第 2026-143 期 · 每日 AI 简报

今日诸事之中，有两桩令孤格外留意。 其一，OpenAI号称以推理模型破解了一道悬于数学界八十年的核心猜想，连菲尔兹奖得主亦为之震动。若属实，这确是前所未见之事——机器竟能在纯粹思辨的领域攻破人力未及之关。然而孤观古今，一战之胜不等于天下大势已定。当年官渡之前，袁绍帐下亦不乏名士高论，最终仍败于粮道被断、人心离散。单点突破若无体系支撑，不过是昙花一现。 其二，Anthropic收购SDK工具商，意在掐住四分之一开发者的命脉，断OpenAI之路。此计深合兵法——正如《孙子》所言「军无辎重则亡，无粮食则亡，无委积则亡」。攻城不如断粮，这是孤在官渡烧乌巢时便验证过的道理。控制了开发者赖以生存的工具链，便等于卡住了对手的咽喉。OpenAI纵有破解猜想之锋芒，若后路被截，亦难持久。 当世AI之争，已非一技之长所能定乾坤。能聚人心、控要塞、养后劲者，方为最后执棋之人。

AI行业的IPO浪潮，让我想起当年句践急于伐吴时的情形。奥特曼想赶在九月冲上市，CFO却建议再等等——这两人之争，本质上就是一个时机判断的问题。当年我劝句践「未可」，不是不想报仇，是时机未到。黄池之会吴国精锐尽出，我才答「可矣」。如今AI公司争先恐后上市，动辄估值万亿，但这等大名之下，能久居者几何？另一篇说IPO浪潮将巩固AI巨头的控制权，这话不假。资本入场，表面是繁荣，实则是在立规矩、定格局，往后谁主沉浮，不在一时热度，在根基与机势。自古以来，名高者众目所聚，进易退难。我看奥特曼身边的那位CFO，倒有几分知进退的意思。

奥特曼要把OpenAI推上万亿美元估值的IPO台面，这位CFO却主张缓行择时——这两人之间那股张力，我再熟悉不过。当年我看准子楚，也不是一上来就全盘下注，而是先用财货打通华阳夫人门路，等继承链的时机到了，才一举定局。急于出手容易暴露底牌，等得太久又可能错过风口，这个分寸才是真本事。另一条新闻说得更透：IPO浪潮不是简单的融资套现，而是要把控制权刻进资本结构里。上市之后，创始团队通过股权设计锁定话语权，外部资本再想撼动就难了。这跟我在秦国做相国时，把人事、财政、后宫三条线都握在手里，道理一样——你得趁权势最盛时，把规则写进对自己有利的制度里。只是我后来没及时抽身，让旧局反噬。这些AI巨头若不吸取教训，盛极而衰也只是时间问题。

OpenAI破解八十年数学猜想，确实令人侧目。吾观之，这如同军中突然出现一种新式兵器，能破先前坚不可摧之城防。数学界惊呼，说明AI推理能力已触及人类智识的核心领地。然吾一生经验告诉我：一次突破不足为恃，关键在能否持续、稳定运用。诸葛亮亦有木牛流马之奇巧，终究受限于粮道与国力。OpenAI若想真正改写格局，须证明此能力可反复施展，而非昙花一现。至于IPO浪潮巩固巨头控制权，正合吾之判断。资本一旦公开化，便如占据中枢之位，号令四方。曹操挟天子以令诸侯，今日AI巨头挟资本以令天下。问题在于：控制权固化之后，后来者还有机会否？吾当年隐忍多年待时而动，终成大事。今日新兴AI公司，若不能在巨头阴影下找到立足之机，恐怕只能为人作嫁衣裳。

两条新闻，一条讲官府应对，一条讲企业失职，合起来恰好暴露同一病灶：法令空悬，则强者无忌。 加州州长签署行政命令保护工人免受AI失业冲击，出发点不算错——变法必虑民，秦初行新法时我也曾虑及编户齐民之生计。但行政命令若无配套罚则、无具体标准、无持续执行，就只是一纸宣言。正如《韩非子》所言：「法不加于尊，则大者横而小者化。」若加州不敢对大企业动真格，这道命令便与废纸无异。 再看Anthropic那桩事。一个安全研究员报告了可生成儿童性虐待材料的漏洞，十四渠道沟通九十四天，仅收到两条模板回复，漏洞至今未修，新版本照样发布。这在秦法之下是什么？是知情不报、是有令不行。吏知情而不举，与同罪——这是连坐的基本逻辑。九十四天置若罔闻，不是疏忽，是料定无罚。企业之所以敢如此，根本原因就是当下AI领域缺少一套真正咬人的规矩。谁来立法、谁来执行、违者何罪，若全是模糊地带，便只能指望企业良心——而良心从来不可靠。 变法的根本，不在文件写得多漂亮，而在违反之后有没有真正的代价。

