这里是一个简短的回忆，记录过去到现在对 AI 的接触
通识
最早接触计算机算法和人工智能概念，应该是高中看科普书《复杂》（主要内容是关于复杂系统）和《皇帝新脑》（罗杰·彭罗斯的作品），以及《数学：确定性的丧失》等。
我关于图灵机、可计算性理论、复杂系统涌现现象等都从这几本书中了解，尤其是《皇帝新脑》。
这里推荐一下这本书和这位作者，虽然主要身份是物理学家，但其实是数学系出身，和霍金合作密切，并且是诺贝尔奖得主。其他比较有名的成果，包括提出彭罗斯镶嵌（非周期平面密铺）、彭罗斯楼梯（《盗梦空间》里那个）等。
大概是因为数学系出身，他在物理学领域和其他领域的思考都带有一点哲学意味（从康德的术语来看，物理属于后天综合，是经验性的；数学属于先天综合，更靠近形而上学）。
回到主题，在这些书里接触到了遗传算法，可能是我了解到的第一个重要算法。书里还给了一个例子：罗比机器人，在格子里拾取罐子，根据旁边8个格子的状态来决策。
当时还用 Visual Basic （因为学校里教这个）写了个遗传算法的代码来实践来实践，现在回忆一下发现最耗费时间的是每次遗传做排序，用了冒泡。
除此之外席尔勒的中文屋子，康威的生命游戏，图灵的测试，lambda 演算，混沌系统与相空间等都了解了一些。
Openai Five
在 openai 的 alpha go 名声大噪之时，我首先了解到的其实是 openai five （除客皆刀），这两项的比较使我认为，（当时）的 AI 完全没有智能可言。
诚然 alpha 在 go 这个项目上对人类选手的碾压十分震撼，而 open ai 的中路 solo 和五人团队游戏对战人类也胜多负少，但我认为这是完全不同的胜利模式。
围棋是一个规则简单、局势复杂的游戏，它的复杂性来自规模。在围棋之前的国际象棋项目，规则明显更复杂，但这实际意味着可能性更少，同时棋盘更小，这导致复杂性不如围棋，不需要AI的深蓝就可以战胜人类。
但在 Dota 项目上则不同，这是个规则极度复杂，同时自由度又很高的游戏，而且它不是透明信息、轮流行动的策略游戏。在中路 solo 模式，很明显 AI 的优势在于极度的操控和绝对的不失误。
但它有很多完全无法应对的情况，比如开局不卡兵，比如勾兵线打法。 AI 比较出乎意料的，是开发了芒果大药流极致压迫的打法，这在之前的人类对局是没有的。这也很好解释：过拟合，人类拟合到了正常对局，中路 solo 不是比赛全部，
不可能完全不累积经济；而 AI 则拟合到了极致的 solo 情景。
而 openai five 的 5v5 模式更暴露除了 AI 的问题，它对游戏道具、局势完全没有理解，完全靠局部操作来获得优势。
比如当有击杀机会时，5个bot会同时使用技能造成伤害达成击杀，这是5个路人做不到的，因为没有默契，并且并不能精准估计技能范围和伤害数值，这是AI的巨大优势。
另外还有斧王跳吼永远被吹风或沉默打断（rotk不用空大了，因为根本大不出来），屠夫出勾永远扭屁股躲开，这是不可能发生在人类操作上的。
但明显有伤害溢出的现象，晕眩类控制也完全没有轮流释放的概念，往往叠加释放浪费了控制时间。
更明显的问题是，AI 对战术道具毫无使用理解，塔下插真眼，兵线上开雾等等。也没有1-5号位概念，纯各凭本事。
一个明显的证据就是，第一次表演赛，微操极其优秀的 AI 在和基本功全面退步的中国退役选手比赛中，被随意戏耍。而第二年和OG的比赛，则是一次丑陋的胜利：限制英雄选择和道具，使用速推战术，非常明显是过拟合的表现。
Openai Five 的训练是自我对抗，在 alphago zero 上不用人类对局而是自我对抗的策略非常有效，但在 dota 领域上，从智能角度上，我认为是彻底的失败。甚至我认为这种失败的模式到现在也成立。
大量训练使得它们发现了许多神奇的诡异的策略，但里面显然有完全无效的、错误的行为；另一方面，一些很少游戏时常的普通玩家，只要读技能和物品说明就能想到的策略、组合，却没有展现出来。
作为比较，根据对局时间换算，这个 AI 训练了相当于 45000 年的时间。
