近期，一篇名为《王的猜想》的文章在网络上引发了广泛讨论。这篇原本刊登于《广西日报》的人物特稿，因报道了35岁数学家王虹获得菲尔兹奖的消息而意外爆火。纸质报纸一度供不应求，二手平台上的售价更是被炒到了60元。与此同时，OpenAI的GPT-5.6和Anthropic的Fable等大模型也频频传出捷报，分别解决了圈双覆盖猜想和推翻了雅可比猜想。社交媒体上充斥着关于AI“算力超神”的惊叹，人们沉浸在模型似乎无所不能的想象中。
然而，即便AI已经能证明复杂的数学猜想，却似乎还无法构想出爱因斯坦脑中的那台电梯。想象一台悬在太空的无窗电梯，火箭点火后加速上升。当你松开手中的苹果，它落回脚边。身处电梯内的人无法分辨，这是否是因为脚下地板正在加速追赶苹果，还是因为附近存在一颗星球。这一思想实验让爱因斯坦在1907年领悟到了等效原理，即局部范围内重力与加速度无法区分，他将其称为“一生中最幸福的想法”。
一百多年后，Google DeepMind研究员Tom Zahavy将这台“电梯”搬到了AI面前。他提出了一个关键问题：如果只给AI广义相对论诞生前的知识，它能否独立构思出这台电梯，进而提出等效原理？Zahavy的答案是否定的。今年7月，DeepMind在ICML 2026上展示了题为《LLMs can’t jump》的立场论文，直指大模型无法完成科学发现中最关键的创造性飞跃。论文指出，大模型擅长从数据中找规律（归纳）和沿着公理推导（演绎），但缺乏第三种推理能力：面对未知，主动提出新的概念或推翻原有公理。
要理解为何“跳跃”是LLM的局限，需先了解人类推理的底层机制。逻辑学家查尔斯·桑德斯·皮尔士将推理分为三类：归纳（从输入输出找规律）、演绎（基于规则推导结果）和溯因（面对未知现象提出新假设）。比如每天看苹果落地：归纳是总结“苹果往下掉”，演绎是预测“下一颗也会掉”，而溯因则是当苹果飘起来时，推测“我们可能正在自由落体”。现阶段的AI主要依赖归纳和演绎，而这并不等同于科学发明。科学史上从0到1的改变，本质上都是一次“跳跃”。
爱因斯坦著名的E-J-A示意图展示了这一过程：从感官经验（E）出发，必须经过一次无法被纯逻辑解释的“飞跃”（J），才能跃迁到全新的公理体系（A），随后才能开展演绎。这正是大模型无法跨越的鸿沟。AI圈长期流行“创造力即数据压缩”的观点，认为科学发现是寻找更简洁的程序来解释数据。但DeepMind的论文用广义相对论的诞生历史反驳了这一假设。1907年至1915年间，物理学界并没有出现需要“压缩”的海量异常数据，牛顿力学依然好用。爱因斯坦是通过将两个看似无关的现象联系起来，提出了新假设，这才是“跳”的本质——在答案出现前，先换掉理解问题的前提。
爱因斯坦曾表示，思维机制中语言不起作用。在弯曲时空的语言和符号尚不存在时，他是通过具身模拟，将自己“置身”于虚拟场景中，利用物理感官体验完成了从经验到公理的飞跃。而这恰恰是LLM的短板——即“中文屋”效应。LLM本质上是处理Token概率的统计模型，缺乏与真实物理世界的感知互联，无法进行反事实干预。它生成的苹果掉落视频，仅是基于像素统计的延续，而非对重力物理规则的内部建模。
那么，即便AI学会了“跳跃”，数学界能否接得住？陶哲轩在2026年国际数学家大会的演讲中给出了不同的视角。他没有纠结于AI能解多少题，而是提出一个假设：AI将很快能以低成本完成大量研究级任务。他追问，数学研究的核心究竟是什么？如果只是“解题”，AI确实在进步。但数学还包括建立理论、培养人才和知识沉淀。陶哲轩将后者称为“证明消化”。AI能生成和验证证明，但无法像人类一样进行同行评审、将结果转化为教材、或让其他数学家在此基础上继续研究。
陶哲轩担心数学可能从“证明稀缺”进入“证明过剩”。大量AI生成的证明等待检查，已验证的证明等待被讲清楚，论文数量可能让评审系统不堪重负。他建议少奖励“第一个解出来”，多奖励验证、讲解和整理。DeepMind关心AI能否自己走进电梯，而陶哲轩追问的是：即便它做到了，谁来检查这次跳跃？谁能把它讲清楚？科学发现不仅在于答案生成，更在于让后人能够理解、质疑并在此基础上继续前行。