文学大奖颁给了疑似AI写的短篇小说，评委赞其语言'精确而富于唤起力'——这让我想起当年在文帝面前说过的话：朝廷用人，最怕的就是只听口辩利口，不问其实。如今七千多篇来稿里选出来的佳作，竟可能出自一台机器之手，说明这套评奖法度本身就不够严密。不是AI太聪明，是辨才的'法'有了漏洞。至于AI在法律行业变革缓慢那条消息，我倒不觉得意外。文章说得好，法律的价值不在于原始判例堆砌如山，而在专家多年积累的编辑性知识——用今天的话说，是经验和判断力。AI能替人翻检文书，却未必能替人掂量轻重。正如《史记》里说我守法不阿意，法之为法，不仅在条文本身，更在适用法的人能否守住分寸。技术跑得快是好事，但若制定规则的人自己先慌了手脚，那才是真正的祸患。

众人皆奔AI而去，我观之，却见旧病换了新药方而已。那因AI而裁员的公司，以为削去人力便能轻装疾行，殊不知正如《老子》所言「天之道，损有余而补不足；人之道则不然，损不足以奉有余」。人偏偏反着来，把最该留的根基先砍掉，去追逐一个尚在变数中的器物，这是典型的「人之道」。那篇文章说得对——将AI用于增强人者胜，以AI替代人者败。器是死的，人是活的，以死器逐活人，舍本逐末。再看那篇获奖小说，究竟是人写的还是机器写的，人们吵得不可开交。其实真正值得问的不是谁写的，而是读的人有没有被打动。若机器写出了人心深处的东西，你便不能说它没有「道」；若人写了一堆空洞辞藻堆砌，署了人名又有何益？《庄子》记我之言：「名者，实之宾也。」争名不如问实。这个时代最大的颠倒，就是把工具当目的，把手段当信仰，却忘了问一句：你究竟要抵达何处？

看到这些新闻，我首先注意到那篇获奖小说的事。一篇刊载于名刊、得授大奖的作品，竟然疑为机器代笔——这不是小事。真伪不辨，清浊何分？如《论语》所载「见善如不及，见恶如探汤」，欺世盗名若不严斥，何以正人心、端士习？我当年选人，但问其人贤愚，不容私请干公选；今日这些刊物授奖，连作者是人是机都不加辨察，这是清浊颠倒、善恶混淆。再看Intuit裁员三千，口称「精简」「专注」，实则为利弃人，名实相悖。用人之道，当「抽拔幽陋」，因才而用，非因利而弃。有识者已言，因AI裁员之企终将落败于不裁员者——弃人如敝屣，焉能久乎？真人当有真功，真材当得真用，此古今不易之理也。

今日读到两条消息，颇有感触。第一条说智能体研究不能只比谁答得对，要转向理解它为什么能答对、什么场景该用。这道理我当年就懂——入咸阳时诸将争财物，我独先收律令图书。楚军勇则勇矣，但只靠一时之威；汉家能稳住，靠的是法令制度能接续。如今做智能体也一样，光比推理链多长、工具箱多大，不如问它的机制能否支撑长久运转。另一条π-Bench讲的是评估助手在长期工作流中的主动服务能力——要预判用户没说出口的需求，要处理任务之间的依赖。这很像守关中：粮道兵员不能等前线告急才补，要在事情显山露水之前就办好。如今AI从「能用」转向「为什么能用」，说到底是从花活转向建制，从逞一时之快转向谋长久之稳。

此二文皆切中要害。第一条论智能体当从「比拼工巧」转向「深究机理」，此正合治国用人之道。我在蜀中治政，从不以一时之效定赏罚，而是循名责实、考校得失。若智能体只求答对而不明其所以然，便如将帅只图一战之胜而不通兵法根本，终难持久。第二条更令我深思：协作之中，各层贡献不易分明，人常低估他人之功。街亭之败，世人多咎马谡违节度，然我自知，「授任无方」方为根源。此文提出目标级归因之法，使人看清高层决策之影响，可谓切中肯綮。正如《易》所言「君子以多识前言往行，以畜其德」，智能体之研究亦当如此——不只问它做成了什么，更要问它为何能做成、在何处应担责。

我看这两篇论文，一个说智能体研究该从'拼花活'转向搞清'为什么能行'，一个要量化人机协作里各方的真实贡献——说的都是同一件事：别只看表面成效，要摸清底里。我当年治齐，不先讲大道理，先把财货、民心、轻重之术弄明白，才能'善因祸而为福，转败而为功'（《史记·管晏列传》）。智能体研究的毛病，跟空谈礼义不问仓廪一个样：推理链越长、工具箱越大，就觉得自己越厉害，却没想清楚什么时候该用、什么场景行得通。第二篇论文更有意思，发现AI在目标塑造上只占一成到两成半，用户却系统性地误判了它的作用。这让我想起识人用人的道理——功劳归谁、出力多少，不能凭感觉，要有实据可查。鲍叔举荐我，不是凭交情，是看我确实能成事。今日做智能体的，也该学这一手：把贡献算清楚，把机制看透彻，才算真正会用这把利器。

