我的上一段话看来不算言重了。0909 [OpenAIWe're sharing a solution to the Navier-Stokes Millennium Prize Problem, one of the deepest problems at the frontier of mathematics. > [Tao](网页链接): Working out whether a question is actually worth highlighting is a lengthy, deliberate, and subjective process, often informed by historical experience on what good mathematics was generated (or not generated) while working on earlier problems of this type. 好问题是不可再生资源 > 找到好问题，需要熟悉一个领域的“难度地形”> 但每次技术进步都在“抹平地形”：任何新方法、新技术、新基础设施（比如文献检索）都会降低解题难度。这本来是好事，但副作用是把难度地形压平，地形一平，你就读不出它的几何结构，也就挑不出好问题了。历史上这通常被对冲掉了：新工具在压平内圈的同时，把“可触及结果”的半径推得更远，于是外面出现新的边界可探索。> **AI 时代的特殊之处：只有压平，没有新边界**。AI 确实把很多领域的地形抹平了，但看不到任何清晰的分界线把“AI 能做的”和“AI 做不到的”分开。原因有两个：一是技术本身变得太快，二是 AI 公司拒绝披露失败结果，也不公开求解过程。所以你既不知道墙在哪，也没法从它们的成功里学到地形知识。> 识别好问题成了稀缺资源，而开放科学面临反噬。> 把某些类别的问题明确标记为“要求配套分析”，不只要答案，还要求解题过程产生的洞见，以及对邻近问题难度地形的认识。