执行摘要
这一期将数学描述为观察 AI 推理近期跃迁的最清晰方式之一。演讲者描述了模型从难以处理普通多步算术，快速走向能够帮助专业数学家探索开放问题、在相距很远的领域之间翻译概念并测试证明思路的系统。
数学重要，是因为它异常不宽容。许多问题有精确答案，证明需要由相互依赖的步骤组成长链，而一次错误推理就可能使数页工作失效。这让数学既成为推理模型的基准，也成为把 AGI time 从分钟或天级延展到更长周期的工具试验场。
长期产品想法是自动化研究者：一种 agentic 工作流，用于搜索文献、提出方法、检查证明、压缩工作记忆，并让人类专家保持在循环中。讨论谨慎地区分边界：深度检索不等于原创发现，而人的品味、验证和学习仍然是核心。
关键要点
- AI 数学能力进步得足够快，过去关于语言模型不擅长数学的假设已经不再可靠。
- 数学是有用的推理基准，因为许多任务精确、可验证，而且不能容忍薄弱的中间步骤。
- Ernest Ryu 描述了如何在三个晚上花 12 小时使用 ChatGPT，同时引导并验证一个 42 年 Nesterov 相关开放问题的工作。
- IMO 表现等竞赛式里程碑很重要，但研究工作还需要更长上下文、问题品味和持续推进。
- Erdos 讨论区分了深度文献搜索和原创数学发现；构建者不应混淆这两类能力。
- AGI time 被用来描述 AI 系统在发生漂移前，能够持续进行有用且连贯工作的时间。
- 自动化研究需要围绕模型搭建工作流脚手架：搜索、记忆压缩、证明检查、评估和人工审查。
- 讨论指出，模型不仅能回答已有问题，也正在变得擅长生成高质量的新研究问题。
- 上下文限制是现实约束，因此长时间运行的 agents 需要摘要和状态管理，而不是一个巨大的活动提示词。
- 推理模型可能很适合发现证明、论文、代码和其他长技术论证中的细微错误。
- 演讲者警告说，专业能力会变得更有价值，而不是更不重要，因为非专家可能生成看似合理但存在缺陷的多页论证。
构建者启发
- 面向长周期循环进行设计，但要把数周级自主研究视为仍在探索中的前沿，而不是已经解决的模式。
- 对于任何预计跨天运行的 agent，都要加入明确的记忆压缩、工作日志和来源轨迹。
- 在界面中区分检索、综合、猜想生成、证明检查和人工批准。
- 把数学式验证模式用于其他具有长依赖链的领域，包括代码审查和科学分析。
- 让专家引导保持可见：人在产品中的最佳角色是问题选择、方向设定和最终判断。
待验证事项
- 某个声称的结果究竟是原创发现、文献检索，还是对已有工作的综合。
- 在发布或依据结果行动前，通过形式化工具、领域专家或独立审查验证证明正确性。
- 多日推理循环中的 token、延迟和计算成本表现。
- 摘要把长研究历史压缩为较短工作记忆时的失败模式。
- 文献和内部研究语料的数据权利、引用质量和隐私约束。
- 团队是否保留足够的学科专业能力来评估 agent 输出，而不是直接服从看似合理的解释。