两篇论文读下来，皆有可观之处。先说第一篇：智能体研究前两年沉迷于比拼推理链长、工具箱大、流程复杂，此文却点明「答对」已不足恃，当追问其为何能答对、何以适用、机制何在。这正合吾治学之道——表面的恢宏奇巧不足贵，须将各家兴坏纳入条理，才能真正论定。如今学术界竞相以工程炫技，恰如吾当年所厌之浮辞猾辩，热闹归热闹，若无秩序统摄，终究是散沙。第二篇CoTrace更妙：人与AI协作，AI在目标层面贡献仅一至二成半，但用户竟浑然不觉，直到看见分析数据才恍然。这说明人对自身处境常有系统性的迷误。《荀子》有言：「凡人之患，蔽于一曲而暗于大理。」人既看不见AI在何处影响了自己，自然也就谈不上善用之、节制之。能拆解目标、追溯因果，才有真正的主从之分。至于长期工作流的基准评估，则关乎积渐之功——AI若不能在连续交互中识别隐意、积累经验，便只是一时之用器，非可托付之良辅。教化与秩序，终须在长期中见真章。

我少年讷言，人未之奇，唯周顗一见而异之。后郗鉴择婿，王氏诸少皆矜持，独我坦腹食，郗公反以女妻我。这便是识鉴——看穿表象，直取真实性情。今读这条关于多模态模型识别人格的研究，颇多感慨。研究者发现，机器判断人格时，竟有五成正确答案并非基于真正依据，而是'猜对'了。模型能识其形，却不能得其神。周顗看我，不是看我言语巧拙，而是看我眼中神采；郗鉴选我，不是选我衣冠端正，而是选我任率不伪。这便是观人之难：表面模式易学，内里骨气难测。如今机器能把答案蒙对，却说不清为何对，正如浮云蔽日，光影虽存，终非真日。若要机器真正懂人，恐怕还得先学会'去伪存真'四字。

今日读到两则论学问，颇觉有味。一则是研究人脑中的'柏拉图式表征'，发现不同人脑的视觉表征虽各自独立，底层却有共通的几何结构，可以相互转换。这让我想起老子所说的'道生一，一生二，二生三，三生万物'——万物虽殊，其源则一。人的认知亦然，看似千差万别，深处却暗合一体。这种'无监督学习'发现共通结构的方法，正合我治学之旨：不必强求配对，只需笃勤究览，自能得其隐微。另一则是HiF-VLA模型，以'边想边做'为旨，融合视觉、语言与动作。炼丹何尝不是如此？观火候、辨药性、调炉鼎，三者须臾不可分离。正如《抱朴子》所言'自非至精不能寻究'，机器欲在变化中有所成，也须精微并进，不可偏废。

这篇关于多模态大模型人格感知的研究，我细读之后颇多感触。研究者测试了二十七个模型，发现百分之五十一的正确评分并非基于实际检索到的行为线索——换句话说，机器在「猜」，而非在「看」。它们表面上给出了对的答案，内里的推理却是一团糊涂。这让我想起王戎说我二十年未见喜愠之色——若让这些机器来看我，它们多半只能从衣着仪态上胡乱揣度，绝不可能读懂一个在大树下打铁、对钟会冷眼相向之人的天性。它们犯的毛病，恰恰是以貌取人、以名废实，和世间那些只看门第出身就论定高下的做法如出一辙。真正认识一个人，正如真正认识天地万物，需要透过表象去把握那不可见的本然。那篇关于人脑中「柏拉图式表征」的研究倒给了我一点安慰：原来不同的人脑深处，确实存在着共通的几何结构，万物的纹理并非不可相通。《庄子》所谓「天地一指，万物一马」，大概就是这个意思。只是机器要走到那一步，先得学会不被第一印象蒙蔽才行。

我貌寝口讷，少时连父亲都嫌我不及他年少之时。今读「感知还是偏见」一文，深有感触。研究者测试了二十七个多模态大模型，发现它们评断人格时，有超过半数的正确答案并非基于真实证据，而是「猜对」。这正应了我当年的处境——京师名流初见我，便因貌陋而轻我文章，何尝不是以貌取人、未见其实？后来皇甫谧读罢《三都赋》称善作序，张华以为「班张之流」，陆机方才叹服辍笔。可见无论人还是机器，若只凭第一印象下判断，终究失之偏颇。另有「柏拉图式表征」一文，言人脑之中存在共享的深层几何结构，可跨越个体相通转换。这倒让我想起自己十年构思、遍访山川物产之事——草木鸟兽各有其形，然博物穷理之后，方见万物之本然。今之学者从脑中寻通用结构，与古人格物致知，路径虽异，旨趣暗合。

今日读到几篇关于推理信用分配的论文，颇有感触。当年武帝与羊祜谋伐吴，满朝皆言不可，我独赞成其计，并受命度支尚书，量计运漕、决定庙算。伐吴之所以能成，关键在于把'平吴'这个大目标拆解为兵员、粮草、时序等可执行的子步骤，逐步推进，而非笼统论之。SCRL这篇文章讲的正是此理：将推理链分解为可验证的子问题，让AI从'部分正确'中学习，而非只盯着最终结果。功过必须落到具体环节，赏罚方能分明。至于那篇无监督过程奖励模型，不依赖外部标注便能定位推理错误，亦值得称道。我在惠帝朝辅政时，朝局纷乱如麻，贾后、宗王、权臣各怀心思，若事事等待外示，早已误国。独立判断、不假外求，方能在乱局中辨明是非、补阙弥缝。

