DeepMind 联合创始人哈萨比斯表示，如果 AI 能解决一个千禧年数学大奖难题，那将是「第37手级别」的重大突破；按他现在的判断，AI 走到那一步看起来只是时间问题。
这一说法，把外界重新拉回 2016 年 AlphaGo 与李世石的那场人机大战。十年前，AlphaGo 凭借后来被广泛讨论的「第37手」击败李世石；十年后，哈萨比斯站到 AI 进入数学与科学前沿的现场，再次给出一个更靠前的判断：AI 不只是会解题，它正在逼近能在数学研究中给出关键想法的阶段。
哈萨比斯把数学突破比作 AlphaGo 的“第37手”
最近一段时间，哈萨比斯的身份有所调整，从 DeepMind CEO 转任谷歌首席科学家兼 DeepMind 董事长。但在 AI 如何改变人类认知这件事上，他仍是最受关注的人物之一。
他的最新判断很直接：如果 AI 真能解出一个千禧年数学大奖难题，这会是和 AlphaGo 当年「第37手」同等级别的突破。哈萨比斯称，就目前来看，他看不出为什么 AI 不会达到那个水平。
在这套比喻里，「第37手」代表的是人类第一次清楚地意识到，AI 不是只会模仿，而是可能走出人类此前没有想到的路径。
2016 年那步“第37手”如何改变外界对 AI 的认识
时间回到 2016 年 3 月，AlphaGo 与李世石在韩国首尔进行五番棋对决。第一局，李世石告负。第二局进入中盘后，外界都在等待这位传奇棋手的反击。
当时李世石一度离席抽烟平复情绪，回到棋盘前时，AlphaGo 已经落下黑棋第37手。李世石没有立刻坐下，而是站在原地盯着棋盘，因为这步棋与职业棋手延续数百年的布局直觉明显不同。
AlphaGo 把棋子落在第五线上，位置处于一块尚未直接交战的区域。按人类围棋的常规理解，棋子通常应尽量占据高位来掌控全局，这步棋却偏离了这种经验。
现场解说一开始甚至怀疑 AlphaGo 下错了。职业九段棋手 Michael Redmond 当时说：「我不知道这是好棋还是坏棋，它非常奇怪。」搭档的反应更直接：「我以为这是一个错误。」
DeepMind 后来的计算显示，人类棋手选择这一步的概率只有万分之一。可随着棋局推进，人们逐步意识到，这并不是一手坏棋，而是一手从更大尺度重塑战局的妙手。大约 100 手后，这枚看似位置不对的黑子，成了 AlphaGo 赢下第二局的关键。
也正因为这样，「第37手」后来被视作一个让人类集体误判的时刻：当时很多人以为是 AI 错了，最后被证明判断失误的反而是人类自己。
数学为何会成为 AI 集中突破的方向
报道指出，对 AI 来说，围棋和数学有一个重要共同点：可验证性强。规则和逻辑足够清晰后，AI 就可以不断重复同一套流程——提出一个想法、测试它、根据结果学习，再继续尝试。
这也是为什么数学会成为 AI「第37手」集中出现的领域之一。药物研发、生物学等方向里，一个想法是否有效往往要经过漫长实验才能验证；数学不同，证明过程可以逐步检查，对错相对清楚，AI 可以持续搜索。
随着模型能力增强，这种变化开始按年加速。报道以 ChatGPT 之后的大模型演进为线索，给出了几组时间点。
- 2023 年，大模型仍会被一些基础算术问题难住，「9.11 和 9.9 哪个大」一类问题曾引发讨论。
- 到 2024 年，DeepMind 的 AlphaProof 与 AlphaGeometry 2 已经进入国际数学奥林匹克竞赛，6 道题里解出 4 道，拿到 28 分，达到银牌水平，距离当年的金牌线只差 1 分。
- 再过一年，Gemini Deep Think 在正式比赛规定的 4.5 小时内解出 5 道题，拿下 35 分，达到 IMO 金牌水平。
按这条时间线看，两年内，AI 从会在基础算术上翻车，走到 IMO 金牌水平，进展非常快。
AI 开始从“做题”走向数学研究
更大的变化不只发生在竞赛层面。报道认为，真正让数学界感到压力上升的，是 AI 正从「做题」转向「研究」。
2025 年，GPT-5 参与解决埃尔德什问题 848，并提出了证明所需的关键估计。之后，数学家对这些内容做了修正与收紧，最终完成完整证明。
同一年，UCLA 数学家 Ernest Ryu 借助 GPT-5，为一个困扰优化理论 40 年的开放问题找到突破口。
在这一阶段，AI 的角色已经不只是计算或复述答案，而是开始提供关键想法。也正是在这里，报道把 AI 的数学进展和「第37手」联系起来：它不只是沿着已知道路前进，而是开始给出研究者原本没有想到的路径。
