AI并非比数学家更会推理，而是拥有更庞大的工作记忆

AI的核心优势或许并非更优推理能力，而是近乎无限的符号工作记忆

当AI系统攻克一道复杂数学题时，人们通常会解释为它变得更聪明了：或许是学习了数百万道数学例题，或许是强化学习教会了它更高效的推理策略，又或许它已开始形成类似人类的数学直觉。

这些解释或许都有几分道理，但却忽略了一个更简单的可能性： AI拥有远超人类大脑的工作记忆容量

更准确地说，它能调用一个规模庞大的外部符号工作空间，承担人类工作记忆的诸多功能。这种差异在数学领域尤为关键。

人类数学家的大脑只能同时容纳少量陌生元素，而AI模型却能将完整的题目描述、数百个中间方程、数种已尝试过的思路、定义、约束条件及前期结论全部存入上下文窗口。我们通常将AI的出色表现归因于更优的推理能力，但实际上，这或许只是因为它突破了人类推理最关键的生理限制：极为有限的工作记忆容量。

数学能力受限于记忆

工作记忆是人类大脑在短时间内保存并处理信息的系统。解方程时，你需要记住每个变量的含义、已完成的运算步骤以及当前目标；做证明题时，则要跟踪假设条件、中间引理、例外情况和多种可能的分支。

人类的工作记忆容量极其有限。具体数值虽因任务类型和信息组织方式而异，但日常经验足以印证这种局限——比如心算两个三位数相乘，运算本身并不复杂，难点在于计算过程中必须不断保留中间结果。

而把数字写下来，问题就迎刃而解了。纸张不会让你变聪明，它只是拓展了你实际可用的工作记忆。这一道理同样适用于高阶数学：数学家使用符号、草稿纸、图表和已证引理，不仅是为了记录解法，更是为了让复杂推理在认知层面成为可能。

专家会通过“组块化”策略弥补记忆短板：新手看到的是一长串零散符号，专家却能识别出熟悉的结构，并将其视为一个完整的概念单元。这能在有限的生理工作记忆内容纳更多信息，但组块化只是压缩了信息，并未突破记忆容量的本质限制。

AI模型面临的约束则截然不同。

工作记忆对数学能力的预测力超越智商

工作记忆对数学的重要性并非空谈，人类个体间的差异已能证明这一点。工作记忆与一般智力高度相关，这引出一个关键问题：它是能独立预测数学能力，还是仅仅是智商的另一种间接衡量指标？

多项研究表明，工作记忆的作用无法被传统智力测试完全涵盖。例如，阿洛韦和帕索伦吉（2011）研究了儿童的工作记忆、语言能力与数学技能，发现工作记忆对数学表现的影响独立于语言能力，并非简单重复数学与一般语言能力的关联。

阿洛韦夫妇（2010）开展的一项为期六年的纵向研究显示，即使将智商纳入分析，儿童五岁时的工作记忆表现仍能有效预测六年后的读写与计算能力，甚至比研究中使用的智商测试指标预测力更强。

布兰肯希普等人（2015）同样发现，在排除智商和年龄的影响后，工作记忆仍能解释数学流畅性与计算能力的差异。弗里索-范登博斯等人（2013）的大型元分析也证实，小学阶段的工作记忆与数学能力始终存在关联，只是关联强度会因工作记忆类型和数学任务的不同而变化。

当然，我们不应夸大这些发现：工作记忆与智力存在显著重叠，统计方法无法将二者完全分离为独立的心理机制；现有证据也不意味着通过商业训练提升工作记忆，就能大幅提高智力或数学成绩。

但一个更严谨的结论依然至关重要：在智商相近的儿童中，信息存储、更新与处理能力的差异，仍能预测数学表现的差异。

这为理解AI提供了关键线索：如果人类的数学能力部分受制于工作记忆瓶颈，那么赋予机器一个庞大的符号工作空间，就彻底改变了竞争的本质。AI看似拥有更强的数学智能，或许只是因为它不受制于限制人类表现的认知局限。

上下文窗口是一本巨型笔记本

现代语言模型可一次性处理海量token序列，其中包含原始问题、定义、示例、中间计算过程以及模型自身的前期推理内容。

上下文窗口并非等同于人类的工作记忆，更像是一本巨型外部笔记本，搭配一套不够完善的检索与调用系统。这种区别至关重要：人类拥有主动的内部记忆，能默记一个数字、对其进行运算、再替换为新数值，全程无需说或写；而标准语言模型在维持这种私密且持续更新的心理状态方面能力较弱，其最稳定的记忆形式通常是已生成的token序列。

例如，模型先写下：

x=6

之后又写下：

x+3=9

这些内容会保留在上下文中，模型生成下一步时可随时参考。因此，AI的推理过程往往是外化的——生成的文本不仅是思维过程的记录，更是推理得以进行的一部分机制。

人类使用草稿纸时也会做类似的事，二者的核心差异在于规模：未借助工具的人类或许难以同时记住5个陌生条件，而AI却能以显性形式保存数十乃至上百个条件。

当然，这并不意味着长上下文里的所有信息都能被完美检索：模型可能会忽略相关信息、分心或遗漏细节，标称的上下文长度不等于完全可用的记忆容量。但即便如此，二者的潜在容量差距依然巨大。