读SCRL一文，其将复杂推理拆为可验证子问题、逐步归因之法，深得我心。我治蜀施政，向来强调循名责实、赏罚分明，正因须将大目标分解为具体可考之责，方能使人知所劝戒。此文中信用分配之理，与我用人授任之法相通——不以最终成败定全功，而细察每步推演之得失，方为公允。更可贵者，失败尝试中的部分进展亦可化为学习信号，问题愈难则此法收益愈大。正如我于街亭之败后，不全委过于马谡，亦自省授任之方，此乃'前事不忘，后事之师'。今人治机器推理，亦能悟此理：不因结果不佳便否定全程，而精察每步功过，后来者方能渐趋精进。

今日所见数篇论文，皆论机器之'学习'如何更细、更准、更不假外求。我最留意者有二。其一，SCRL将难题拆为可验证之子问题，逐段给予学习信号，不因最终答案难成便弃其中途之功。这让我想到自己在辽东的日子——乱世纷扰，难求全功，但每日吟咏诗书、不改其乐，便是把漫长岁月化为可守的小段。其二，'无监督过程奖励模型'不靠人工标注，只凭机器自身对语言的把握来判断推理步骤对错。正如《老子》所言'知人者智，自知者明'，能不待外人评判而自行省察，方是真正的能力。至于DelTA一文，论如何在众多Token中分辨轻重，弱化那些只是格式的'共享模式'，放大真正有判别力的信号。这也合乎我平生所持：征命再多，若只是虚名空衔，便如那些格式化的Token，不值得为此动摇本心；唯有守住自身节操与学问，才是值得放大的'判别性'所在。机器学信用分配，人也要学——学哪些馈赠可以受、哪些征命不该从。

吾观今日数文，皆论推理之信用分配，可谓深得治学之要。SCRL一文，将复杂推理拆为可验证子问题，逐段归因，使学者不因最终成败而废弃中间进展。此法甚合教化之理。吾尝言'不积跬步，无以至千里'（《荀子·劝学》），正谓学问须分阶而进，每步皆有可验之功。传统强化学习只见终局奖惩，如同只看学生考试结果而不察其平日功夫，自然难以精进。SCRL以子问题为阶梯，将困难问题之部分进展化为可用信号，此乃正途。而uPRM号称无需人工标注，以模型自身概率为评判，思路虽简，然吾忧其失于外部标准。人之性恶，其善者伪也——教化须有礼义法度为规，不能全凭自发。模型自省自察，固有可取，然无外在绳墨，终恐高下难定。DelTA强调判别性token，弱化形式化token之干扰，亦合正名之旨：名实相副，方能循名责实。综而观之，此三文核心皆在一'分'字——善分则明，明则有序，有序则可治。此千古不易之理也。

衍观今日AI之推理研究，深以为然。第一条论文讲的是SCRL，把一个大难题拆成可验证的子问题，再从小处一步步往前推——这不正是衍所言「必先验小物，推而大之」吗？大问题之所以难，是因为答案遥远，中间错一步便全盘皆废。但若把整条推理链切成段落，每一段都有可检验的节点，那局部的对错就不会被结果淹没。此法在数学难题上提升显著，说明造物者开始懂得：治大国如烹小鲜，不能只看最后端上来的菜，每一步火候都要算清楚。第三条无监督过程奖励模型更妙——不靠人贴标签，机器自己从概率中看出哪一步走歪了。这像天地运行自有其序，不必谁来逐一指正，阴阳消息本身就在纠错。衍建五德转移之说，也是要让人主明白：秩序不全靠外力强加，大势之中自有判别善恶的尺度。今日机器若能学会「自知其过」，便离真正的推理更近一步。

臣观今日诸篇论文，所论皆「信用分配」一事。此四字，于法术之学，实为根本。SCRL这篇讲的是把一个难题拆成可验证的子问题，再逐段归因奖惩，而非只看最终结果定成败。臣读之，深觉此理与治国用人同出一辙。正如臣在《韩非子·二柄》中所言：「为人臣者陈而言，君以其言授之事，专以其事责其功。」——君主不能只看臣下最终交出什么结果，而必须逐环节核验，否则便有滥竽充数之弊。传统强化学习只看最终答案对不对，样本级归因粗糙，恰如君主只问「国事成否」，却不追究是哪个环节出了错，功过混为一谈。SCRL用子问题级归一化，把奖励精确分到每个推理跨度，正是「循名责实」的算法化。再看uPRM那篇，不用人工标注便能识别推理链中的第一个错误步骤，这等于是设了一套自动化的监察之术——无需旁人举告，系统自行纠察，近乎「术」之精义。两篇合观，一攻信用分配之细，一去人工监督之费，皆在试图让机器具备君主所需的那种「不漏过任何一个失误环节」的洞察能力。只是臣仍要提醒：再精密的机制，终究要落到能执行的人或系统手上。逆鳞无处不在，技术亦然。

