AI解决数学难题，是真正的推理突破，还只是一种"更高级的游戏"？

本文整理自a16z播客的一期对话，主持人Erik Torenberg邀请了两位a16z普通合伙人Martin Casado和Steven Sinofsky，围绕AI在数学领域的最新进展、算力与资本的角色转变，以及初创公司与巨头之间的竞争格局展开了深入讨论。视频于2026年8月发布。

Martin Casado长期深耕基础设施与企业软件领域，Steven Sinofsky则以在微软主导Windows和Office产品线、推动个人计算时代转型而著称。这两位背景迥异的技术老兵，在AI狂飙突进的当下，选择了一个颇为反直觉的切入点：解数学题，真的能说明什么问题吗？

对话的张力从开头就已显现。当AI据称正在攻克黎曼猜想、解决延续百年的数学难题时，整个技术圈陷入了两种截然对立的情绪：狂喜，与怀疑。

1. "它很擅长玩游戏"：数学突破的经济学测试

话题的导火索是一条推文。Jared Sser在社交媒体上说，他让Claude尝试解黎曼猜想，还要求它"更努力地想"。这件事迅速引发了更广泛的讨论：AI在数学上的进展，究竟意味着什么？

Steven Sinofsky给出了一个颇为有趣的观察：此刻让人困惑的，恰恰是最了解这件事的人反应最热烈。"对这些成就最兴奋的群体，是数学家本身，"他说，"而那些担心AI会让人变蠢、会取代工作的人，却对数学家的兴奋感到困惑。"他认为，数学家的兴奋本身就是一道光，照亮了我们当下所处的时刻。

Martin Casado则从经济角度切入，给出了一盆冷水。他的逻辑是：评估一项能力有没有真正价值，要看它解锁了多少经济价值。他直接说："如果你把过去所有研究这些问题的博士后的工资加起来，总数可能并不多。" 这些问题存在已久，却没有催生出庞大的市场，说明市场并没有把它们视为最关键的瓶颈。

他同时提出了第二个观点：AI擅长解数学题，并不令他惊讶。"数学是一个几乎纯粹基于公理的领域，它需要你从非常广泛、分散的知识空间中抽取信息，拼凑出答案。"他说，当他读那些AI给出的数学解法时，经常发现："解题思路本身并不复杂，只是借用了一块我之前不知道的数学。"换句话说，AI做的是广度上的整合，而不是深度上的创造。

Casado对此仍然保持审慎：他说自己还没有看到这些数学能力如何真正"映射"到解决那些市场一直无法解决的经济问题上。"这对我来说是下一个要寻找的答案。"

2. 里曼猜想的反面：当解题本身就是目的

但话锋一转，Sinofsky让对话变得更加尖锐。他提出了一个有些刻薄但颇具洞察力的问题：如果一道数学题被解开了，而这道题本身的全部价值只是"让某人有事可做"，那被AI解掉之后，我们到底损失了什么？

"也许解题的唯一效用，就是让某人保持就业，"他说，随后立刻自我纠正，"好吧，这太愤世嫉俗了，我喜欢数学。"

这个玩笑背后，是一个更严肃的结构性问题：在那些"解答本身不通向任何实用出口"的知识领域，AI的进入，究竟是解放还是终结？Casado则用了一个类比："这就像世界上最厉害的《星际争霸》选手，很酷，也很强大，但我很难把它与某个实际用途联系起来。"

他们随后以计算机科学教育史为例，讨论了类似的结构转变。Sinofsky回忆起大学时代必修的算法复杂度理论课——P等于NP、四色定理——这些问题之所以被重视，是因为在计算资源极度匮乏的时代，解开它们意味着可以大幅压缩计算成本。"AT&T有6000个节点的路由优化问题，跑完一次模拟要两年，"他说，"所以当然要死磕这些算法。"

而四色定理的最终被证明，恰恰是由计算机完成的——不是靠人工证明，而是穷举了所有可能的情况。"你刚才说出了关键，"Sinofsky对Casado说，"你把最重要的信息说出来了。"这一刻，两人都意识到：新工具的到来，往往重新定义的不是答案，而是问题本身。

3. 从工程瓶颈到资本问题：这是根本性的转变

对话的重心随后转向了更宏观的产业逻辑。Casado提出了他认为这一时代最重要的结构性变化：AI正在把整个行业从"工程约束型问题"转变为"资本约束型问题"。

他的原话直接而有力："现在，如果我给20个人每人10亿美元，他们真的可以把这钱用上。"

这句话背后的含义是：在过去，很多问题的瓶颈在于找不到足够多的优秀工程师，有钱也砸不出结果。而现在，计算资源和AI工具已经足够成熟，资本本身成了推进速度的主要变量。这意味着创业公司和大公司之间的竞争逻辑发生了根本性变化。

4. 创新者的窘境依然成立：大公司为什么输

提到创新者困境（Innovator's Dilemma），Sinofsky有着相当直接的判断。他说，微软这样的大公司，担心的永远是亚马逊和谷歌在做什么，而不是某个小创业公司。"来自硅谷大公司的人总是觉得，'我们会把这些小公司全部碾压掉'，然后你会发现，它们从来没有被碾压。"

他认为，这正是为什么我们看到Cursor、Anthropic、OpenAI这样的公司能够快速崛起。"这就是我们正在看到的那些公司呈现出火箭式上升的原因。"

这个逻辑的底层是：初创公司不会正面冲击巨头的核心业务，巨头也不会把初创公司放在眼里——直到已经太晚。资本充裕的今天，这个游戏的节奏只会更快。

5. 当前AI架构的天花板与下一步

两人并没有回避对当前AI局限性的讨论。Casado的核心疑问贯穿始终：擅长解数学题的AI，究竟能不能解决那些市场真正需要解决的问题？

他用了一个框架来描述AI当前的能力边界："存在一类问题，它们要求你的知识广度超出了大多数人或大多数教育所能覆盖的范围，AI能够解决这类问题。" 这类问题的特征是：需要跨领域拼接，但每个子领域本身并不神秘，只是没有人同时掌握所有知识。

但他也指出，这与"解决了市场无法解决的问题"是两回事——因为市场从来没有真正围绕这些问题组织过资源。

Sinofsky则从计算史的演变提供了一个乐观的视角：每一代新工具的出现，都在重新定义哪些问题需要人类亲自解决。从四色定理到线性代数算法，再到今天的大模型，技术进步的本质不是取代人，而是把人解放到下一层抽象。"数学有着漫长的、一层层叠加抽象的历史，"他说，"AI的出现，可能正在制造新的抽象层。"

究竟是哪一种叙事会成真——AI是解锁经济价值的钥匙，还是一个精于"玩游戏"却难以落地的强大工具？Casado坦言，他还在寻找答案。而这个答案，将决定接下来几年风险投资的方向，以及整个行业的走势。