他们说AI撞“墙”,究竟是什么

一边全网在喊"AI 撞墙了"，一边 AI 推翻了困扰数学界 80 年的猜想。这两件事不可能同时为真——除非，"墙"这个字被严重误用了。

2026 年 5 月 21 日，OpenAI 宣布：他们的通用推理模型独立推翻了 Erdős 单位距离猜想——一个自 1946 年以来困扰数学界 80 年的经典问题。OpenAI 刚宣布数学突破的第二天，Google 直接以 9:1 的成果碾压回应。

按照 OpenAI 的 AI 能力五级分类，这代表 AI 正式进入Level 4——能做出原创性学科贡献的"创新者"。

这让我回想起过去两年所有人都在说的一件事：AI 撞墙了

撞了吗？撞的什么墙？如果真撞了，一个"撞了墙"的 AI 怎么可能推翻 80 年的数学猜想？

所谓的"墙"，其实是一条路走到头了

先讲清楚背景。过去 5 年，AI 行业押注一个极简规律：

砸 10 倍钱（更大模型 + 更多数据 + 更多算力）= 能力翻倍。

这叫 Scaling Law。OpenAI、Google、Meta 全是这条路的信徒。Altman 2023 年的原话："Scale is all you need."

"墙"就是这条路走不动了——继续砸 10 倍钱，能力只涨 10%。

具体卡在哪？三个物理瓶颈同时收紧：

第一堵：数据墙。互联网上的高质量文本快被用完了。"用 AI 生成数据训练 AI"（合成数据）的路子也有瓶颈——让 AI 教 AI，容易越教越蠢（学术上叫"模型崩溃"），类似近亲繁殖。

第二堵：算力经济墙。花 1000 万买的车比 100 万的快两倍，但花 1 亿买的车只比 1000 万的快 10%——性价比断崖式下跌。训练一次顶级模型的成本已经突破数亿美元。

第三堵：能源墙。一个大型训练集群的耗电量堪比一座小城市。电网建设的速度，已经赶不上 AI 烧电的速度。

第四堵：架构墙（最有争议的一堵）。有人认为 Transformer 本身存在根本缺陷，无法产生真正的推理，只能做高级模式匹配。这就是为什么 GPT-4 能写诗写代码，但曾经连 9.11 和 9.9 哪个大都判断不了。

现在回看事实：到底撞墙了吗？

确实撞上的：预训练这条路，走不动了

2024 年底，连 Scaling Law 最坚定的信徒、OpenAI 前首席科学家 Ilya Sutskever 都公开宣布："我们所知道的预训练时代，将要结束了。"发明这条路的人亲口判了死刑。

但墙只挡住了一条路，不是所有路。

更准确的说法是：第一堵墙撞到了，但工程师们不止绕过去了，还发现了好几条新路。

其中之一，所有人以为要进入 AI 寒冬时，2024 年 9 月 OpenAI 发了 o1，2025 年 1 月 DeepSeek 发了 R1。它们开辟了一条完全不同的路：不在训练时砸钱，让模型在回答问题时"多想一会儿"。

这叫推理时计算（Test-Time Compute）。

推翻 Erdős 猜想的，就是这条新路的产物。它不是靠"记住更多数学书"解题，而是靠深度推理——用代数数论的方法重新审视了一个所有人都在用组合方法硬攻的问题。连人类数学家几十年都没试过这个路径。

Altman 2025 年改口了：

"o1 开启了一条新的 Scaling 曲线，比预训练曲线更陡峭。"

而且新路不止一条。强化学习让 AI 在与环境交互中自我纠错，不再依赖人类标注数据。Agent 架构让 AI 学会调用外部工具、分解任务、多步协作——像人用计算器和搜索引擎一样工作。

Anthropic CEO Dario Amodei 在 2026 年 3 月用了一个比喻——棋盘上的稻米：

"人类目前处在棋盘的第 40 格。后面 24 格的进展，将超过前 39 格的总和。Scaling Law 不仅没有撞墙，2026 年还会迎来一轮激进加速。实验室的最新进展，大众无从得知。""

一堵墙：谁能造出"让 AI 自己变强"的环境？

所有人都在讨论算力够不够、数据够不够。但真正卡住 AGI 的，可能是一个更朴素的问题：你没法给 AI 造一个"真实世界"让它练。

谁能让 AI"自己跟自己玩"并不断变强，谁就握住了通往 AGI 的钥匙。AI 大厂的核心竞争，已经从"谁的模型大"，变成了"谁的训练环境好"。

看一个对比就明白了：

在数学、代码、游戏这些领域，AI 进步飞快——因为这些领域天然"可验证"：答案对不对、代码能不能跑、棋局赢没赢，反馈信号清晰明确，AI 可以无限试错、自我进化。

但在商业决策、人际交往、创意判断这些领域？AI 几乎原地踏步。

原因很简单：你没法给 AI 造一个"商务谈判模拟器"让它反复练。真实世界的决策有周期长、变量爆炸、不可逆、奖励信号模糊这四重难题——你怎么给一次"说服客户签单"的尝试打分？怎么让 AI 在不伤害真实关系的情况下试错一万次？

AI 想达到 L4/L5，必然要面对"真实世界训练"这道坎。而真实世界，恰恰是最难复制、最不可逆、最昂贵的环境。这就是 AGI 路上最深的矛盾——可能比算力墙、数据墙都更难翻越。

行业里吵成三派：

如果让我下注：2030 年大概率会有一个"看起来像 AGI 的东西"——它能证明定理、做原创科研、端到端运营一家公司。但它可能仍然在某些幼儿园级常识上犯蠢。

"这算不算 AGI？"——到时候这场定义之争，可能比实现它更难收场。

回顾 AI 70 年历史，撞墙发生过三次。前两次，新路花了十年才找到。这一次，从撞墙到 o1 问世不到一年，从 o1 到推翻数学猜想不到两年。

墙还会有。但翻墙的人越来越不耐烦了。