OpenAI公开722篇数学手稿:我更关心,小团队能少走多少弯路

AI经营实验室 · 经营观察

文 / 兔八哥

大家好，我是兔八哥，一个AI深度玩家。

如果AI能一口气给你十套获客方案，你会更容易做生意吗？

我的答案是：未必。两个人的团队，原来只能做一套，现在眼前摆了十套。人没增加，预算没增加，先做哪个，反而更难选。

OpenAI公开722篇数学手稿，让我想到的就是这个问题。AI往更复杂的问题走，我们当然应该关注。但站在AI经营实验室的角度，我更想追问：新能力进入业务以后，能不能帮我们减少一次错误投入？

我愿意押注的，是小团队更快弄清楚什么值得做，并且付得起弄清楚这件事的成本。

01｜722篇背后，有一件事比数量更值得看

OpenAI在2026年10月6日公布内部前沿模型产生的数学成果。仓库收录722篇手稿，分为372组相关成果；验证进度不同，并非全部配有Lean形式化证明，模型也尚未公开发布。因此，不能说“AI已经解决了722道独立难题”。

让我在意的是这批成果的来处。OpenAI解释，已有数学评测的表现趋于饱和后，他们扩大了对开放研究问题的评估。^[2]

这与让AI完成一道有标准答案的习题有区别。研究问题的答案需要被探索，提出结果以后，还要继续检查它能否成立。

所以，讨论这次进展，不能只数手稿。公开结果、供人检查、记录修订，这些也是理解成果的一部分。OpenAI同步公开部分Lean形式化证明，让计算机可以检查按形式规则写出的证明。^[1]

仓库还说明，评估中向模型提出了约4000个问题，经过成果归组与重要性筛选才形成这份目录。^[2] 这提醒我关注尝试过程：公开成果数量不能直接当作解题成功率，筛选标准、归组方式和验证状态都要一起看。

我不具备逐篇判断这批数学成果的专业能力，也不会据此宣布某个重大猜想已经得到公认解决。

但这里有一个值得经营者借鉴的思路：提出答案之后，得有办法让答案接受检查。

02｜生意里没有标准答案，检查反而更麻烦

数学有严格的证明要求。生意里，你写下一套逻辑自洽的方案，客户也可能不买。

假设你判断：产品没卖好，是因为客户看不懂价值。于是AI帮你把卖点、案例、文案都改了一遍。文字确实更清楚，订单仍然没变化。

原因可能在别处：接触到的不是目标客户，需求不急，预算不够，或者交付方式不合适。也可能是观察时间太短，你还不能判断。

商业方案讲得通，只是一个起点。客户行为会不会按你预想发生，需要另外验证。

这也是数学进展不能直接换算成经营能力的原因。经营环境会变，人会变，竞争对手也会动；一次试验得到的结果，还可能只适用于某类客户、某段时间。

所以，“AI已经能研究数学，当然也能替我经营公司”，这个推导我不接受。

我更愿意做一个克制的尝试：用当前可用的AI协助整理证据、提出几种解释、设计检查办法。至于它能做到什么程度，就拿具体任务来测。

03｜我担心的，是方案越来越多，试错仍然很贵

一份方案生成以后，要占用什么资源？

做一个新产品，要访谈、打样、交付。试一个新渠道，要准备内容、跟进线索、等客户决定。团队每选择一条路，就暂时放下了其他事情。

AI可以降低部分准备和生成成本，却不会自动消除这些执行成本。即使模型能力提升，这笔账仍然要算。

如果我们只追求方案数量，可能会出现一种尴尬：电脑里积累了很多分析，团队依然不知道下一步做什么。

对小团队，我的判断是：当方案越来越容易获得，值得投入的能力，是从中筛出少数有依据、能验证、承担得起的尝试。

这也会改变我们使用AI的提问方式。

“帮我想十种办法”可以用于打开思路。到了做决定的时候，我会继续问：每种办法假设什么是真的？手里的材料支持哪一条？什么结果出现时，我们应该承认这个办法不适合？

最后一个问题尤其有用。不给自己留下判断失败的条件，再漂亮的方案都能被解释成“还需要再坚持一下”。

04｜拿“报价后不成交”，把这件事走一遍

下面是一个假设的小团队场景，用来说明方法，不是我的客户实测。

一家服务团队发现，最近有些客户拿到报价后没有继续推进。负责人想让AI写一套促单话术。

我会先停一下。我们还不知道，对方为什么没推进。直接写话术，相当于提前认定“沟通方式”就是原因。

第一步，整理已有记录。把需求、报价范围、沟通节点、客户反馈和后续状态放在一起。只用有权限的材料，先处理敏感信息。没回复的客户，原因就写“未知”，别替他填上“嫌贵”。

