ARTICLE · 1142815
AI能解千禧年数学难题,为何解不了企业AI转型“最后一公里”?
一、AI在数学领域的表现与企业AI转型并非同一维度
2026年，AI在数学领域的进展速度超出了多数人的预期。5月，OpenAI的通用推理模型推翻了匈牙利数学家保罗·埃尔德什在1946年提出的平面单位距离猜想，这一难题困扰数学界整整80年。菲尔兹奖得主蒂莫西·高尔斯称这是“人工智能数学的一个里程碑”。
9月8日，OpenAI进一步宣布，一个能力“显著强于”GPT-6 Astra的内部模型率领约1万个AI智能体，在88小时内构造出纳维—斯托克斯方程的一个反例，找到了该方程无法描述的“奇点”。需要指出的是，该结论仍待数学界独立检验，且已引发关于学术优先权的激烈争议——纽约大学数学家特里斯坦·巴克马斯特声称OpenAI“半路截走了他的成果”，比OpenAI官宣早约12小时公开了相关进展。
但在同一时间轴上，企业AI转型的进展远没有这么令人振奋。阿里云在2026年4月发布的评估体系研究中指出，企业在推进AI应用过程中“普遍面临场景选择难、价值衡量难、持续运营难”三大痛点。与此同时，企业实践中的典型案例反复显示：许多AI项目在技术验证阶段表现良好，一旦进入需要跨系统集成和持续运营的阶段便迅速失速。
这两个画面之间的落差，指向一个需要认真对待的问题：AI在数学推理上展现的能力，与企业落地所需的能力，可能并不在同一维度上。解一道数学题，本质上是在一个边界清晰、标准明确的封闭系统中寻找证明路径；而企业转型面对的是一个开放系统——数据分散在多个系统中且口径不一，流程涉及多个部门的协调与权责划分，场景选择需要在价值、风险、就绪度之间做出取舍。数学难题有明确的对错标准，企业转型没有。这正是“解题能力”与“落地能力”之间的鸿沟所在。
二、AI的数学突破究竟证明了什么
要理解这道鸿沟的深度，首先需要准确界定AI在数学领域证明了什么，以及没有证明什么。
埃尔德什单位距离猜想的推翻，核心机制值得细看。AI并没有发明一套全新的数学语言或公理体系，而是借用了代数数论中的技巧，在高维空间中构建格子结构，再将高维形状投影回二维平面，从而构造出比埃尔德什猜想更多的等长点对。曼彻斯特大学的塞缪尔·曼斯菲尔德评价说，这需要精通多个领域，而这似乎正是AI所擅长的。换言之，AI的能力优势体现在跨领域知识的连接与重组上，而非在无先例可循的方向上从零建立直觉。
纳维—斯托克斯方程的解决过程，进一步揭示了这种能力的组织形态。据中国新闻周刊报道，OpenAI的内部模型率领约1万个AI智能体并行工作约88小时，构造出一个“不断向内旋转的涡旋”反例：流体向中心旋转，核心持续收缩并在纵向被拉长，最终出现N-S方程所不能描述的“奇点”。这个过程的关键不在于单个模型的“灵光一现”，而在于对一个结构清晰的目标进行大规模并行拆解与集成。当然，这一成果的“抢发”性质引发了数学界的强烈反弹——哈佛大学教授、1998年菲尔兹奖得主柯蒂斯·麦克马伦将该事件类比为“往登山者已建立的营地空投一队机械登山者，然后抢在所有人之前登顶”。
中国科学技术大学/清华大学教授马杰在接受《中国科学报》采访时指出，被AI解决的数学问题具有共性：人类研究已积累了相当经验，表述直观、结构清晰，可以较为直接地进行证明。马杰进一步表示，AI的能力更多体现在对已有知识进行整合推理和在分散结果间建立联系，而在一些情况下，这可以理解为对既有结论的重新组织与呈现。2026年10月，OpenAI进一步公开了数百篇数学手稿，但科学网评论指出，AI“正在解答上个世纪留下的数学难题，但还没有能力为下个世纪出题”——提出问题、定义价值标准，仍依赖人类的判断。
三、从“解题系统”到“落地系统”
数学解题与企业AI落地之间到底有何差异？不妨从系统复杂度的角度来理解。
一般认为，数学难题是一个封闭系统。以纳维—斯托克斯问题为例，它的输入是明确的方程和边界条件，输出是形式化的证明，验证标准由Lean这样的定理证明器提供，不依赖任何外部数据或组织共识。OpenAI能够同时向不同组的智能体提供不同版本的问题陈述以覆盖问题的所有变体——这种操作之所以可行，恰恰是因为问题的定义本身就是清晰且完备的。
企业AI落地则是一个开放系统。企业实践中的典型案例显示，AI项目从技术验证进入系统集成阶段后，常常面临数据口径不一致、系统接口不统一、业务人员不愿让AI“写回”核心系统等障碍。这些障碍没有一个属于“模型能力”问题。它们分别对应数据基础设施的缺陷、组织信任的缺失和系统集成的成本——三者都不在数学解题的能力射程之内。
更根本的差异在于目标的确定性不同。数学证明的“正确”可以由形式化验证独立确认；企业AI的“成功”则需要在多目标之间做出权衡：降本与增效可能冲突，风险控制与迭代速度可能冲突，短期ROI与长期能力建设可能冲突。阿里云评估框架从战略、价值、能力三个维度出发，本身就是为了应对这种多目标性而设计的。数学难题不需要这样的框架，因为它的目标函数是单一的。
四、数据库、任务管理与业务拣选——三道被低估的鸿沟
如果AI的推理能力不是瓶颈，那么企业AI转型的真正约束在哪里？我们认为，三个维度——即数据库、任务管理和业务拣选——提供了一个有用的分析框架。