简而言之， Openai Five 所展现出的优势，要么是计算机在操作上的极端优势（比如没有失误，比如150左右没有无效操作的极致APM，绝对稳定的反应时间），要么是大量经验过拟合、局部最优后的「习惯性」行为。
它的「策略」是一种经验的总结和筛选，而不是通过逻辑推理得出的「结论」，这是一个重要的区别。我认为这种区别在今天也没有变化。
顺便一提，后来 openai 开放了路人挑战，为期三天，胜率超过99%。但另一方面，仅仅三天的人类适应时间（还要减去休息时间），就有队伍能够十连胜，也就是说迅速找到了压制策略，而 AI 在十个月现实时间、4500年虚拟时间里都没有做到。
而且，还有胖头鱼这些退役选手，纯靠硬实力战胜 AI。
像 Dota2 这样的复杂策略、长程游戏，我认为人类和AI加起来对它战术的开发也不到十分之一（所以才会有Wings这样的战队）。
LLM 来了
接下来是大部分人共享的 GPT 时刻，deepseek 时刻。因为过于共享，所以略过吧。
AI4Math
之前做中学数学题、高考题、竞赛题等，我保持类似的态度：那不是真正的数学。虽然我本人做竞赛非常一般，但我认为竞赛题并不是一个好的 benchmark，也不认为能做竞赛题就能做数学研究。
因为很多竞赛题是纯粹的技巧，是灵光一现，而不是深刻理解后自然而然地推进出结论。对「随机鹦鹉」式 AI 而言，大量探索并剪枝筛选等，依然非常有效。竞赛题往往是有时限的，并且出题人是预期在这个时间内选手有可能解答的。
这意味着，竞赛题依然是一个短程任务，而非长程任务。
而我对数学研究理解，是推进人们对数学对象的认识，并发展概念。问题是自然遇到的，而不是刻意提出的。这是一个极度的长程任务，需要高度抽象出的直观理解，才能决定长远的方向和目标，并且去探索路线。
从今年五月左右， AI4Math 的成果才真正使我重视。A\ 和 OAI 轮流发力，解决了几个大的数学问题，接着是董彬团队的 Rethlas 数学智能体框架，以及各式各样 AI generated 数学论文。
每个领域，或早或晚都会迎来 ljh 时刻
接下来就是大抽卡时代，在这个明显新旧秩序交接的时刻，一大批人想要用新技术获取旧秩序下的资源，并寄希望于把这些资源延续下去。
这是最好的时代，这是最坏的时代。
如果单纯从研究数学的角度来看，AI 辅助可以极大的加速数学研究，也可以让人快速学习新知。前沿 AI 解答难题的能力，除了让人感到溃败以外，非常好用。人的感受是需要人自己去适应的，不是 AI 的问题。
另一个需要适应，或者说解决的问题，就是 AI 生成文本的可读性问题。诚然 lean 语言是检验正确性的利器，但这些论文文本如何能够真正成为人类知识，这是新时代数学研究的关键问题。
真正的问题在于，如何使用 AI、谁来使用 AI。数学界的莱顿宣言和Tao等人的其他联合声明，常常被外界识别为反对 AI，这很不准确。大部分数学工作者所反对的，是这两家公司使用 AI 的方式。 它们把重要的数学问题当作 benchmark，本质上仍然是在做题，并不为了发展数学认知，而是迅速取得成果来自我宣传。不仅如此，模型的使用也明显带来了各种不平衡、不公平，比如 OpenAI 可以用内部模型和1000个agent暴力尝试 NS 方程。 当然，还包括对用户数据的使用，即使去标识化，这些对话数据也明显是对人类知识的大范围剽窃。而且在我看来，数学家的对话数据很明显是高质量的逻辑训练数据。
抛开外部因素，AI 产出论文的一个巨大影响，就是撼动了数学界长期以来 credit 分配的问题。不得不说这是一个长久的弊病，现在加速和放大了这个问题。也许在技术的发展下是改变这一现状的契机。
但在当下时刻，AI 论文的 credit 非常争议。例如某人抽卡抽出大问题，但并看不懂，依旧直接投稿。审稿人耗费数月后完全理解，并确认正确性；但为此没有时间继续自己的研究、写自己的论文。与此同时原作者由抽出了数篇论文挂在 arxiv 上。
这种情况对数学生态完全是毁灭性的。
回到 AI 本身，像 Astra 已经十分强大，可以 one shot 直出氢弹级成果，使人震惊瘫坐。
但是，从它生成又臭又长的垃圾文本来看，我依然认为它不是通过逻辑推理得出数学思路，还是通过复杂系统生成大量文本、然后筛选得到结果，依赖涌现机制表现地像智能。