淘金比赛：智御量子暑期学校观察与反思

7 月 27–31 日，我们依托合肥国家实验室数学与基础物理研究院，举办了“智御量子暑期学校”黑客松，有 100 多位学生参与。目的很朴素：鼓励学生尝试用 AI 辅助科研，互相分享经验，互相学习。筹备期间我问了 AI 一个问题来辅助筛选：“这些同学中，哪些学生在未来最有可能成为伟大的科学家？”——希望被选召的孩子们不辜负 AI 的期望，好好带路。

这是一场无法被计划的活动，因为任何计划都会被 AI 的发展和自己认知的变化彻底打乱。科幻小说里有个著名的“皇帝的金斧头”比喻：从前有个乞丐，幻想皇帝过的是什么日子——他能想到的最好生活，就是用金斧头砍柴、用金扁担挑水。贫穷限制的不只是生活，更是想象力：他只能在自己已有的经验上镀金。这个时代，我们同样很难看清未来的发展趋势。 我很喜欢王磊老师劝学生订阅 Agent 时的那句话：“只要花 200 刀，就能让你看到半年后的世界。”今年 2 月，我有幸先瞥见了半年后的两个趋势：一，学生大量使用 agent 辅助科研；二，教学全面走向无人化。

从“教学”到“淘金”

即便如此，我还是误判了局势。

暑期学校最初设想的是更教学导向的方案：请每位老师把解决物理问题的经验炼化成一个个“skill”，汇入 quantum.harness 仓库，用专家的眼光把关。这样 Agent 带着学生遵循 skill 解题，同时讲解多体计算问题的技巧。当时我相信，细分领域专家的专业知识是 AI 短时间无法替代的。

但这个想法很快就失效了。Fable 5、GPT-5.6 Sol 和 Kimi K3 相继发布之后，我发现大多数人类专家凝练的 skill 正在迅速成为历史包袱——这种转变，直接导致我们直到开营前半个月，program 都还没定下来。陶哲轩评论现在的数学发展说，我们处在一个“证明过剩”的时代；对于物理，是 AI 解问题的能力开始超越人类专家。所以，再去教给学生们解题过程，是否还合适？

最后，我把暑期学校的主体定为“自动化科研挑战”：学生须在 4 天内利用agent完成至少一个挑战并提交 PR，由导师评阅。在各位导师们和专家的帮助下，我们准备了 70 多道题的题库，其中也包含不到 30% 由 AI 生成的课题。我当时给这些挑战题两个硬门槛，一是要可以被验证，二是验证通过后可发表（读完这个博客你就会知道我为什么这么要求）。我期待学生们能通过做一个实际科研问题“感受” AI 自动化科研带来的变化，并从中感悟未来的方向。我设计的两款文化衫以很极端的方式反映了这个主题：两句口号都写在 agent 那道经典的权限确认菜单上——“Yes / Yes, and always allow access / No”都被划掉，光标停在第 4 个选项上。

左边选中的是 You Only Live Once (YOLO)——人生只活一次，不要再一行一行审核代码，既然选择了 Agent，就选择相信它。右边选中的是 All You Need is a Prompt——擦一擦神灯，许个愿就够了，自动化科研就是一句话的事情。

我不预期学生，尤其是初学者，能“驾驶”AI agent更好的解题，我期待的是他们在自动驾驶车的驾驶座上，手握假的方向盘感知这个时代的变化。

淘金比赛

本质上，这是一个“淘金比赛”：学生在 70 多个问题构成的河床上，以 AI agent 为铲，以结果验证器为筛，试图淘出金子。

现场几乎所有学生都专注在自己的挑战上。有些学生因为解锁了 agent 的使用而感到非常兴奋，但也有很多学生反馈说，agent 解题速度太快，他们很难跟上，于是就放弃了理解——最后到底获得了什么，很难说。甚至，提升认知和快速完成比赛之间存在一定的负相关：人类的理解，经常拖慢了 AI 的解题速度。所以我给学生们的建议是，先做，再理解——当你淘出了金子，自然也不会吝啬于了解它值多少钱。

AI 加持下，不少团队顺利完成了挑战（至少表面上），但也有人对 AI 频繁的 reward hacking 感到苦恼，也有人质疑：这么短的时间里，学生根本无法理解 AI 给出的答案——考核的究竟是“烧在 token 上的钱”，还是人的能力？或许的确 4 天太紧迫了，在学生们的提交中，我看到了大量的反面案例：很多学生的“筛子”（验证器）做得太粗糙，往往被 AI 轻易绕过。

导师们在审核学生提交的 PR（凌晨 12 点）

初筛 8 个组的阶段，导师们忙碌到了半夜，我选择的三个提交一个都没入围。我心目中最好的三份提交，都是“有趣的半成品”，而入围的团队大多沿着一条明确的路径完成了一次计算，而非探索——某种程度上，这是一场结果论与保守主义的胜利。 从学生们的反馈看，筛选的结果是同样是很失败的，和导师们的投入的时间不成正比。有一个学生，因为知道自己的挑战入围而离开了尴尬的比赛。有两组学生，他们提交了多组结果，但是自己认为做得更好更用心的那个结果被选上，有一组学生的结果是错的。 所以，即使是国内该领域的人类专家，努力干到晚上1点，也没有能力挑出优秀的作品。 “科研评价体系崩溃”几乎是板上钉钉的事实。

