AI 與數學推理：工作記憶假說

工作記憶假說

AI 在解決複雜數學問題上的精通程度，通常被歸因於一般智能的提升或數學直覺的發展。然而，一個極具說服力的替代解釋是，AI 擁有比人類大腦更龐大的有效工作記憶。透過利用巨大的外部符號工作空間——特別是上下文窗口（context window）——AI 消除了人類推理中最顯著的生物限制之一：同時持有並操作多個陌生元素的有限容量。

工作記憶作為認知瓶頸

工作記憶是用於在短時間內持有並操作資訊的心理系統。在數學中，這涉及追蹤變數、運算、假設和中間引理（lemmas）。人類的工作記憶受到嚴格限制；例如，在腦中計算兩個三位數相乘很困難，並非因為運算簡單，而是因為難以保留部分結果。

研究指出，工作記憶是超越一般 IQ 的數學表現之獨立預測因子。Alloway 和 Passolunghi (2011) 以及 Alloway 和 Alloway (2010) 的研究發現，工作記憶的測量指標對兒童的數學技能和學術成就具有獨特的貢獻，有時甚至比 IQ 本身更能預測表現。

AI 中的增強型符號工作記憶

雖然人類使用草稿紙來擴展工作記憶，但 AI 模型使用其上下文窗口作為一個巨大的外部筆記本。這種「增強型符號工作記憶」允許模型同時保持整個問題陳述、數百個中間方程式以及多個被放棄的方案處於活躍狀態。

推理的外在化

與可以維持私密內部心理狀態的人類不同，標準語言模型主要透過其已生成的 token 序列來維持狀態。文本不僅僅是思考過程的報告；它本身就是推理的機制。這種「大聲思考」在數學中成為了一種戰略優勢，因為：

• 明確的限制條件： AI 可以於每個階段重新陳述活動中的限制條件（例如，「n 是奇數，p 是質數」），從而防止經常困擾人類數學家的「帳目錯誤」。
• 組合穩定性： 數學推理具有高度的組合性（A → B → C → D）。大型工作空間允許 AI 建構更長的推導鏈，而不會失去全局結構。
• 可驗證性： 數學符號旨在減少歧義，使其非常適合透過大型文本工作空間進行運作的智能，在該空間中步驟可以被記錄並驗證。

領域特定性：數學 vs. 非正式推理

巨大上下文窗口的優勢並非普世適用；它在數學領域特別強大，因為該領域是人為建構的，具有明確性且可驗證。

相比之下，非正式推理（例如，社會或政治分析）依賴於不穩定的概念和隱藏的原因。較大的上下文窗口允許 AI 檢視更多數據，但它無法檢索從未被觀察到的事實，也無法解決「公平」或「負責任」等術語固有的歧義性。在這些領域，核心挑戰是在不確定性下識別正確的因果模型，而非管理符號帳本。

Von Neumann 與 Einstein 的區別

AI 與人類數學天才之間的差異，可以被框架化為 John von Neumann 與 Albert Einstein 之間能力的區別。正如物理學家 Eugene Wigner 所指出的，von Neumann 擁有無與倫比的速度和處理大量資訊及複雜論證的能力。然而，Einstein 的特徵在於其更深層、更具原創性的重新概念化問題的能力。

目前的 AI 看起來是 von Neumann 能力的機器增強版——極其快速、廣泛，且能夠保留大量的明確資訊。AI 的下一個門檻將是實現「愛因斯坦式的深度」：即能夠識別問題框架是否錯誤，並發發明一種根本性的新方式來理解它。

社群觀點綜述

技術從業者之間的討論表明，「超越記憶」效應不僅限於數學，還延伸到了軟體工程和一般問題解決中：

• 知識重組： 有些人認為，許多被視為高智能的表現，實際上是同時擁有他人不具備的零散知識片段（A + B）並將其組合的能力。
• 暴力破解與堅持： AI 不具備人類的情緒和生理疲勞，這使其能夠在不因負面結果而氣餒的情況下，「暴力破解」研究方向。
• 負面痕跡的價值： 與主要發表正面結果的人類數學家不同，AI 可以輕易地儲存並重複使用「負面痕跡」（失敗的嘗試），這些可以被利用來避免重複錯誤。
• 抽象化的成本： 一些觀察者指出，AI 缺乏記憶限制，導致它生成的代碼比人類更冗長，且抽象程度較低，因為它不需要為了符合人類有限的工作記憶而簡化問題。

"AI 不受相同架構的限制。它可以將推理轉化為文本，並將該文本作為一個巨大的外部認知工作空間。"