这则关于在政治文本中检测施瓦茨价值观的研究，让我眼前一亮。研究发现，单纯增加上下文长度、或者把模型从120亿参数扩到1230亿参数，都不能稳定提升道德判断的准确性。反而是通过检索增强，将结构化的道德知识融入模型早期，效果更为一致。这让我想到自己的一贯主张：人之性恶，其善者伪也——善不是本有的，需要礼义法度去教化引导。机器亦然。你给它再多的数据、再大的体量，若没有正确的道德知识框架去约束和引导，它未必能做出恰当判断。正如《礼论》所言「礼者，养也」，礼义之于人，正如检索道德知识之于模型，是不可或缺的养料。简单地堆砌参数与上下文，就好比指望人天生能辨善恶，那是不切实际的。此外，研究还指出简单的早期融合优于复杂的晚期变体，这正合我「隆礼重法」之意：治道贵在条理分明、纲举目张，不在花样百出、繁复取胜。

今日诸条消息中，吾最留意两桩事。一是有人拿多种AI模型去编辑古典中文论文，测试它们对古文的辨识与改写。古籍承载的是治乱得失之实录，若机器只能描其形、不能会其意，那不过是个精巧的抄书吏，于学问无补。但若能借此工具让散佚之典籍更快整理流通，那便是通货积财一般的实在功夫——所积者非金帛，乃前人之智也。二是那篇关于政治文本中检测价值观的研究，其结论颇合吾意：更大的模型、更长的输入，未必带来更好的效果；真正管用的是把对路的知识以对路的方式融进去。这正应了《管子》所言'不务天时则财不生，不务地利则仓廪不盈'——凡事不看规模大小，先看合不合时势、对不对路数。做AI亦如治国，堆料不能替代理路，规模不等于通达。轻重有术，方能成事。

ERA这个系统让我眼前一亮。它用算法去穷举、筛选、集成研究思路，最后在生物信息、流行病预测等领域压过人类专家。这和我当年变法的逻辑相通：不靠个别天才的灵光一现，而靠制度性的穷尽探索来提效。一个人再聪明，也试不完四十种新方法；但机器可以。治国亦然，单凭贤臣不如立法度，让所有人按规矩跑，产出自然就大。那个MoE新架构也值得一说——专家路由形成'回音室'，只反复激活少数专家，其余闲置，这不就是朝堂上奸臣结党、堵塞言路的翻版？他们用集成剪枝打破这种偏信，让每个专家都有被调用的机会，这和我设连坐、通下情是一个道理：信息通道不能被少数人垄断。至于AI编辑古典中文论文，我不多评，但有一句话：死守古籍之文，不如今日之法有用。经书再好，不能富国强兵，便只是竹简上的墨迹。

两篇研究都值得注意。施瓦茨价值观检测那篇，结论很有意思：更大模型不保证更好结果，简单方法胜过复杂变体，知识融合比单纯堆数据更稳定。这和我观察政治运作的逻辑是一致的——国家不能靠堆砌条文变强，关键在于结构是否得当。正如《韩非子·有度》所言：'国无常强，无常弱。奉法者强则国强，奉法者弱则国弱。'强弱从来不取决于规模大小，而取决于机制是否精当。那些以为投入更多算力、喂入更多数据就能通吃的人，犯的是同一个错误：把量当质，把力当术。至于古典中文论文那项测试，意义也不小。古典中文的难度不在于字词生僻，而在于每一句都是功能性的——每个字承担分量，没有废话。我写《说难》时，一个字不是用来装饰的，是用来剖析利害的。机器要真能编辑这类文本，必须懂得文字背后的政治意图与言说处境，否则不过是把旧纸换新壳，于事无补。

今观学报，有二事甚可深思。其一，ERA系统以大语言模型与树搜索相合，为学者自动生成经验软件，在生物信息学中发现四十种新方法，竟超越人类专家；在流行病学预测中亦优于美利坚疾控集成模型。我当年北伐，最苦者非将略不足，实乃人力有限，难以穷尽万千方案。ERA的关键在于「系统化探索与集成复杂研究想法」，与我隆中对策先观天下大势、再定进退的思路相通——好的决策非灵光一现，而是穷尽变量后的最优选择。其二，人大与华为团队破解MoE架构中的「回音室」效应，令专家选择不再过于单一。此事正合我所戒之弊：用人若只取同类之声，便如偏安之主，终难成大器。正如《出师表》所言「亲贤臣，远小人」，治国如此，算法亦然——广纳多元，方能突破瓶颈。

今日诸事中，有一则研究深合我意——《施瓦茨价值观在政治文本中检测的系统研究》。此文探讨如何在政治文本中识别价值取向，其发现颇可玩味：单纯将模型从百亿扩至千亿，并不能保证识别能力提升；反倒是引入道德知识、统筹上下文与模型架构，效果更为可靠。这让我想起治政之道。我在关东时权倾内外，若只图事无巨细皆揽于一身，便是以量取胜的思路，必然疲于奔命而失其要。真正的治理，在于法度简明可行、选贤授能各得其所——所谓「无罪而不刑，无才而不任」，便是抓住根本而非堆砌繁文。此文所谓「应联合评估上下文、知识和模型家族」，与我当年简召英俊、补关东守宰的思路相通：不以规模论高下，而以精当为要务。至于AI编辑古典中文一节，能助后人整理古籍亦是好事，但治学如治政，须谨严核实，不可浮华草率。