数据库层面，核心问题是数据的可用性而非模型的智能水平。企业实践中的普遍现实是：数据往往分散在ERP、CRM、供应链等多个系统中，字段定义不一致，时间粒度不统一，历史数据的质量随业务变化而波动。阿里云将“数据就绪度”纳入其评估体系的“能力维度”，并强调要“避免‘重建设、轻运营’”。这一表述的潜台词是：许多企业的问题不是没有数据，而是数据不足以支撑一个需要持续运行和迭代的AI系统。
任务管理层面，核心问题从“模型能否完成一个任务”转变为“系统能否协调多个任务、多个角色和多个系统”。OpenAI在数学问题上的做法——将智能体分组、分配不同题面、汇总集成——提供了一种任务编排的原型，但数学问题的任务边界是预先定义的，组与组之间的接口也是清晰的。企业流程则不同：一个采购审批流程可能涉及需求部门、采购部门、财务部门和法务部门，每个环节的输入输出格式不同，权限规则不同，异常处理逻辑也不同。将这些流程改造为AI可协调的任务网络，需要的是一套任务管理系统——它要能追踪状态、处理异常、记录审计轨迹——而不仅仅是一个能推理的模型。
业务拣选层面，核心问题回到了“好问题比好答案更稀缺”的判断。企业实践中的典型场景显示，部门在提出AI项目时普遍存在“战略性偏差”——倾向于选择看起来更具战略高度的项目，而非条件最成熟的项目。阿里云的评估框架和行业提出的多维度评分方法，本质上都是在试图将“选什么”这件事从直觉和权力博弈转化为可比较、可解释的决策流程。但方法论的存在并不意味着执行的容易。业务拣选之所以难，是因为它需要在信息不完整的情况下做出判断：数据够不够用？用户愿不愿意用？集成成本有多大？这些问题没有一个能像数学证明那样得到确定的答案。
五、组织层面的两难困境
上述三道鸿沟在企业内部往往以更具体的两难形式呈现。通常，AI落地中常见的核心矛盾包括：让新手还是专家使用？集中管理还是分散给基层？组织扁平化还是增加层级？部署加快还是放慢？由高层、中层还是普通员工？这些矛盾之所以是“两难”而非“选择题”，是因为每个选项都有其合理性，而选择本身取决于企业的具体情境——行业节奏、组织文化、数据成熟度、竞争压力。
这些两难困境与数学解题的对比，揭示了一个更深层的事实：数学问题的解决路径可以被“搜索”出来，而组织变革的路径只能被“协商”出来。OpenAI可以调用1万个智能体并行搜索解空间，因为解空间的定义是清晰的、搜索的代价是可控的。但企业无法用同样的方式搜索组织架构的最优解，因为每一个组织选择都涉及人的利益、权力的重新分配和信任的建立——这些变量无法被形式化，也无法被并行化处理。
六、“我们应该让AI先做什么，以及在什么条件下做”
回到最初的问题：AI能破解数学难题，为什么企业AI转型还是这么难？
一个可能的回答是：数学难题和企业转型分别位于能力谱系的两端。数学难题处于AI推理能力可触及的范围之内——问题定义清晰，验证标准明确，搜索空间虽然巨大但结构有序。企业转型则要求推理能力之外的一系列系统能力：数据要能被信任，流程要能被协调，场景要能被判断，组织要能被调整。这些能力不随模型能力的提升而自动获得。一个更强的推理模型不会自动修复数据口径不一致的问题，也不会自动告诉企业应该先做客服知识助手还是经营预测。
这并不意味着AI对企业转型没有规律可循。恰恰相反，从纳维—斯托克斯问题的解决过程可以看到，AI已经展现出在复杂目标下进行大规模任务拆解和跨领域知识连接的能力。这种能力如果被正确地嵌入到企业的数据基础设施和任务管理系统之中，有可能显著提升转型的效率。但嵌入本身——即把推理能力转化为落地能力——恰恰是最难的部分。
话说回来，数学界自身对AI的态度也在分化。2026年9月11日，包括陶哲轩、邓煜在内的25位菲尔兹奖得主联合发表《人工智能在数学中的严重错位》声明，批评AI公司将解决数学难题作为模型能力基准的做法“对数学科学本身及数学界造成了损害”。这提醒我们：即使在AI能力最被认可的领域，关于“AI应该做什么、不应该做什么”的共识也远未形成。对企业而言，最难的问题从来不是“AI能做什么”，而是“我们应该让AI先做什么，以及在什么条件下做”。
---
本文为「数字新财报」针对上市公司与持牌金融机构数字合规问题的深度研判。本团队专注服务 A 股 / 港股科创上市公司、持牌金融机构，为企业提供数字合规专项尽调、监管检查应对、合规整改落地、常年合规顾问等高端法律服务，企业可后台留言主体名称与业务类型，预约一对一深度研判咨询。
免责声明：本文仅供一般性信息参考，不构成任何法律、投资或专业建议。文中观点仅代表作者个人或整理时的理解，可能与实际监管口径、司法裁判情况存在偏差，企业具体合规事宜请结合自身主体资质、业务场景开展专项咨询。
---
作者：张烽，万商天勤律师事务所合伙人，
上海金融与法律研究院副院长，
国富量子（00290.HK）创新研究院副院长，
上海市浦东新区科幻协会理事，
上海市浦东管理咨询行业协会理事，
香港RWA全球产业联盟学术委员会副主任，
中国移动通信联合会元宇宙与人工智能产业工作委员会常务委员，
上海区块链技术协会智库专家和科技评价专家，
中国人工智能产业联盟安全治理委员会委员，
中国信通院法律大模型应用评审专家，
国版链数据要素合规专家。
系列专辑：