夜雨聆风大家好，这里是内审北极星。每天一篇原创，陪你一起进化。
周末看到一条新闻，协和神经外科住院医师金医生（以下简称金医生），借助GPT-5.6自主运行16小时，给出了Crouzeix猜想的证明。这个猜想在数值线性代数领域悬了22年，验证者名单里有Crouzeix本人。
看完我感到非常惊讶，沉思了好一会。先是想到一个问题："外行都能用AI解决世界级难题，审计人还怕什么？"后又觉得这个想法漏掉了很多关键的细节。
01金医生不是"外行用AI赢了专家"
金医生没有数学学位。但有一个细节决定了他和绝大多数"用AI试试看"的人不同：
他做经颅超声研究，需要处理超声波穿过颅骨的建模问题，这才进入了矩阵分析领域。他自学了相关知识，理解了Crouzeix猜想的背景、难点和证明标准。
也就是说，他在用AI之前，已经知道自己要解决什么问题，以及什么算解决了。
这两点，是绝大多数AI使用者不具备的。
大多数人用AI的方式是：让AI做一件自己不完全理解的事，然后无法判断产出对不对。比如让AI写一份自己专业领域之外的报告，看着通顺就交上去。
金医生的模式是：先把自己训练到能理解问题，再用AI放大探索能力。他理解问题，所以能设计提示词让AI走对方向；他知道什么算解决了，所以能对AI的产出做对抗性检验。
AI没有弥补他的知识缺口，他先补了缺口，再用AI。
02审计人的真正瓶颈不在会不会用AI，在能不能验证AI的产出
金医生的证明被数学界接受，靠的不是GPT-5.6的招牌。
他做了四件事：开源完整迭代手稿；提供Lean4形式化证明代码；附公理审计报告；接受Crouzeix、Townsend、Greenbaum的逐行验证。
没有这套验证机制，这个证明就只是一个"AI说它证明了"的声明。
审计领域同理。AI给你生成了一份风险评估报告，你怎么知道它没漏掉关键风险？AI帮你设计了一套内控流程，你怎么知道某个控制点在业务实操中走不通？
答案只有一个：你具备该领域的判断力。
不是抽象的职业怀疑，而是具体的领域知识。你能看出一个IT控制测试设计得对不对，前提是你懂IT控制。你能发现一份财务分析报告的漏洞，前提是你懂财务。没有领域知识，质疑就是空转，验证就是走过场。
这恰恰是金医生案例最"劝退"的地方：他的跨界有前提，前提是自学了矩阵分析到能跟Crouzeix猜想对话的程度。审计人如果想用AI做自己不熟悉的领域，也得先补课，再动手。
03AI可以赋能你做想不到的事，但有前提
在思考中我想到一点：AI是不是可以赋能我们做我们完全想不到的工作？
既然金医生可以做到，说明应该可以，但是有前提。
金医生用AI解数学难题，他想到了吗？可能一开始没想到。但他是在经颅超声研究中遇到了矩阵分析问题，自学之后才想到可以用AI来探索Crouzeix猜想。他的想不到，是从具体困境中长出来的，不是凭空冒出来的。
审计人也一样。AI可以帮你做很多你想不到的事——比如用AI识别采购舞弊的隐蔽模式，用AI设计一套你从未想过的内控流程，用AI做跨行业的对标分析。但这些想不到，必须建立在你已经理解了某个具体问题的基础上。
如果你连采购舞弊的常见手法都不了解，你不可能想到让AI去识别隐蔽模式。如果你不懂内控的基本原理，你不可能想到让AI帮你设计控制流程。
AI赋能的"想不到"，不是"完全不懂也能做"，而是"懂了基础之后，AI帮你突破认知的天花板"。
04通才是结果，不是起点
有一种流行说法：AI时代，通才比专才更有价值，因为AI能帮你补齐知识短板，你只需要提供判断力。
这话只对了一半。
AI确实能提供知识，但判断力的来源就是知识。你没有该领域的知识，就没有判断力。一个做了十年采购审计的人，用AI生成IT审计底稿，他无法判断控制测试是否合理、抽样逻辑是否成立。他产出的东西不是"审计"，是"看起来像审计的文本"。
金医生能跨界，不是因为他是通才，而是因为他在一个具体问题上投入了足够的自学，达到了能判断对错的门槛。他不是一个"什么都能做的人"，他是一个"在这个问题上下了笨功夫的人"。
所以正确的顺序不是"用AI变通才"，而是：选定一个具体问题，用AI帮助你学习该领域到能判断产出的程度，然后再用AI放大你的产出能力。先有专，后有通。通才是若干个"专"叠加的结果，不是AI一键解锁的状态。
05审计人现在可以做的三件事
与其讨论"AI会不会取代审计"，不如做这三件事。
在自己能判断对错的领域内先用起来。你做了十年采购审计，就让AI辅助你做采购审计：生成供应商风险清单、比对合同条款、梳理制度漏洞。用在你能验证的地方。先用出效率，再谈认知。
如果要跨界，先为"验证能力"补课。想用AI做IT审计？先花时间学IT控制框架，学到你能判断AI产出的逻辑是否自洽。想用AI做战略分析？先读行业报告，读到你能识别AI分析中的常识性错误。在不能验证之前，不要让AI产出进入正式交付流程。
把你自己的验证方法写成"提示词"。金医生把对抗性审计写进了提示词。审计人最熟悉的那套程序（抽查、穿行测试、交叉比对、反例寻找等），能不能写成一套可以反复使用的验证框架？如果能，你就拥有了一个可复用的"AI审计程序"；如果不能，说明你的验证方法本身还不够清晰，需要先把它想清楚。
06避坑指南
避坑一：别把学AI等同于学工具。工具会不断迭代，今天学的那个明天可能就过时了。真正要学的是如何提出好问题、如何设计验证机制、如何把AI嵌入自己的工作流。工具是手段，思维才是根基。
避坑二：别等公司推着你走。金医生不是等上级要求才去用AI的，他是自己在科研中遇到了问题，自己钻进去的。审计人也一样，先在自己的日常工作中找到痛点，试着用AI去解决，哪怕只是一个小的效率提升，也比空谈AI转型强一百倍。
避坑三：别忽视领域知识这个前提。AI可以帮你突破认知天花板，但前提是你已经站在某个地基上。没有地基，AI给你的只是"看起来像"的产出，不是真正有价值的产出。
避坑四：别把验证当成事后检查。金医生不是等AI跑完16小时才想"这结果怎么验"。他在设计提示词时就把对抗性审计写进去了。审计人也应该在让AI干活之前就想清楚：它产出之后，我用什么方法检验？没有检验方法，就不要开始。
写在最后
金医生的故事里，最值得记住的不是16小时，而是两个容易被忽略的细节：他在用AI之前自学了矩阵分析；他在用AI之后做了形式化验证。
一个是前提，一个是闭环。中间那16小时，反而是最不重要的部分——换成另一个人，给同样的提示词和同样的算力，如果没有前提和闭环，得到的只是一堆漂亮的数学垃圾。
审计人用AI，也是一样。
"会不会被取代"不是一个值得讨论的问题。值得讨论的是：你有没有一个具体问题，值得你用AI去啃？你有没有一套验证方法，能判断AI给你的答案能不能用？
两个都没有，讨论AI就是在打发时间。有一个，就已经在路上了。