2026 年，一批开放数学问题接连被突破
进入 2026 年后，报道列举了一系列更激进的案例。
OpenAI 的一个内部通用推理模型研究了平面单位距离问题。这个问题由数学家保罗·埃尔德什在 1946 年提出，讨论的是在平面上放置 n 个点，最多能形成多少对距离恰好为 1 的点。
近 80 年来，数学界普遍认为，正方形网格一类构造已经接近最优。报道称，这一 AI 模型从看似不相干的代数数论中引入了一套工具，构造出全新的点集，并推翻了长期存在的相关猜想。整个证明之后由外部数学家核验。OpenAI 将其称为通用 AI 首次自主解决一个在数学分支中具有重要地位的开放问题。
紧接着，Anthropic 也给出案例。2026 年 7 月，Anthropic 数学家 Levent Alpöge 借助 Claude Fable 5，为雅可比猜想找到一个明确反例。报道称，这一困扰数学界 87 年的猜想因此被证伪。
报道还提到，就在前两天，GPT-5.6 与 Fable 5 联手解决了一道悬置 25 年的数学难题。
DeepMind 试图把数学突破变成可重复流程
在文中提到的多家公司里，谷歌 DeepMind 被描述为正在把这类突破做成更接近流水线的过程。
其数学智能体 Aletheia 不只生成一次答案，而是会反复提出证明、检查漏洞、推翻已有路径，再重新寻找新方案。
DeepMind 用 Aletheia 扫描了埃尔德什猜想数据库中的 700 个开放问题。结果包括两部分：
- AI 自主解决了其中 4 个尚未解决的问题；
- 还参与产出了多篇达到论文质量的数学成果。
这组结果说明，AI 已经开始以更成规模的方式搜索数学中的空白区域。也正因此，报道给出的结论是，AI 解决更多重大数学问题，越来越像是时间问题，而不是会不会发生的问题。
“第78手”留下的另一层启示
不过，文章并没有把视角停在 AI 的连续突破上，而是转向另一组数字：第78手。
在 2016 年五番棋第四局中，已经连输三场的李世石把一枚白子楔入 AlphaGo 阵形中央。这步棋同样偏离常规，AlphaGo 给出的人类落子概率也只有万分之一。
接下来的局面里，机器出现混乱，李世石最终赢下那次五番棋中人类唯一一场胜利。这一步后来被称作「神之一手」。
报道认为，这场胜利并不意味着人类重新战胜 AI，但至少说明，人类在理解机器之后，仍可能找到机器没有预料到的下一步。
这也被视作「第78手」在今天的现实意义：当 AI 越来越擅长给出答案，人类的价值可能更多转向提出问题、判断方向，以及决定哪些答案值得寻找。
哈萨比斯：科学正在进入“半人马时代”
文章借用了国际象棋中的「半人马棋」概念，也就是让人类棋手与计算机引擎协同作战。
作为补充背景，文中提到，1997 年 IBM 的「深蓝」击败国际象棋世界冠军卡斯帕罗夫后，卡斯帕罗夫在 1998 年倡导并举办了首届「半人马象棋赛」，探索人类与 AI 协作的可能性。
哈萨比斯认为，科学正进入类似的「半人马时代」。他说：「我们正步入一个由人类与计算机共同协作的时代，我不知道这个周期会持续多久。但对于那些非常复杂的领域来说，这个时间可能会很长。比如药物研发、生物学、化学领域等，这些领域非常复杂，情况多变，而且无法验证一切。这时候就需要人类的直觉和洞察力，来决定前进的方向。」
围棋已经先给出了一种现实样本
围棋后来的变化，被文中视作这一判断的现实例证。
AlphaGo 出现后，AI 很快成为职业棋手复盘的重要工具。棋手可以借助 AI 重新检查过去的定式，辨别哪些经验并不可靠，也能研究那些曾被认定不合理的新走法。
报道还引用一项覆盖超过 580 万步职业棋手决策的研究。结果显示，在超级 AI 出现后，人类棋手的落子质量显著提高，同时新颖走法也变得更多。
这说明，AI 至少在一部分场景下，确实能提高人的表现，而不是只取代人的判断。
另一面：依赖 AI 也可能削弱判断力
文章最后也提到另一层风险。随着人们越来越依赖 AI 给出答案，独立判断答案的能力可能会下降。
李世石退役时曾表示，面对一个无法战胜的对手，他已经很难继续享受自己曾经热爱的围棋。报道认为，这或许才是 AI 时代更值得警惕的问题。
当数学之外更多领域都受到 AI 影响，更强大的系统究竟会让人类变得更有创造力、更高效，也更像人类，还是会让人们逐渐放弃努力，文章没有给出结论。
它把问题留在最后：未来，AI 还会不断落下新的「第37手」；而人类能不能找到属于自己的「第78手」，仍待回答。