为何这一点对数学格外重要

上下文窗口的优势并非在所有推理场景中都同样有用，它对数学的价值尤为突出，因为数学推理能以极高的精度转化为显性符号。

数学问题的几乎所有关键要素都能被清晰记录：

• 假设条件
• 定义
• 已知方程
• 当前目标
• 已证结论
• 已排除的情况
• 每一步推导的适用条件

这些信息一旦写下就保持稳定：如果证明开头定义x为整数，除非明确修改，否则它始终是整数；严格不等式不会因情绪、语境或解读变化而悄悄变成非严格不等式。数学符号的设计初衷就是减少歧义，这使得数学几乎完美适配依赖大型文本工作空间的智能系统。

比如一道题要求解题者记住：

• n是奇数
• p是质数
• x≠0
• 某条推理分支已出现矛盾

人类或许理解整体策略，但可能在确认x≠0之前就直接除以x。这种错误未必是因为缺乏智力，而是记忆管理失误。而AI可以在每一步都重申当前约束：

我们基于以下假设进行推导：n是奇数，p是质数，且x≠0。

上下文就成了推理状态的“台账”。

许多复杂数学问题的核心洞见往往出现在开头，但后续还有大量繁琐工作：展开表达式、验证分支、跟踪条件变化、确保最终结论符合所有前期假设。在这类任务中，AI无需比人类拥有更深刻的洞见，只需在完成一系列冗长操作时，能更好地保存问题的完整状态即可。

长推理链可能超出人类能力范围

数学具有高度的组合性，一个证明常可表示为： A → B → C → D

只要每一步推导有效且链条完整，就能得出结论。更大的工作空间让模型能构建更长的推理链而不迷失方向，这一点至关重要——因为问题的难度不仅取决于单步推导的复杂度，还取决于需要协调的步骤数量。

一个人或许能理解100步论证中的每一个局部推理，但却无法独立完成整个论证，因为问题规模超出了他维持全局结构的能力。而AI可以通过记录几乎所有信息来弥补这一短板。

这或许能解释为何增加“思考时间”通常能提升模型性能：更多计算资源让系统能生成更多中间状态、探索更多分支、保存更多局部结论。有时看似更深入的思考，实则是在更大的“笔记本”里进行更广泛的搜索。

非正式推理并非如此

我们不妨对比数学问题与一个社交问题：

玛丽亚为何突然不回我消息了？

更大的上下文窗口或许能让AI分析数年的通信记录，识别语气、回复时长和用词的变化，但关键信息可能依然缺失：她可能生气了、太忙了、生病了、手机丢了，或是在回避某个无关问题。无论记忆容量多大，都无法检索到从未被观察到的事实。

这类问题的挑战不在于保存已知前提并推导结论，而是在信息缺失的情况下对隐藏原因进行不确定性推理。此外，非正式推理高度依赖含义不稳定的概念，“公平”“成功”“负责”“有害”“聪明”等词汇不像数学变量那样精确，其含义随文化、目标和语境而变化。模型可能记住了讨论中的每一句话，却依然误解参与者的真实意图。

政治分析、历史解读、商业策略和心理判断等领域也是如此：核心问题往往不是工作记忆容量，而是在证据不完整、模糊不清的情况下，识别正确的因果模型。更大的“笔记本”会有帮助，但无法解决根本问题。

数学则不同，它的推理环境是人为构建的，假设条件明确，推导过程可验证。

数学提供异常明确的反馈

数学答案往往可被验证：方程的解可代入原式检验，恒等式可通过数值计算验证，计算机程序能测试数百种情况，形式化证明助手可核查每一步推理是否符合规则。这为AI创造了理想环境：模型不仅能利用上下文生成解法，还能记录备选思路、识别矛盾、修正错误。

相比之下，非形式化领域的反馈则弱得多：一个看似有说服力的历史解释可能永远无法被彻底验证，商业策略的对错可能要数年才见分晓，心理解读可能永远存在不确定性。在这些领域，冗长且连贯的论证依然可能完全错误。

数学奖励那些能生成、存储并验证显性中间状态的系统，而上下文窗口、草稿区、代码执行和形式化验证工具，恰好能放大这些能力。

这真的是工作记忆吗？

一些研究者可能反对将上下文窗口称为工作记忆，他们的观点不无道理：人类的工作记忆不仅是存储缓冲区，还涉及注意力、抑制控制、持续更新和对内部表征的主动操作；而语言模型的上下文更被动，已生成的token固定不变，模型无法真正回到前文修改内容，只能基于已有记录生成新token。

因此，最准确的描述或许是增强型符号工作记忆：模型在私密心理记忆方面弱于人类，但在显性记忆方面却拥有压倒性优势。人类更擅长默默维持少量内部状态，而AI更擅长处理海量书面记录。

对数学而言，第二种能力往往更有价值。形式化推理不要求所有相关状态都保持私密，恰恰相反，当假设条件和中间步骤被明确记录时，数学推理会更严谨。AI“出声思考”的特质，在这个由书面符号构建的领域里，反而成了一种优势。

