创造性的洞察，而「人类耗时」这个单一维度未必能完整刻画这种质变。Brown本人也承认对这类问题的耗时「没有很好的把握」，这条外推更多是一种趋势警示，而非精确预言。

无论如何，当一位OpenAI的核心研究者都对进度感到意外时，外界对AI能力上限的既有想象，恐怕都需要向上修正。

「指数增长早期平缓、后期陡升」这一特性在技术史上有充分记录，常被称为「直觉欺骗区」——因为人类直觉天然倾向于线性外推，导致系统性低估指数趋势的后段。具体到AI推理能力，从「5秒任务」到「10分钟任务」的跨越，绝对时间差仅约9分55秒，感知上仍属渐进；但从「10分钟」到「100分钟」乃至「15小时」，每一步跨越所对应的任务复杂度增量已远超日常经验的参照系。Brown的框架提供了一个将这种加速度可视化的锚点，但也内含一个方法论局限：它假设「人类完成任务所需时长」与「任务的认知复杂度」之间存在单调映射，而现实中，某些数学突破的关键往往不在于耗时，而在于某个无法用时间衡量的灵感时刻。这使得该框架在解释竞赛数学进展时颇具说服力，在推演至开放式研究问题时则需要额外谨慎。