GPT-5.6一小时证明50年数学猜想——人类学习方式正在被重新定义

2026-07-14 · CoEvo 内容团队 · 返回博客

2026年7月10日，OpenAI宣布其最新模型GPT-5.6 Sol Ultra在不到一小时内成功生成了循环双覆盖猜想（Cycle Double Cover Conjecture）的完整证明。这个困扰图论学界长达50余年的难题，就这样被一段700词的prompt和64个子智能体攻克了。

消息一出，社交媒体沸腾。有人惊叹AI的推理能力迈上了新台阶，有人开始担忧数学家的饭碗是否还能保住。但作为教育科技从业者，我们看到了一个更深层的问题：当AI能证明数学猜想了，人类还需要学习数学吗？

如果答案是需要——那我们应该怎么学？

AI证明数学猜想：发生了什么？

循环双覆盖猜想由数学家George Szekeres于1973年、Paul Seymour于1979年分别独立提出。它问的是：对于任意无桥图，是否都能找到一组循环，使得每条边恰好出现在两个循环中？问题表述简单，但半个世纪以来无人能解。

GPT-5.6 Sol Ultra的解题方式与人类数学家截然不同。它同时调用最多64个并行子智能体，每个尝试不同的数学表示方法和代数思路，同时安排专门的"对抗智能体"负责寻找漏洞和构造反例。系统原本预留了8小时计算时间，最终仅用时约1小时。

值得注意的是，核心的"重体力活"并非AI重新发明的。1970年代的8-flow定理已经为这个猜想搭建了框架，AI完成的是最后的"粘合"步骤——通过线性代数论证证明系统永远有解。这也印证了一个事实：AI的"推理"和人类的"推理"是两种不同的事物。

当AI能做数学，人类还需要学吗？

这个问题本身隐含着一种危险的假设：学习数学只是为了得到答案。如果真是这样，那么随着AI能力的提升，人类学习确实会越来越"没有必要"。但认知科学告诉我们，数学教育的真正价值从来不在答案里，而在推导答案的过程中。

2026年发表于虎嗅/APPSO的跨领域实验显示：使用AI辅助的受试者在独立解题时正确率从0.73降至0.57，下降16%；而跳过（放弃）解题的比例翻倍，从0.20升至0.37。在阅读理解实验中，同样的模式重现——AI组独立正确率降低13%，跳过率升高7倍。

更令人担忧的是美国兰德公司2026年调查报告：高中生用AI完成作业的比例已从49%升至63%，其中68%频繁使用AI的高中生在独立分析与批判性思维测试中得分明显偏低。一所重点中学引入分步解析的AI辅导系统后，学生自主推导公式的比例从65%降至28%，约49%的教师反映学生已形成"结论依赖型"学习模式。

"会做"不等于"会了"：AI时代的认知陷阱

蒙大拿大学数学家Bharath Sriraman在其2026年发表的论文《AI时代的数学困境》（Mathematical Precarity in the Age of AI）中提出了一个关键概念：AI解耦了数学输出与数学理解。

Sriraman指出，在AI出现之前，能给出正确数学推演是"真正理解"的可靠证据。但AI可以生成复杂的数学证明，却不需要发展任何对应的认知结构。这意味着——当学生借助AI"产出了正确答案"，我们无法判断他们是否真的理解了。

这恰恰印证了教育心理学家早就发现的规律：学习者常常高估自己掌握的程度。Rozenblit和Keil（2002）的经典研究发现，人们普遍存在"解释深度错觉"——以为自己理解了一个概念，但要真正解释时才发现说不清楚。AI让这个问题变得更加严重：它提供了一种"无障碍产出"的幻觉，让学生误以为自己在学习，实则只是在看答案。

Sriraman提出了一个5级认知模型，从"表面模仿"到"概念内化"，为AI时代的数学教育提供新框架。这一框架的核心思想与CoEvo的设计哲学不谋而合：不能根据输出判断理解，必须独立验证。

人类学习的独特价值：AI做不到的三件事

Samtani（2026）在《STEM中的自解释提示：人类与AI元认知准确性对比》一文中，通过N=150人的对照实验，对比了三种LLM（ChatGPT、Perplexity、Gemini）与人类在问题解决中的认知表现。发现了一个核心差异：

AI擅长逻辑模式匹配，但缺乏三类人类独有的认知能力：

1. 具身理解——物理直觉、空间感知、经验驱动的"手感"
2. 情感推理——焦虑感驱动更努力、挫败后调整策略、成就感强化动机
3. 元认知监控——知道"自己知道什么，不知道什么"，并据此调整学习策略

其中第三条尤为关键。实验显示，结构化反思提示（Self-Explanation Prompts）能显著提升问题解决准确性和元认知校准能力——而这恰恰是AI本质欠缺的。AI不会有"我好像不太确定"的感觉，不会为解不出题而焦虑，也不会因为终于想通而欣喜。这些"不完美"恰恰是人类学习最宝贵的部分。

认知债务：AI时代的暗礁

卡内基梅隆大学的联合实验揭示了AI依赖的双重机制：

第一，效率阈值扭曲。当AI能在3秒内给出答案，人类大脑会产生一种"正常的思考反而显得低效"的错觉。5分钟的独立推导不会被体验为"努力"，而被体验为"浪费时间"。

第二，自我认知缺失。跳过"建设性挣扎"直接获取答案，让人无法建立对自身能力边界的准确判断。MIT的研究显示，重度依赖AI的学习者甚至认不出自己的AI生成内容——他们既不了解AI，也不了解自己。

神经科学研究表明，大脑在"挣扎解题"时前额叶皮层高度活跃，新的神经连接正在形成。AI秒出答案跳过了这一环节，直接阻碍了思维能力的发展。这就像用电梯代替了每天爬楼梯——短期省力，长期肌肉萎缩。

Samtani的研究给出了一个关键结论：使用方式决定了认知损耗程度。直接索要答案的群体独立表现最差（正确率下降27%），而仅用AI获取提示的群体表现与对照组相当。核心差异在于：保留思考过程——推导、纠错、尝试——能有效减少认知退化。

在AI时代，什么才是真正的学习？

GPT-5.6证明数学猜想这件事，与其说是对人类学习的威胁，不如说是一面镜子——它照出了我们对"学习"本身的误解。

如果我们认为学习的终点是"得到正确答案"，那么AI确实完胜人类。但如果学习的终点是"建立可迁移的理解能力"——能在新问题面前独立推理、能在不同领域之间建立联系、能知道自己知道什么并主动填补空白——那么人类学习不仅没有过时，反而比以往任何时候都更重要。

这正是CoEvo的设计出发点：

• 不输出答案——AI对话中自动提取概念，让学习者在理解中建构知识
• 不依靠自我判断——FSRS个性化间隔调度 + 客观验证，用数据和行动证明"真的会了"
• 不跳过挣扎——刻意设计"理想困难"，让每一次复习都成为真正的认知训练

Sriraman的5级认知模型和Samtani的自解释研究共同指向同一个结论：AI时代最稀缺的能力不是获取信息的速度，而是将信息转化为理解的深度。这正是刻意进化学习的核心命题。

AI没有让人类学习变得多余，它让浅层学习变得多余了。剩下的——真正的理解、可迁移的能力、自我觉察的元认知——恰好是CoEvo想要帮你做到的。