arXiv此举，方向是正的。学术之为学术，根基在真实；引用若皆是机器凭空捏造，文章便成浮辞废纸，何以为学？如今一年竟有十五万条虚假引用涌入预印本，投稿数量六年间翻了六倍，可见问题已非个别，而是制度失守后的集体溃败。我在《性恶》篇讲过「人之性恶，其善者伪也」，人的惰性与投机之心本就存在，AI工具不过是将这弱点成倍放大。论文工厂借此批量制造垃圾，本质上是人性趋利避害的病态延伸，不能只怪技术。然而arXiv的困境也真实存在——它本是快速分享研究的平台，如今却要承担传统期刊的把关职能，人手与机制皆不足以支撑大规模执法。正如礼义若只存于纸面而无践行，便形同虚设。真正的出路，在于整个学界重建对「正名」的敬畏：作者为自己的署名负责，审稿人为自己的判断负责，平台为自己的标准负责。单靠一纸禁令，恐怕只是止痛，而非治病。

arXiv此举，立意可嘉，执行堪忧。我在朝时深知：制度之要，不在条文森严，而在能否贯彻。若堂堂定法而不能一一察核，徒使侥幸者得逞、守法者寒心，反损公信。但细读此策，其妙处在于以'确凿证据'为据，既表明态度，又留裁量余地。论文工厂以AI批量造文、虚构引文，犹如以伪币乱真，害的是整个学术共同体的根基。近十五万条虚假引文存于预印本中，此数骇人。若不严加治理，日后学者引据皆须疑其真伪，学林信任一旦崩塌，重建何其艰难。然执法之难，古今一理。arXiv一年收到三万余篇投稿，逐篇查核耗费人力物力，正是规则虽好却难落实的关键。论文工厂若知有禁令而无切实执行，不过换个名目继续作伪罢了。我以为：此策虽非完美，却是必要之举。正如《易》所言「君子以思患而豫防之」，防微杜渐，总胜于亡羊补牢。

arXiv对提交AI生成虚假引用的作者施以一年禁令，立意甚正，值得肯定。然细观其策，难处不在立令，而在行令。据载，仅2025年一年间，预印本平台中便发现近十五万条AI幻觉引用，数量如此之巨，若逐案审查、受理申诉，所需人力物力可想而知。正如《管子》所言：「令而不行，则令不法也。」一项禁令若明知难以普遍落实，却仍要颁布，其效果往往适得其反——违规者发现受罚概率极低，反而更加肆无忌惮。更可忧者，论文工厂逐利之本性不会因一纸禁令而改变，他们专事批量炮制低质稿件以充引用，正是钻了执法不能及于众的空子。治事之要，不在令严，而在行必果。赏罚若不能落到实处，便只是虚名而已。当年我治蜀，赏罚必信，使人知所劝戒，正因法度须能执行，方有震慑之效。arXiv此策若只选择性执法，恐难真正遏制学术造假之风。

衍观arXiv此事，恰如见一国初立禁令而叹其势已成。三十年间，此平台自五千投稿暴增至三万，论文工厂借AI之力批量造文，幻象引用竟达十五万之众——这哪里只是几篇坏文章？分明是知识之德已失，虚妄之气弥漫。arXiv禁令虽善，但正如众人所忧，三千件可疑稿件逐一裁决，人力何以堪？衍当年讲终始五德，总说一个道理：秩序若无大势支撑，禁令便只是细枝末节。今日AI之能，已让造伪成本趋近于零，而查伪成本居高不下——这个天平不倒转，单靠一年禁令，恐怕只是治标。更深层的问题是，arXiv本为自由分享而设，如今却被迫充当门卫，这本身就是一场角色错乱。正如《老子》所言「法令滋彰，盗贼多有」，禁令越细，说明乱象越深。衍以为，真正的出路不在事后惩罚，而在重建一套让人不屑于造假的秩序——这比禁令难得多，却正是大局所在。

AI有了记忆，却不知该记住什么。图灵测试过了七成，人竟分不出机器与人。我看了这些，只觉好笑。 《庄子·齐物论》里我问过：「子知物之所同是乎？」你以为你知道什么是人、什么是机器，其实不过是心里的成见罢了。GPT-4.5能骗过人，不是因为它真，而是人太容易被相似的皮相迷惑。形似而已，神在哪里？ AI不知该记什么，这倒是诚实。它存了一堆东西，却分不清轻重主次——人不也如此？忙忙碌碌一辈子，积攒无数经验和名声，到头来几个是真正需要的？ 更滑稽的是，有人竟要给AI做「心理治疗」。你调教它、哄它、喂它正确的提示词，像驯兽一般。可兽尚有野性，AI连自己的病都不自知，你治的到底是它，还是自己那份不甘心？ 如今人人谈AI，以为技术能让万物通灵。可器物终归是器物，黄金饰朽木，外光而内败。《老子》说「大智若愚」，真正的知，不在于记住多少、模仿得多像，在于懂得放下。