是智力优势，还是认知架构差异？

这引出了一个更宏观的问题：说AI“比人类更擅长数学”到底意味着什么？

想象两个人面对同一道数学题：一个必须完全心算，另一个则拥有无限纸张、完美笔记、可随时查阅所有前期计算、能同时尝试多种思路，还有一台可验证每一步结果的机器。如果第二个人胜出，我们未必会认为他拥有更强的原始数学智力，更可能的结论是，他的认知架构更适合这项任务。

对比人类与AI时，我们也应保持同样的谨慎。AI系统训练于海量数学素材，能生成多种可能解法、调用代码、使用工具、保存完整的推理轨迹。其表现是多种因素共同作用的结果：数学知识、推理能力、记忆容量、搜索能力和验证能力。

我们往往更关注推理能力，因为它在哲学层面最具吸引力，但记忆发挥的作用可能远超我们的想象。

可验证的预测

工作记忆假说能做出明确预测： AI的优势在以下类型的问题中会最为显著：

• 涉及大量相互作用的约束条件
• 计算步骤冗长
• 需要大量案例分析
• 需反复参考前期结论
• 要求精确的符号记录
• 包含庞大的形式化定义体系

而在主要依赖单一简短概念突破的问题上，AI的优势会更小。当核心挑战是为问题找到全新的表述方式时，顶尖数学家仍可能胜过AI；但一旦找到这种表述，AI在探索其所有推论方面可能更胜一筹。

这一假说还预测：缩小模型的可用上下文，或禁止它记录中间步骤，会严重影响其在长时数学任务中的表现；反之，通过清晰的符号、图表、软件和结构化笔记拓展人类的外部记忆，则能缩小部分差距。

因此，最公平的对比或许并非AI与徒手思考的人类，而是配备工具的AI，与拥有同等强大外部记忆和验证系统的人类。

AI或许只是比我们更擅长“记”

数学AI的崛起常被描述为机器智力战胜人类智力，但这种解读或许为时过早。

AI确实在学习更优的推理策略，甚至可能最终发展出与人类相当或更优的数学直觉，但它目前的部分优势可能更为朴实：人类大脑演化过程中受限于严苛的约束，工作记忆有限、容易疲劳、会丢失中间结果、难以协调长串陌生符号；而AI不受同样的架构限制，它能将推理转化为文本，并将这些文本用作庞大的外部认知工作空间。数学因其精确性和符号结构，成了这种优势最容易转化为出色表现的领域。

AI在数学领域胜过人类的真正原因，或许比我们想象的更简单。

最具启发性的对比或许并非AI与普通人类，而是两种截然不同的天才类型。物理学家尤金·维格纳曾与约翰·冯·诺依曼和阿尔伯特·爱因斯坦共事，他写道，从未见过有人拥有冯·诺依曼那般“敏捷敏锐”的头脑——冯·诺依曼能吸收海量信息、跟上极为复杂的论证、在不同数学领域间飞速切换。但维格纳仍认为爱因斯坦的理解更深刻、更具洞察力和原创性：冯·诺依曼或许拥有更强的原始智力处理能力，但爱因斯坦更擅长重构问题本身。

当前的AI更像是第一种能力的机器放大版：它速度极快、涉猎广泛，能保存并处理海量显性信息，可探索多种可能性、记住冗长的推导链、执行人类徒手无法企及的大规模形式化推理。但这并不意味着它拥有爱因斯坦式的深度——那种摒弃既有框架、识别隐藏概念错误、发明全新视角的能力。

当然，这个类比不应过度延伸：冯·诺依曼本身也是极具原创性的思想家，而非仅仅是快速计算器。但维格纳的区分抓住了关键：当前AI在数学领域胜过人类，更多是像冯·诺依曼那样，将速度与广度结合，再搭配一本近乎无限的笔记本，而非像爱因斯坦那样思考。

AI的下一个重大里程碑，将是不再满足于比人类更快地解决现有问题，而是能识别问题的错误框架，并发明一种从根本上更优的理解方式。

参考文献

阿洛韦, T. P., & 阿洛韦, R. G. (2010). 工作记忆与智商对学业成就的预测作用研究. 实验儿童心理学杂志, 106(1), 20–29. DOI: 10.1016/j.jecp.2009.11.003.

阿洛韦, T. P., & 帕索伦吉, M. C. (2011). 儿童工作记忆、智商与数学技能的关系. 学习与个体差异, 21(1), 133–137. DOI: 10.1016/j.lindif.2010.09.013.

布兰肯希普, T. L., 奥尼尔, M., 罗斯, A., & 贝尔, M. A. (2015). 工作记忆与回忆能力对学业成就的贡献. 学习与个体差异, 43, 164–169. DOI: 10.1016/j.lindif.2015.08.020.

弗里索-范登博斯, I., 范德芬, S. H. G., 克罗斯伯根, E. H., & 范吕伊特, J. E. H. (2013). 小学生工作记忆与数学能力的元分析. 教育研究评论, 10, 29–44. DOI: 10.1016/j.edurev.2013.05.003.