让AI在这些材料里找可能的解释，并附上对应记录。比如价格超预算、交付范围不清、决策人未参与。每一种解释都应区分：有直接反馈支持，还是仅仅值得调查。

第二步，挑一个能验证的解释。

假设记录显示，有些客户反复询问交付到底包含什么。我们可以提出一个假设：报价单的范围说明不清，增加了客户决定的难度。

注意，这还没有证明“改报价单就能成交”。我们只找到了一个有材料支持、改动成本较低的方向。

第三步，把假设变成小试验。

暂时保持价格和服务不变，增加交付项、排除项和示例说明。提前确定适用客户、观察周期和跟进方式，由负责人审核后使用。条件允许时保留可比的旧版样本；条件不允许，就承认前后比较可能受到客户构成和时间变化的影响。

先看客户是否更容易理解范围、是否愿意进入下一步，再继续记录成交情况。不能因为“少问了两个问题”，就宣布收入增长。

如果结果不支持这个假设，保留记录，调整判断。不要让AI帮我们补一段“为什么其实已经成功”的解释。

这一轮，AI参与的是材料整理和试验准备。事实核对、客户使用、异常处理和最终判断，都有明确的人负责。

结果可能只是发现“这条路暂时不值得继续”。对于资源有限的小团队，尽早得到这个结果，也有价值。

05｜少走弯路，也要有一笔诚实的账

这类尝试怎么判断值不值？我会同时记录两件事：我们知道了什么，以及为此花了多少。

“知道了什么”，可以是某个解释获得更多支持，某种改动没有达到预期，或者材料太少，目前无法判断。未知就保留为未知。

“花了多少”，包括整理、生成、核查、执行和复盘的时间，加上工具费用与试验投入。不能只记AI输出花了几分钟。

这里还有一个容易夸大的地方：一次小试验让你放弃了某个计划，不代表原计划的全部预算都成为了“节省收益”。你并不知道它最终一定会失败，也可能原本就不会把钱全花出去。

可以诚实地写：“投入了这些成本，获得了这些证据，因此暂缓这项投入。”有可核实的实际节省，再算节省。

如果任务发生频率低，材料零散，结果又长期看不出来，搭建一套AI流程未必划算。先做一次人工判断，可能更合适。

同样，生成更多解释也会增加核查负担。让AI先提出少数几种、逐条列证据，通常比堆一长串可能性更便于团队讨论。效果仍然需要在自己的业务里验证。

我更想看到，小团队也能负担得起探索

722篇数学手稿让我产生期待的地方，是AI参与复杂问题探索的可能性。至于这批研究的具体价值，还需要专业检查和后续讨论。

这种期待进入经营，应该落到小一点的地方：一次报价为什么没推进，一个渠道值不值得投入，一种需求有没有值得交付的产品。

不必把每个问题都包装成宏大的战略。把材料弄清楚，提出几种解释，用承担得起的办法检查，再据此做下一步决定，这已经很有用。

我希望AI经营实验室持续做的，就是把这样的过程讲透。既看AI帮上了什么，也看它添了哪些麻烦；既记录结果，也承认还不知道的部分。

比起拿到一份更漂亮的方案，我更关心：我们有没有因此做出一个更有依据的决定。

你现在最想验证的一个经营判断是什么？欢迎留言，把它写成一句“我认为……是因为……” 。

兔八哥 · AI经营实验室把AI用进业务，把效果算清楚。

资料来源与说明（核验于2026年10月7日）

^[1] OpenAI官方公告：OpenAI官方公告

^[2] OpenAI数学成果仓库：OpenAI数学成果仓库