2026 年 5 月 20 日，OpenAI 宣布了一件让数学界和 AI 圈同时震动的事：它的一个内部模型，证伪了 Erdős 单位距离猜想。这是一个 1946 年提出、整整 80 年没有人解决、且大多数数学家都认为它是对的离散几何核心问题。但真正让人意外的是后续的发现：外部研究者证明，用已经公开发布的 GPT-5.5，加上一层 scaffold 引导，也能走到同样的结论——只是要花大约 1000 到 10 万美元的推理成本。换句话说，这个「数学突破」，其实在 OpenAI 公布之前，任何人理论上都可以用公开模型做出来，只是没人试过「给一个问题花这么多推理预算」。这件事，成了 Noam Brown 那套「评估范式正在失效」论断的最好注脚。
速览卡：这位大佬和他说了什么
 | 大佬 | Noam Brown |
| 身份 | OpenAI 研究科学家、o 系列推理模型联合创建者；CMU 博士期间创建 Libratus 与 Pluribus 两个超人类扑克 AI | |
| 出处 | No Priors 播客（2026-06-26）+ 文章《Implications of Large-Scale Test-Time Compute》（2026-06）+ Bain Capital Ventures「Begin Proof」访谈（2026-06-04） | |
| 时间 | 2026 年 6 月 | |
| 核心观点 | 模型能力已经是「推理预算」的函数，传统静态 benchmark 正在失效；正确评估方式是画出「性能随测试时计算量变化」的曲线，而不是一个单点分数 |
Noam Brown 说了什么
Noam Brown 的核心判断，用一句话就能概括，但这句话的分量，足以动摇整个 AI 行业沿用多年的评估方式。他在 No Priors 播客里是这样说的：
“The problem is we’re in a world now where the capability of the model is a function of how much money you put into it.”
（译文）问题在于，我们现在所处的这个世界里，模型的能力是你往它身上投入多少钱的函数。
这句话的精妙之处，在于它同时否定了两种根深蒂固的假设。第一种假设是「模型有一个固定的能力值」——像考一张卷子，得 92 分就是 92 分。第二种假设是「给模型更多资源不会让它变强」——这在 GPT-3 时代确实成立，你给一个老模型 1000 万美元的推理预算，它也不会答得更好，因为它的能力曲线很早就触顶了。但现在的模型不一样了，它的能力曲线可以一直往上爬。Brown 给出的正确评估方式，是一个很直接、但整个行业都没做到的要求：
“My claim is the proper way to evaluate the models now is… you plot the performance as a function of the amount of test-time compute.”
（译文）我的主张是，现在正确评估模型的方式是……把性能画成「测试时计算量」的函数。
也就是说，一个模型的「成绩」不该是一个点，而应该是一条曲线——横轴是投入的推理预算（token 数、花费的美元、或者时间），纵轴是性能。同一个模型，给 1 美元的预算和给 1000 美元的预算，测出来的能力完全不同。而现在的 benchmark，恰恰是在一个固定的、偏低的预算下测出一个单点，然后把这个单点当成模型能力的全部。他还点破了这种静态评测最容易被钻的空子：
“It’s easy to make something that looks a lot better on paper but is actually not better once you control for the amount of test-time compute.”
（译文）很容易做出「纸面上看起来好很多、但一旦控制了测试时计算量就其实没更好」的东西。
这句话指向一个具体的手法：把模型跑很多次、选最好的输出，或者给模型套上各种 scaffold、聚合多个输出——这些都能让 benchmark 分数虚高，但一旦把「花了多少算力」这个变量算进去，那点虚假的优势就消失了。
背景：Erdős 猜想与「推理预算」的觉醒
要理解 Brown 为什么在这个时点说这番话，得回到那个 Erdős 单位距离猜想的证伪事件。它的意义不在于「AI 又解了一道数学题」，而在于它揭示了一个被整个行业忽略的事实：能力早就藏在模型里了，只是没人愿意花那么多推理预算去把它挖出来。
具体的来龙去脉是这样的。Erdős 单位距离猜想是离散几何的一个核心问题：在平面上，任意有限个点之间，单位距离（长度为 1 的线段）最多能有多少对？这个 1946 年提出的猜想，80 年来无人解决。2026 年 5 月 20 日，OpenAI 宣布内部模型给出了一个反例——证伪了这个猜想。随后，外部研究者发现，公开发布的 GPT-5.5，只要加上 scaffold 引导，也能走到相同的结论，估算成本在 1000 到 10 万美元之间。
