哈达玛矩阵
Claude与研究人员合作构造出668阶哈达玛矩阵后，AI在数学研究中的位置又往前挪了一步。哈达玛矩阵不是普通的计算题，它要求矩阵中的元素取值为加一或减一，并且任意两行都保持正交。这个问题和线性代数、组合数学、编码、信号处理都有关系，真正困难的地方在于：很多阶数的矩阵可以轻松构造，但仍有一批阶数长期找不到满足条件的方案。
公开信息显示，668阶构造帮助研究者清理了2000阶以下剩余的12个悬而未决阶数。这个结果的价值，不在于AI替人写出了一段更快的程序，而在于它开始参与“提出候选、验证结构、发现错误、继续修正”的研究闭环。数学研究最耗时的部分，往往不是最后一行证明，而是从庞大的可能性里找到值得继续追踪的方向。模型如果能稳定承担这类探索工作，科研效率的衡量方式就会发生变化。
从做题到发现
过去谈论大模型的数学能力，常常集中在竞赛题、定理证明和标准答案。题目有明确输入，答案有固定判分，模型只要把推理链走通，就能获得一个看得见的分数。但哈达玛矩阵这类问题更接近真实研究：问题边界清楚，路径却不清楚，候选方案可能很多，验证过程还会不断暴露新的限制。
这也是为什么“解决了多少道题”已经不足以描述模型的科研能力。真正有价值的系统，需要把文献检索、符号推导、代码实验、结果检查和研究者判断接在一起。Claude在这类任务中的表现，说明模型的优势可能并不只是记住更多知识，而是能够在较长的探索过程中保持目标，反复调用工具，并把失败结果转化成下一步假设。
研究链条
如果把数学发现拆开看，模型并没有凭空替代研究者。人类仍然负责选择问题、设定约束、判断结果是否值得发表，也要检查构造是否真的满足数学定义。模型更像是一个速度很快、可以同时尝试大量分支的研究助手，负责把原本需要数周甚至更久的试探工作压缩到更短的反馈周期里。
这种协作方式会改变科研软件的形态。未来的数学Agent不会只返回一段答案，而要记录使用过的资料、尝试过的构造、被否决的假设、可复现的代码和每一步验证证据。对研究机构来说，能否保存完整实验轨迹，可能和模型本身的智力水平同样重要。没有过程记录，研究成果就难以复核；没有版本和权限管理，自动生成的结论也很难进入正式流程。
谷歌重排DeepMind
与数学问题被攻克同时受到关注的，是谷歌对DeepMind组织结构的调整。公开报道提到，谷歌正在把部分非技术团队划归总部，以减少中间环节，让Gemini等产品更快进入业务。联合创始人谢尔盖·布林重新回到AI核心讨论，研究方向也被推向递归自我改进等更激进的路线。
这不是简单的人事变动。模型研究、产品交付和算力资源一旦分属不同团队，技术成果就可能在内部流程里消耗掉速度。谷歌把一部分职能重新收回总部，反映出大公司正在重新计算研究自由度与产品推进速度之间的关系。前沿研究需要长期试错，商业产品却要按季度交付，怎样让两者共享基础设施，又不让研究被短期指标完全牵着走，已经成为AI公司的组织难题。
顶尖人才出走
Meta超级智能实验室研究科学家余家辉宣布离职创业，也把人才流动推到了聚光灯下。他曾参与Muse系列多模态模型，是Meta为争夺顶尖研究者开出高额薪酬后引入的关键成员。与此同时，其他大模型公司也出现研究负责人和高管离开、转向创业或加入新团队的情况。
高薪并不能永久锁住研究者，原因并不复杂。模型基础设施越来越成熟，拥有研究经验的人可以带着方法论、数据理解和工程团队重新组建公司；而当大公司内部的决策链条变长，创业公司反而更容易把一个新想法快速做成实验产品。对行业而言，这种流动会加快创新扩散，也会带来知识产权、人员稳定、模型安全和商业承诺等新的管理压力。
这类流动并不只发生在研究岗。OpenAI 近期也出现过 COO Brad Lightcap 之类的高管离开，以及伦理负责人在安全事件后出走的消息，说明组织压力正在从实验室向管理层外溢。AI 公司越接近 IPO、越接近大规模商业化，内部的协调成本就越像传统科技巨头，研究者和管理者也就越容易在不同阶段做出截然不同的选择。
谁来定义下一道题
哈达玛矩阵的突破让人看到AI能够参与解决长期数学问题，但它不会自动把所有科研任务变成流水线。下一阶段更重要的竞争，是谁能建立可靠的研究环境：给模型足够的工具和资料，限制它接触敏感数据的范围，保存每次实验的证据，并由专业人员对结果进行复核。模型只是其中一环，真正决定科研质量的是整套系统能不能经得住追问。
如果这些记录做得足够完整，AI产出的结论才可能真正进入论文、专利和产品决策。没有复盘日志，没有约束条件，没有失败路径，所谓“解决问题”就很容易停留在演示层。
谷歌重排DeepMind、顶尖科学家离开大厂创业，也说明AI产业正在同时发生两种变化。一种变化发生在模型内部，系统开始从回答问题走向提出候选、执行实验和修正方案；另一种变化发生在公司外部，组织正在围绕算力、研究自主权和产品速度重新组合。未来值得关注的，不只是哪个模型又刷新了一个榜单，而是谁能把一个模糊的研究目标，稳定地推进成可验证、可复现、可落地的成果。
暂无评论内容