当 AI 系统攻克一道困难的数学题时，最常见的解释是”它变得更聪明了”——吸收了海量数学例子、强化学习教会了它更好的推理策略，甚至有人说它萌生了某种”数学直觉”。本周 HN 热文提出了一个被忽视的简单可能性：AI 的优势不在推理，而在于它拥有比人脑大得多的”工作记忆”。
数学是被记忆约束的
工作记忆是我们在短期内保持并操作信息的心理系统。解方程时，你要记住每个变量代表什么、做过哪些运算、当前目标是什么；做证明时，要同时跟踪假设、中间引理、例外情况和多种可能的分支。而人类工作记忆极其有限——心算两个三位数相乘，运算本身很简单，困难全在于”边算边记住中间结果”。纸笔并没有让你更聪明，它只是扩展了你的有效工作记忆。数学家使用符号、草稿纸、图表和已证明的引理，不只是为了交流，更是为了让推理得以继续。
AI 的”外部符号工作区”
一个 AI 模型可以把整个问题陈述、数百个中间方程、若干条被放弃的路径、定义、约束和早期结论全部放进上下文窗口。人类只能同时把握少量陌生元素，AI 却几乎没有这个限制。作者 Davide Piffer 认为，我们通常把这种表现解读为”更强的推理”，但其中一部分可能只是移除了人类推理最重要的生物限制——狭小的工作记忆。他打了一个比方：AI 与其说像电子版爱因斯坦，不如说像被机器放大的冯·诺依曼——极快的速度、极广的视野、海量的符号记忆。
证据：工作记忆预测数学表现，甚至超过 IQ
工作记忆与数学能力的关系在人身上是可测量的。Alloway 与 Passolunghi（2011）发现工作记忆对儿童数学表现有独立于一般智力的贡献；Alloway 与 Alloway（2010）的六年纵向研究进一步表明，五岁时的工作记忆表现能预测六年后的学业成就。既然人脑内工作记忆的差异就足以显著影响数学表现，那么当 AI 把这一维度放大到近乎无限时，产生”超出人类理解”的证明也就不足为奇了。
社区反响
HN 讨论两极分化。支持者认为”超级智能显然来自更多工作记忆——一旦 AI 的论证需要同时记住一百个要素，人类将彻底无法理解它，只能分解书写，但也只能到某个程度为止”；反对者则称之为”这不是X，而是Y”式的热门套话（hot take slop），认为推理能力仍是决定性变量。无论哪边正确，这篇文章都指出了一个值得深思的方向：当我们惊叹 AI 的数学能力时，或许该先分清——它是更会思考，还是只是更会”记住”？
原文：AI Isn’t Outthinking Mathematicians. It’s Out-Remembering Them. · HN 讨论：news.ycombinator.com/item?id=49312845