Brown 从这个事件里提炼出的判断，比「AI 能做数学研究」更尖锐：在 OpenAI 公布结果之前，任何人理论上都可以用公开模型完成这个数学突破，只是没有人尝试过「用这么多推理预算去解决一个问题」。换句话说，模型的真实上限，被我们自己「舍不得花钱」的习惯给掩盖了。
还有一个更硬核的证据来自英国 AI 安全研究所（AISI）。它在网络安全评估里，把单道题的推理预算拉到了 1 亿 token——这是标准上限的 40 倍——结果发现模型性能在那个阈值处仍然在上升，没有任何平台期的迹象。这意味着，用固定预算去评估模型的安全性，会系统性地低估它的危险能力。一个在「低预算」下看起来很安全的模型，一旦对手愿意为它砸下 1000 万美元的推理预算，可能就会跨过危险的门槛。
Brown 还拿自己的博士论文做了个私人评测。他当年创建了 Libratus 和 Pluribus——两个超人类水平的扑克 AI。现在他让新模型去重建扑克求解器里的 river solver（河牌求解器），观察到的进步是这样的：早期模型会失败；GPT-5.2 在引导下能搭出来，用 Brown 的话说「感觉像个研究生」；GPT-5.5 几乎可以 zero-shot 完成这个求解器，而且优化代码的能力比 Brown 自己一个人还强。他预计，6 到 12 个月内，模型可能 zero-shot 完成整个博士论文级别的求解器。
这里值得补一句 Brown 自己的背景，因为它直接决定了他这套判断的含金量。他是 OpenAI o 系列推理模型的联合创建者，但在这之前，他在 CMU 读博时创建了 Libratus——2017 年在无限德州扑克一对一单挑中击败了四位人类顶尖职业选手；后来又创建了 Pluribus，第一个在六人德州扑克中击败人类专家的 AI。在 Meta FAIR 期间，他参与开发了 CICERO——第一个在外交棋这种需要「自然语言沟通」的博弈中达到人类水平的 AI。他还因此被 MIT Technology Review 评为 35 岁以下创新者。一个在「博弈」和「推理」上浸淫了十几年的人，对「怎么评估一个会自己想的系统」这件事的判断，分量和别人不一样。
核心观点展开：为什么「单点分数」骗了你
Brown 的论断可以拆成三层，每一层都在挑战一个行业默认的常识。
第一层，是「性能曲线」取代「性能点」。传统 benchmark 给每个模型一个分数，比如 GPT-4.5 在某榜上 88 分、GPT-5.5 是 92 分，然后大家得出结论「新模型只进步了 4 个点」。但这种「网格对比」忽略了一个关键变量：效率。新模型可能不是「绝对更强」，而是「更会想」——用少得多的算力就能达到同样的准确率。这 4 个点的表面差距，一旦把「用了多少算力」画进横轴，可能变成一条大幅领先的曲线。Brown 的原话是，用户在基准网格上看到的那点百分比差异，会让人对模型的真实进步产生怀疑，直到亲手用了之后才发现差距远比分数显示的大。
第二层，是「平台期外移」。早期模型（比如 GPT-3）的性能会很快触顶——你给它再多时间，它也就那样了。但现在的模型不一样，它可以在一个 benchmark 上「想好几周」都还在进步，性能才逐渐趋近平台期。这意味着评估的「截止时间」标准过时了：按旧的评估节奏，你根本测不到一个新模型真正的上限。
第三层，是「坏均衡」。Brown 指出了一个让整个行业都尴尬的现实：几乎每个前沿实验室的研究者私下都同意，benchmark 应该画出推理预算的 X 轴，但所有人都继续发那种「网格图」，因为「大家都期待我们发网格图」。这是一种集体性的路径依赖——没有一家敢单独改变格式，因为改了反而显得「不合群」。Brown 把这种状态叫做「bad equilibrium」（坏均衡）。
这三层合起来，指向同一个结论：我们现在的评测体系，是在用「测旧模型」的方法，去「测新模型」。而新模型的能力机制已经变了——它不再是「一个固定的能力」，而是一个「预算的函数」。
行业内的讨论与不同声音
Brown 的判断在 2026 年的 AI 圈引发了很实在的共鸣，因为它是可以被外部验证的。
最直接的验证来自 Andrej Karpathy。他做过一个关于「自监督智能研究」的实验，观察到随着推理预算增加，GPT-5.5 的性能持续提升——甚至在生成了超过 1 亿 token 之后，仍然没有触顶。这和 Brown 说的「平台期外移」完全吻合。
另一个验证来自英国 AISI 的恶意网络测试，Mythos 模型（Anthropic）同样表现出「预算越高、能力越强」的持续上升，没有出现平台期。更强的模型，在投入更多算力时，性能提升得更显著——这正是 Brown 说的「能力是钱的函数」的直接体现。
但 Brown 的观点也引出了一个更深、也更难解的后续问题，这个问题来自他自己在 Bain Capital Ventures 访谈里的坦白：当模型给出的证明「超出了人类能理解的范围」时，人类怎么验证这个证明是对的？他把这叫做「可扩展监督」（scalable oversight）的危机——一个关于「人类可验证性」的认识论困境。模型很快会生成复杂到整个科学界都没有认知带宽去理解和验证的证明。这不是「模型会不会犯错」的问题，而是「人类有没有能力判断它对不对」的问题。
他还给了一个关于「自博弈」的清醒判断。很多人以为 AlphaGo 式的自博弈（self-play）能无限推广到所有领域，但 Brown 泼了盆冷水：双人零和博弈有它非常特殊的地方——自博弈能收敛到一个「客观正确」的完美策略。而一旦走出双人零和博弈的范畴，这个「收敛到优雅完美策略」的性质就不成立了。在数学、科学这些开放性的非零和环境里做自博弈，会遇到非常棘手的正则化问题：模型优化自己时，可能生成一大堆「不可能密集」或者「实际上无用」的推导。这解释了为什么「把游戏 AI 的成功复制到科学」远没有那么简单。
横向扩展：测试时计算、推理预算与安全评估
Brown 的这套论述，牵扯到几个正在重塑 AI 行业的关键概念，值得逐个拆开看。
第一个概念是「测试时计算」（test-time compute），也叫「推理时计算」。过去 Scaling Law 讲的是「训练时」的规模——更大的模型、更多的数据、更多的训练算力。而测试时计算讲的是「推理时」的规模——让模型在回答问题之前，先花更多算力「思考」。o 系列模型（o1、o3 等）的突破，本质就是把这个「思考时间」变成了一个可以显式调度的变量。Brown 是这条路线最核心的推动者之一。
第二个概念是「推理预算」（inference budget）。当「思考」成为变量，一个自然的问题就是：给它多少预算？1 美元还是 1000 美元？答案会完全不同。这正是 Brown 说的「能力是钱的函数」的技术内涵。它同时改变了经济学和评估学：经济学上，「智能」第一次变成了一个可以被「买」的量，而不是一个「造」出来的量；评估学上，任何不谈预算的分数，都是不完整的。
第三个概念，也是最容易被忽略的一个，是「安全评估的预算盲区」。Brown 明确警告：当前的生物安全、网络安全评估，通常都没有固定的推理预算。当评估不给预算设限时，它测到的其实是一个「下限」而不是「上限」。一个在低预算评估里「看起来安全」的模型，如果对手（比如一个愿意为某个任务砸 1000 万美元的国家级对手）给它拉满预算，它可能跨过危险的门槛。所以安全评估也必须把推理预算当成核心变量，用低算力测试去外推高算力下的安全边界。
还有一个和「Erdős 猜想」一脉相承的洞察：能力的「潜伏性」。Brown 反复强调，很多能力不是「新训练出来的」，而是「早就潜伏在模型里、只是没被挖出来」。这意味着我们可能一直在系统性低估当前模型的上限——不是模型不够强，而是我们「舍不得让它想」。这个判断一旦成立，对「模型发布节奏」「安全评估」「竞争格局」都有巨大的连锁影响。
顺带一提，「scaffold」这个词在 Brown 的叙述里反复出现，它指的是模型之外的那层「脚手架」——引导模型怎么思考、怎么调用工具、怎么自我修正的提示和流程。Erdős 猜想事件里，外部研究者用的就是「公开 GPT-5.5 + scaffold」。Brown 的提醒是：scaffold 能放大能力，也能「刷」分数。它既是解锁潜伏能力的钥匙，也是让 benchmark 失真的帮凶。同一个模型，套不同 scaffold，能差出天壤之别——所以评估时，scaffold 和预算一样，都是必须显式控制、必须写进报告里的变量。
总结与启示
Noam Brown 这套论述，最该被记住的不是「模型变强了」，而是「我们测模型的方式坏掉了」。他把一个技术问题（测试时计算）和一个方法论问题（评估范式）连在了一起：因为能力变成了预算的函数，所以任何「单点分数」都开始失真；因为单点分数失真，所以整个行业陷入了一个「都知道该改、但都不改」的坏均衡。
对做模型的人，最直接的启示是：别再用「网格图」证明自己领先了，去公开你的「性能曲线」——性能随 token 数、成本、时间的变化。对用模型的人，最实用的启示是：当你在两个模型之间犹豫时，别只看那个静态分数，去问「在同样的预算下，谁更强」，甚至「我愿意为这个任务花多少钱，谁在这个预算下最好」。对关心安全的人，最紧迫的启示是：评估一个模型危险不危险，不能只在低预算下测，要去外推它在高预算下的表现——因为真正的对手，不会吝啬算力。
Brown 最后那个关于「可扩展监督」的坦白，可能是整套论述里最深远的一句。当模型的证明超出人类的理解能力时，验证本身就成了问题。这意味着 AI 的发展，正在逼近一个人类认知的边界——不只是「能不能造出来」的边界，而是「造出来之后，我们还看不看得懂」的边界。这个问题，目前没有人有答案。
参考来源
- No Priors 播客《Why Traditional Benchmarks Fail Modern AI Models with OpenAI Research Scientist Noam Brown》（2026-06-26）
- Bain Capital Ventures「Begin Proof」访谈（2026-06-04）
- 新浪新闻《Noam Brown 谈模型评估》（No Priors 播客中文整理）
- FrontierNews《Why AI’s Intelligence Is Now Measured in Dollars, Not Model Size》
- BlockBeats《OpenAI researcher Noam Brown advocates for the introduction of a Scaling Law Curve》
