理论神经科学家David Clark把Sompolinsky 1988模型——一个被学界判定为“解析上绝对无解”的高维混沌系统——喂给了GPT-6 Astra。100分钟后，屏幕上吐出一堆他看不太懂的公式。这位顶尖科学家对着那堆“外星数学”愣了许久，最后不得不请出Claude Opus 5.5帮他把硅基语言翻译成人话。
希鸥网观察到，这不是一次普通的AI辅助科研。完成破局的核心主力是OpenAI的GPT-6 Astra，负责收尾翻译的是Anthropic的Claude Opus 5.5。人类科学家在其中的角色，用David Clark自己的话说，更像“包工头”和“翻译官”。38年来，理论神经科学领域最硬的解析难题，被两个大模型在不到两小时内拆解完毕。
问题要追溯到1988年。Sompolinsky、Crisanti和Sommers三位学者在《物理评论快报》上提出了随机耦合神经元网络模型，算出了最大的李雅普诺夫指数，然后把完整谱的计算作为公开问题留给了后人。这一留就是38年。2023年Engelken等人用暴力数值方法勉强算出全谱，但数值解和解析推导之间，隔着一道学术界公认的人力不可为的高墙。
GPT-6的打法完全绕开了人类直觉。它先把所有指数平移一个常数s，把“有多少指数低于s”转化为“有多少切方向会衰减”，再用最小范数解证明单步响应就是衰减方向的投影算子，最后引入统计物理的空腔方法，把N个神经元的混沌系统压缩成单点问题。三步走完，完整李雅普诺夫谱到手。与超级计算机模拟结果严丝合缝。
这套推导的底层冲击在于研发组织的成本结构变了。过去一个理论物理课题组需要三个博士生花两年推公式，现在一个科学家加一个AI订阅账号，100分钟出初步推导。企业研发的固定人力成本正在被算力调用成本替代。更关键的是，AI给出的解法带有“非人类的神秘感”，人类科学家的新核心能力不再是推导，而是判断和翻译。
希鸥网认为，这件事对创业者的信号远比“AI又赢了”复杂。谁受损？靠信息差和推导苦力存活的中间层研究者。谁获益？那些能把AI输出翻译成可验证、可复现、可工程化方案的人。商业竞争的分野将从“谁有数据”迁移到“谁能把硅基直觉转译成碳基可执行的决策链”。翻译官的角色，比解题者更稀缺。
这引出一个创业团队天天面对的老问题：信息不够时要不要做决定。GPT-6给出初步推导后，David Clark完全可以继续追问更多细节，但他选择先接受这个解，再用Claude去验证结构。搜集更多信息的边际收益，在某个点之后急剧递减，而推迟决策的边际成本在持续累积。创业者等不到所有数据齐全的那一天，先做“必做之事”再谈“想做之事”，是唯一的节奏。
更深的启发在于决策原则的复用。David Clark面对的是一个“类似情境”——AI给出看不懂但结果吻合的推导，这和创业者面对一份看不懂但数据漂亮的增长方案是同构的。识别情境类别，调用经过深思的原则，而不是每次从零纠结。把“AI输出先验证核心结论再抠细节”写成一条团队原则，下一次类似情境出现时，决策速度会快一个量级。
最后是可信度加权。David Clark没有盲信GPT-6，也没有因为看不懂就否定，他引入Claude做交叉验证，这本身就是一种加权决策——不同AI的可信度在不同任务上不一样。创业者面对AI给出的市场判断、代码方案、财务模型，同样需要建立“谁在什么问题上更可信”的加权机制。拍脑袋用AI和拍脑袋不用AI，错误率一样高。
国际金鸥奖中国区盛典，第十二届金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo
