局部最优的陷阱:从贪心算法到AI短剧,为什么每个人的“进步”会导致系统的崩溃
- 2026-11-17 03:02:02
局部最优的陷阱:从贪心算法到AI短剧,为什么每个人的“进步”会导致系统的崩溃假设你被要求从0到N的整数中挑出一个子集,使得这个子集不包含任何三项等差数列——也就是说,不存在三个数a, b, c满足a + c = 2b。 一个很自然的策略是贪心:从小到大依次检查每个数,只要加入它不会与已经选入的数形成三项等差数列,就把它加进来。每一步都做“局部最优”的选择——能加就加,不违反约束就行。 这个贪心会构造出什么? 从0开始。0加入。1加入(0和1不构成三项等差数列,需要第三个数2,还没检查到)。2不能加入,因为0, 1, 2构成等差数列(0 + 2 = 2×1)。3加入。4加入。5不能加入,因为1, 3, 5构成等差数列(1 + 5 = 2×3)。6不能加入,因为0, 3, 6构成等差数列。7不能加入,因为1, 4, 7构成等差数列。8不能加入,因为0, 4, 8构成等差数列。9加入…… 跑下去,你会得到一个集合:0, 1, 3, 4, 9, 10, 12, 13, 27, 28, 30, 31, … 把它写成三进制: 0 = 0 1 = 1 3 = 10 4 = 11 9 = 100 10 = 101 12 = 110 13 = 111 27 = 1000 28 = 1001 30 = 1010 31 = 1011 规律一目了然:三进制表示中,每一位只能是0或1,不能出现2。这个集合就是Cantor集在整数上的对应物。 为什么这个集合不含三项等差数列?证明很短,而且很漂亮。 假设x, y, z都在这个集合里(三进制每位是0或1),且满足x + y = 2z。考虑三进制逐位相加。因为x和y的每一位都是0或1,所以x + y的每一位是0、1或2,不会产生进位。再看2z,z的每一位是0或1,乘以2后,每一位是0或2。现在比较x + y和2z的每一位:x + y的某一位可能是1(当x和y在该位一个为0、一个为1时),但2z的每一位只能是0或2,永远不可能是1。所以只要x和y在某一位上不同,两者就不可能相等。而如果x和y每一位都相同,那么x = y,此时三个数相同,不构成真正的三项等差数列。 因此,Cantor集不含任何三项等差数列。 但它的密度有多低?在0到3^k之间,三进制不含2的数恰好有2^k个。密度是(2/3)^k,随着k增大以指数速度趋于零。 贪心给出的是Cantor集,密度以(2/3)^k的速度衰减。但这是不是“不含三项等差数列”的集合能达到的最好结果? 远不是。1946年,数学家Behrend给出了一个完全不同的构造思路——不是逐个挑选数字,而是先把候选对象放到一个更大的空间里,整体排列,再用抽屉原理“压”出一个大集合。 具体做法大致是这样的:选取一个参数d,考虑d维空间中所有坐标在0到m-1之间的格点,这样的点共有m^d个。然后,把这些格点映射回整数——用基数为2m-1的进制表示,每一位对应一个坐标。因为每一位都小于2m-1,所以不会发生进位,这种映射是单射。 接下来是关键的一步:按坐标的平方和分层。每个格点都有一个平方和s = x₁² + x₂² + … + x_d²,可能的平方和最多只有d·m²种取值。根据抽屉原理,m^d个点分到d·m²个“抽屉”里,至少有一个抽屉里有m^d / (d·m²)个点。选取这个最大的抽屉,它就是我们的集合。 为什么这个集合不含三项等差数列?因为如果三个点满足x + y = 2z,那么平方和相等会迫使x = y = z——三个点相同,不构成真正的三项等差数列。所以同一“平方和层”内的点,天然避开了三项等差数列。 这个构造的精妙之处在于:它不是逐步挑选的,而是先把所有候选对象整体排列,按一个全局不变量分层,再用抽屉原理保证某一层足够大。每一步都需要全局视野,而不是局部最优。它给出的集合大小约为N·e^{-c√(log N)},远大于Cantor集的N^{0.63}。在N很大的时候,两者差了好几个数量级。 这就是局部最优与全局最优的鸿沟。贪心每一步都做“合理”的局部选择,最终却通向了一个在数量级上远非最优的结果。真正的最优构造需要全局视野——需要预见到“某些局部看起来无害的选择,会在远处编织出违反约束的结构”,也需要有勇气放弃“每一步都保留三分之二”的直觉,转而去做一件在局部看起来完全不像是在“挑选数字”的事情。 Roth定理则从理论上保证了任何不含三项等差数列的集合密度必须趋于零,但“趋于零的速度”可以差很多。这个问题之所以深刻,是因为它连接了组合数论、调和分析和动力系统等多个领域,至今仍有菲尔兹奖级别的工作在推进它的边界。它提醒我们:“趋于零”是一个结论,但“以什么速度趋于零”,才是真正困难的部分。 2026年10月,OpenAI一次性发布了722篇由AI生成的数学手稿,覆盖数论、代数几何、调和分析、偏微分方程等17个领域,其中包含Kakeya猜想、Fourier限制性猜想、Bochner-Riesz猜想等调和分析核心难题的候选证明。 对每一个个体研究者来说,AI带来了切实的“局部优化”。你花三个月想一个引理,AI三秒钟给你五个候选路径。你写论文的速度翻倍,你通过考核的概率上升,你在竞争中的位置前移。每一个理性的人都会选择使用它。 但系统层面发生的事情完全不同。当所有人都可以用AI批量生产论文时,论文作为“学术信号”的价值就归零了。评价体系——那个建立在“谁先证明、谁发表、谁引用”之上的体系——开始失灵。青年学者失去了从初级问题做起的成长路径,因为AI把那条路也覆盖了。数学界长期运行的“所有权文化”陷入合法性危机。 每个人都在做局部最优的选择,系统却在走向全局性的崩溃。这本质上就是生产关系跟不上生产力:生产力(AI)已经能够批量产出认知结果,但生产关系(评价、分配、荣誉体系)还停留在“结果稀缺”的假设上。 这个剧本不是数学界独有的。过去两年,影视行业已经完整地演了一遍。 一开始,AI剪辑工具让每个剪辑师都能更快地完成工作。这是局部优化——个体效率提升,成本下降,产出增加。每个人都很满意。 然后AI短剧来了。当生产一部短剧的成本从几十万降到几千块,当AI可以生成剧本、生成画面、生成配音、生成剪辑,市场在短时间内被海量内容淹没。真人演员的档期不再稀缺,因为AI演员不需要档期。真人编剧的创意不再稀缺,因为AI一天可以生成一千个剧本。整个行业的价格体系崩塌了。影视寒冬不是“某个环节失业”,而是整个产业链的价值被重新定价。 但故事没有停在“行业崩溃”这里。当海量AI短剧把观众的注意力消耗殆尽,当“AI生成”本身不再构成卖点,市场开始出现分化。那些有深度内容、有独特视角、有真人表演不可替代性的作品,重新占据了市场。观众最终会选择那些“只有人才能做出来的东西”。 这不是因为市场“良心发现”,而是因为:当廉价内容过剩到一定程度,稀缺性就从“数量”转移到了“质量”。而真正的质量——那些需要人的判断、人的体验、人的坚持才能产生的东西——AI给不了。 这就是贯穿始终的不变量:无论生产力如何变化,最终占据市场的,还是有内容的深耕的东西。AI可以替代“生产”,但替代不了“为什么要生产这个”。 回到数学界。当下对每一个个体来说,AI是工具,是助手,是让你更快写完论文、更好通过考核的东西。使用它是理性的。 但对系统来说,当所有人都这样做时,论文的数量爆炸,质量信号被淹没,评价体系失灵,青年学者的成长路径被堵死,整个学术生态走向崩溃。 每个人都在做对自己有利的事,合在一起却摧毁了系统本身。这是典型的“公地悲剧”——只不过被透支的公共资源,是“学术评价体系的公信力”和“青年学者的成长空间”。 而根本原因,还是那个老问题:生产关系跟不上生产力。AI已经把“认知结果”的生产成本降到了接近于零,但我们的分配制度、评价制度、荣誉制度,还建立在“结果稀缺”的假设上。当结果不再稀缺,以结果为核心的体系就会率先失灵。 那么,数学应该往哪里去? 如果“发表论文”不再是数学的核心价值,那什么才是? 答案其实一直都很朴素:能更好地认识世界和改造世界的数学,才是好的数学。论文只是载体,不是目的。证明只是工具,不是终点。 Roth定理之所以重要,不是因为它是一篇论文,而是因为它揭示了整数中加法结构的深层规律。Kakeya猜想之所以重要,不是因为它是一个“未解决的难题”,而是因为它的解决会让我们更深刻地理解傅里叶变换与几何结构之间的关系。数学的价值,在于它让我们看见世界的某个角落,以前从未被看见过。 当AI可以批量生成证明时,数学不会消亡,但它必须回到本源:不是生产论文,而是理解世界。那些能够提出新问题、建立新连接、开辟新视角的数学,会变得比以往任何时候都更加珍贵。因为AI擅长的是“在给定框架内寻找答案”,而人类擅长的是“重新定义框架本身”。 这个陷阱不只在数学界,也不只在影视行业。它是这个时代的结构性困境。 每一个个体,面对AI,最理性的选择都是“用它来提高自己的效率”。但当成千上万的个体都做出同样的理性选择时,系统就会走向崩溃。这不是因为哪个人做错了,而是因为局部最优的加总,不等于全局最优。 要走出这个陷阱,需要两件事。 第一,个体层面,不要只做“局部最优”的选择。在能用AI更快产出的时候,问自己一句:这个东西,除了更快,还有什么价值?如果它只是把同样的东西生产得更快,那它的价值会随着所有人的加速而归于零。真正稀缺的,是那些AI无法替代的东西——提出新问题的能力,判断什么值得做的品味,在迷雾中坚持走一条没人走过的路的勇气。 第二,系统层面,生产关系的更新必须跟上。评价体系不能继续以“结果数量”为核心,分配制度不能继续假设“结果稀缺”。当AI把结果的生产成本降到接近于零时,社会需要重新回答那个问题:当“学会什么”不再稀缺,我们凭什么分配?凭什么评价?凭什么让一个人获得尊严和保障? 这个问题,目前还没有答案。但历史告诉我们,答案不会从天上掉下来。它会在危机中被逼出来,在博弈中被塑造出来,在边缘地带的实验中被打磨出来。我们之前提到的按学分配的学习特区,就是一个这样试点的想法。 数学界正在经历一场地震。722篇论文只是前震,真正的冲击还在后面。影视行业已经演完了一遍。接下来会有更多的行业被卷入。 对每一个个体来说,AI是工具,是机会,是焦虑的来源。但对系统来说,AI是一面镜子,照出了生产关系的滞后,照出了局部最优的陷阱,照出了“每个人都在进步,系统却在崩溃”的悖论。 走出这个悖论,需要的不是更多的论文,也不是更快的剪辑,而是重新回到那个最朴素的问题:我们到底要什么?什么才是真正值得被分配、被评价、被珍视的? 数学的答案是:能更好地认识世界和改造世界的数学。影视的答案是:有内容的深耕的东西。 你的答案是什么? 风起于青萍之末。每一个愿意停下来问这个问题的人,都是风起的地方。
一、先讲一个数学问题:贪心算法为什么走不到全局最优
二、Behrend的全局构造:从“逐位挑选”到“整体分层”
三、数学界正在经历同样的悖论
四、影视行业已经演过一遍了
五、个体理性与系统理性的分裂
六、数学最终要回到认识世界和改造世界的路上
七、局部最优的陷阱,不只是数学的陷阱
八、风起于青萍之末
本文来自网友投稿或网络内容,如有侵犯您的权益请联系我们删除,联系邮箱:wyl860211@qq.com 。