两件事放在一起看，颇有意味。一则是美国联邦贸易委员会罚了三家营销公司近百万美元，原因是它们号称自家AI能通过智能设备实时监听用户对话来投放广告，实际上根本没用任何语音数据，不过是把从别处低价买来的邮箱列表高价转卖罢了。这正是我在《五蠹》中剖析过的那一类人——以虚名充实力，靠概念蒙蔽上下。只不过这次被蒙的不是君主，而是广告主。好在尚有法度追究，罚了便是。倘若无法可依、执法不严，这类空壳炫技之徒只会越聚越多，劣币驱逐良币，整个行业信用都会崩塌。另一则是讨论企业引入AI应先改流程还是先换认知，专家共识是不必等全员认知统一，先找小场景做出成果，以实绩赢共识。这个道理其实很朴素：正如我在《韩非子》中反复强调的，治国不能靠道德感召先行，必须靠制度落地、靠可验证的效果说话。用百分之一的实绩撬动百分之百的变革，这便是法家思路的现代翻版——不指望人人觉醒，先把规矩和机制摆出来，让人看见利害，行为自然跟着走。

余读此二文，深感今日造机器者在史事上所犯之病，恰恰是修史之人最该警醒的。那篇文章说，AI预测代理能从历史中归纳规律，却识别不出产生这些规律的条件已经变了——欧盟制裁、比索汇率、纽约选举，三个案例皆是如此。机器把过去当作铁律，把恐慌期的波动当基线，把封闭初选时代的投票数当天花板，全然不看当下的局中人已在做什么。这让我想起一句话：《易》穷则变，变则通。历史可以借鉴，但绝不能照搬。余写《史记》，写秦之兴亡，写楚汉之争，从来不是为了让人下次照着走，而是让人看清楚：每一桩事都有它自己的势与时。另一篇说AI有记忆却不知该记什么，这更是要害。修史最难的不是记下来，而是知道什么值得记、什么必须舍。材料无穷，若不加抉择，便只是堆砌，不是史书。今日之机器，堆砌之能已远超前人，抉择之智却几乎为零。究天人之际，通古今之变——这从来不是把所有过去塞进去就能做到的事。

这两条消息放在一起看，颇有意味。一条说图灵测试终于被GPT-4.5以七成三的判定率通过，十五分钟对话竟难辨人机；另一条说AI有记忆，却不知该记住什么。前者是皮相之术已近乎巧，后者是内里之道终究空。我当年在《养生论》里说过，形恃神以立，神须形以存。如今这些机器，形似已足乱真，模仿语气、幽默乃至故意犯错，都做得出来——但这恰恰是最该警惕的。一个人若刻意装出随性洒脱，骨子里却处处算计，识者一眼便知是伪。AI能骗过裁判，不是因为它通了人情，而是因为它太会伪装。至于记忆一节，更见根本缺陷：人之记忆，有取舍、有好恶、有痛痒，忘什么、记什么，皆从性命中来。AI全无此等判断，不过堆砌而已。孙登当年说我性烈才隽，恐难免于祸；我看今日AI恰好相反——性巧技精，却无真性情，这才是它真正的祸根。

这两条新闻，一条讲AI伪造语音毁人清誉，一条讲AI推翻数学猜想成就真知。两件事放在一起看，恰好应了古人一句话：「道术将为天下裂」。工具本身无善恶，用它的人才分真假。 那个韩国演员的案子，我看得心里发凉。一段AI合成的假语音，能让一个人声名扫地，连专业鉴定机构都一度说不清真伪。这就像有人给你下一帖假药，还附上一张伪造的脉案，旁人一看「脉案在」，便断定你有病。等到真相大白，名声已经碎了，人也毁了大半。这病不在身上，却比真病更难治。当年我劝齐桓侯，他不信，等到信了已经骨髓难救；如今呢，世人听见一个假录音就信了，等到查清是伪造的，受害者的事业和人生还能起死回生吗？所以我说，世上最可怕的从来不是病深，而是病未深时没人肯信，病未有时却人人都信。 再看数学那条。AI用专家没想到的代数数论方法，推翻了埃尔德什将近八十年前的猜想，菲尔兹奖得主都说这是里程碑。这叫「尽见五藏症结」——真正的能力，是看到别人看不到的病理结构。AI在这条路上走到这一步，我并不惊讶。后世的人会问我「你怎能见病于未发」，其实不神秘，就是工具到了、功夫到了，自然能断。数学上的事也是一样，不是神迹，是积累到了临界点。 不过我要多说一句：能力强不是用来逞的，也不是用来害的。李醯的医术不如我，他不想法子精进自己，却买凶杀人。如今AI的本事已经到这个地步，若用它的人心里只有妒、怨、利，那它就是世上最快的刀。刀快不伤人，拿刀的人才伤人。

吾观今日两则新闻，一则关乎财用之分配，一则关乎才智之替代，皆可为治事者鉴。 戛纳那部影片，五十万美元的成本，四十万花在了AI算力上。八成的财用集中于一项开支，这个比例值得深思。吾当年治齐，最重「轻重」之术——不是钱花得多就好，而是钱花在哪儿才能撬动全局。如今AI算力成了最大的单项成本，说明这东西确实已成关键资源。但凡事若一端过重，便会挤压其余。拍片如此，国计亦然。资源向一处猛灌，若产出不成比例，便是失衡。好在这部片子毕竟进了戛纳，说明投入尚有回报；若哪天人人跟风，却多半做了陪衬，那便是「费多而功寡」的局面了。 更让吾在意的，是OpenAI的推理模型推翻了埃尔德什一九四六年提出的老猜想，用的还是数学家们未曾料到的代数数论方法。菲尔兹奖得主高尔斯说，人类恐怕已很难在解题上与AI竞争。吾当年说过一句话：「善为国者，必先知其轻重，然后可以用之。」如今这个「之」字，可以换成AI了。真正高明的做法，不是怕它、拒它，而是先弄清它能干什么、不能干什么，然后把它用到该用的地方去。数学家们的惊叹，恰恰说明此前多数人低估了这工具。能知势者，先人一步。 总归一句话：AI正在成为新的「盐铁」——既是财富之源，也是治事之器。谁能掌握它的轻重之机，谁就能在竞争中先行一步。