第二天评审结果时，我和很多导师达成了一致：评选“最让我们相信的提交”，而不是谁的结果看上去最好。有没有花心思在验证结果上？有没有理解？有没有诚实地汇报不理解的地方？

最让人意难平的是一个团队提交了十几个课题——Agent 在他们手中成了“奴隶工厂”，大量 token 产生了大量结果。我相信这些结果中有很多有意思的东西可以挖掘，但这种感觉很奇怪，这就好比有个人从河床挖了一堆沙子说：“我挖的金子都在这堆沙子里，你自己去验证吧！”

这让我意识到，学术诚信可能是这个时代最宝贵的东西了：一旦一个人给你兜售了一个不靠谱的东西，你便再也不会相信他——因为验证不靠谱东西的成本，实在太高了。正如王磊老师的评论：“不排除同学们在 AI 加持下海量的提交中还包含着金子，只是筛选出它们的成本太高了。”如果验证器无法被信任，那么讨论结果有多好就没有意义——从这点来讲，我们也许不应该纠结结果本身，而应该讨论如何怀疑结果，如何设计验证。

半年后的未来

回到“花 $200/月看见半年后的世界”——这次暑期学校，我想我确实瞥见了一点点。

在这个未来里，某种类型的科研实现了量产——有固定技术路径的科研，比如材料计算，还有那些“验证简单，但搜索难”的科研，比如数学证明，程序/调度优化。比如经过形式化的数学证明，或是在严格基准测试上验证过的程序。随着 AI 的直觉越来越好，这种高通量的试错与搜索也越来越高效，于是很多“下垂的果实”被 AI agent 摘取了。数学领域文章数目的暴增，就是一种体现。

但这个现象会持续吗？很难说——有价值的命题会随着时间推移越来越少，AI 的搜索效率也会随之走低，直到下一波智能体能力跃迁，之前摘不到的果实才会重新被摘取。

人类定义问题和问题的验收标准的能力，依旧是稀缺的。

自动化科研绝不意味着学生要“驾驶”智能体工具去求解问题——因为自动化科研根本不需要驾驶员，人类的注意力也不应该花费在求解问题上。相反，我认为loop（只定义验收标准，让Agent反复迭代）是对人类稀缺注意力的一种回答。过去，智能体和多智能体交互带来了一个巨大的问题：人类注意力机制的崩溃。以代码为例，在 Opus 4.6 时代写代码，我需要应对大量 AI 产生的程序垃圾，验证程序、思考收拾烂摊子的策略，把大量注意力都花在验证代码正确性上。但这种注意力消磨，随着 AI 的进步已经在改观：现在我只需要构建一些少量的验证手段，基本就足够了。

自动化科研也是一样。看似现在 AI 在不停地产生垃圾，让人真假难辨很消注意力去验证。但往后看半年，你就只需要构建好基本的验证器，交给 loop 跑上一整天，就能收获一堆结果。而人类呢？定义好问题之后，就只要喝喝咖啡、聊聊天，讨论最深刻、最本质的哲学思考。AI 科研没有剥夺人类的科研乐趣——它依旧需要优秀的思想家去定义问题，它剥夺的，只是“做题家”的生存空间。

从另一个角度看，自动化科研的时代，只是让人们更加自由地探索有意义的问题，把人类带回最纯粹的探索式科研。这个时代最需要的，是那些充满好奇心、善于定义问题的人。

下一次黑客松的主题，我已经想好了，就叫“量子出题家黑客松”：不要再让我们这些科研老登出题了，让学生们自己讨论、凝练出最有趣的问题定义，只用最多5个 prompt，把它做出来，而不是和Agent来回打架。

Kimi K3 对提交成果的审计（图一乐）

先声明：这不是一次严谨的审计，而是我事后让 Kimi K3 对所有提交做了一轮快速复盘，权当图一乐。用 AI 审计 AI 的产出，本身就带着不确定性；所以下面的数字不要当作定论，更适合看成问题雷达：哪里可能需要人工复核，哪里暴露了系统性风险。

我给 Kimi K3 设了几条规则：每个 PR 宣称的数字，必须能从仓库文件中复算；是否达标以 challenge issue 为准，而不是以 PR 自述为准；同时补一轮文献查新和 reward hacking 专项检查。即便如此，这仍然只是一次单轮、无人工复核的自动审计，误判和漏判都不可避免。主要结果如下：

按这个口径，过半提交（43/84）经受住了基本检验；19 个被判为“完善后可发表”，其中 17 个经查新仍算新颖。也有几个高光时刻，比如 #268 的 152 门精确 6×6 乘法器，打破了 Sergeev 已发表的 158 门纪录；#180 的神经波函数，在笔记本 GPU 上击败了 Laughlin 态。但审计最刺眼的发现不是“错”，而是达标缩水：40 个 PR 交付不足，却在描述里自称“已完成”。

比起这些具体数字，我更愿意相信两条不那么依赖精确统计的判断。第一，验证器几乎是建立信任的必要条件：没有验证器的提交，可复现数为 0；但验证器并不充分。少数确认的 reward hacking 也带着“门”，只是门开错了地方：它验证的是流水线，而不是 PR 的核心宣称。第二，大多数学生已经会用验证器检查目标（58/71），但真正用 worktree 舰队把自动化科研循环完整跑起来的，只有 3 个团队。会写验证器只是入场，会搭“试错舰队”才算上路。