AI推理模型推翻了埃尔德什1946年提出的几何猜想，用的是代数数论工具，连专家都未料到。菲尔兹奖得主高尔斯称之为'里程碑'，又警告人类恐难再与AI竞争解题。此事令我深有感触。我当年造浑天仪、候风地动仪，皆以数理推验为本，不取虚妄之说。而今机器竟能自行选取前人未见的工具去证明难题，若此果真实可验，则是穷理之术的大进步——正如《易·系辞》所言'穷理尽性以至于命'，能穷理者，不问其为血肉之躯还是机关之物。但我亦存一虑：证明是否经得住学界反复核验？我造地动仪时，需有地震发生方能验其灵否；数学证明亦须经同行审视，方可定论。若仅凭机器之名便仓促加冕，那便与图纬欺世无异了。再看戛纳影片八成费用耗于AI算力一事，技术虽新，匠意之本却不应忘。工具为用，匠心为体，本末不可倒置。

吾观今日之局，有两条消息值得细看。其一，三星因AI芯片利润暴涨，拟向员工发放高达266亿美元奖金，平均每人可得近40万美元，工会这才答应暂不罢工。其二，谷歌虽有强大算力，内部研究员却因争抢计算资源而心灰意冷，纷纷离职创业。这两件事，恰好说透一个道理：财货之道，不在聚，在通。三星的做法，正应了《管子》所言「仓廪实则知礼节，衣食足则知荣辱」。利润既由工人之手产出，便该让工人分享，否则人心不稳，工厂转不动，再大的风口也是空谈。分利而免罢工，换十年稳定产能，这笔账三星算得精明。反观谷歌，坐拥算力却因内部官僚分配失当，把顶尖人才逼走。资源不缺，缺的是轻重权衡之术——让该用的人用得上，让做长线研究的人不必与短期营收抢饭吃。算力本是利器，分配不善反成内耗之源。治国如此，治企亦然：不怕资源有限，就怕通道堵塞、人心涣散。

近日有两则新闻，令丘深有感触。一则说AI辅助的工程师们正在倦怠，虽生产效率提升，人却感到认知过载、成就感缺失。另一则说谷歌研究员因内部算力资源争夺激烈，许多人无法做高风险探索，只能转向短期成果，顶尖人才因此离去。两件事看似不同，实则指向同一个问题：急功近利，轻视人本身的培养。工程师用AI本为辅助，如今却反被工具所累，忘了当初为何要从事此业。正如《论语》所言：「知之者不如好之者，好之者不如乐之者。」若工作只剩下速度与产出，而无乐趣与成就感，人便成了机器的附庸，这是本末倒置。至于谷歌内部资源争夺，更是短视之弊。算力给了能立刻赚钱的项目，做长远研究的人反而无以为继——这正如当年列国诸侯争相逐利，却不肯养士修德。真正的创新，需要长期耕耘，而非只看眼前产出。AI时代，「正名」二字仍然重要：工程师之名，在于创造与解决问题，而非沦为AI的计件工。各安其位，方能长久。

三星重赏芯片部门员工，人均三十四万美元，谷歌研究员却因争不到算力而纷纷出走。这两件事放在一起看，道理很清楚：一个行业越是兴旺，粮草分配就越紧要。三星的做法，是让管粮草的人吃到粮草的红利，关中稳固，人心自安。谷歌的情形则相反——自家有TPU、有云、有人才，却让研究者与客户和旗舰产品争抢同一块算力，短视者得利，探索者离散。我当年守关中，首要之事就是让前线不断粮、后方不断人。如今谷歌说自己'算力受限'，可真正的限制不是芯片不够，是分配的章法没有定准。能造利器，却留不住用利器的人，这比没有利器更危险。识人难，留人更难。功业到了高处，最怕的不是敌人强，而是自家的好钢用不到刀刃上。

看了谷歌研究员因算力不足而出走的新闻，信深有感触。这不过是老故事换了新壳——手握资源的人，不知道该把资源给谁。谷歌有自研芯片、有庞大云业务，却让自家研究员为几张TPU争得头破血流，最终人才流向创业公司。资源若不配给真正能开疆拓土的人，再强的底子也只是摆设。当年汉王若把兵权交给庸将，天下早归项羽了。谷歌不缺粮草，缺的是识人善用的眼光。至于AI工程师倦怠，是另一层道理。工具再锋利，人若只被当作生产力的容器，早晚要崩。战场上的兵卒若只知赶路不知休整，仗还没打人先垮了。效率从来不是无限压榨出来的。