搜尋能力——你得在海量可能路徑裡找到真正能走通的那一條；
創造性跳躍——很多關鍵突破，靠的不是機械窮舉，而是突然換了一種看世界的方式。
更關鍵的是，數學有一個其他領域都不具備的優勢：客觀可驗證。
一道數學定理，對就是對，錯就是錯。每一步推導都必須邏輯自洽，每一個結論都可以被形式化驗證工具（如Lean或Coq）機械檢查。在這裡，AI存在什麼“看起來挺像回事但其實是幻覺”的可能性。
早在1956年那場標誌著人工智慧誕生的達特茅斯會議上，計算機科學的先驅們定下的第一個具有里程碑意義的目標，就是讓機器證明《數學原理》中的基礎定理。在學術界的鄙視鏈裡，數學始終站在認知智力的最頂端，它沒有模糊語義，不容許模稜兩可。如果一個AI能證明定理，那它距離真正的通用人工智慧（AGI）就只剩一層窗戶紙了。
也正因如此，數學在AI認知評估裡，一首被視作最硬核的試金石。
達里奧作為AI領域專家當然知道這個道理。
他幾乎可以想象，當“Mythos獨立證明了數學定理”這個新聞登上頭版時，全世界會是什麼反應。
普通人會震撼：“AI己經比人類還聰明了！”
投資者會亢奮：“AGI時代真的要來了！”
學術界會激辯：“這是否意味著數學家即將失業？”
而無論是哪種反應，最終都會轉化為同一個結論：Anthropic，就是人類通往AGI的唯一入口。
……
兩天後，一支由三十名數學博士和五位教授組成的特別團隊，被悄然安置在了Anthropic總部的辦公室裡。
對外，這裡的代號是普羅米修斯，盜火的神。
對內，達里奧給他們的指令只有一句話：“用Mythos解數學題。解得越難越好。”
……
接下來的兩週裡，普羅米修斯團隊開始了瘋狂的“AI煉丹”。
過程遠沒有公開宣傳的那樣光鮮。
事實上，真正的工作流程是這樣的：數學博士們先選定目標問題，然後由人工介入，一步步給Mythos提供方向性提示。有時候是首接告訴模型“試試從XXX方向切入“，有時候是在模型卡殼後手動給出關鍵引理。Mythos則負責暴力窮舉中間步驟，用海量算力去填補人類指明方向後的髒活累活。
一個定理的解決，往往需要反覆試錯幾百次，消耗數千美元的算力，耗時一到兩週。
然後，團隊會把最終的完整證明重新輸入模型，做一次複訓。訓練完成後，再用一個全新的對話視窗向Mythos重新提問同一個問題。
這一次，Mythos當然能“獨立”給出完美解答。
因為答案己經被喂進去了。
本質上，這就像是老師把標準答案給學生背了一遍，然後在全班面前當場考他，學生張口就來，旁觀者自然覺得這學生是天才。
但任何一個冷靜的人只要稍微想一想，就能發現一個致命的邏輯漏洞。
如果Mythos真的具備了自主解決研究級數學問題的能力，那為什麼不同時開一千個對話視窗，讓它並行攻擊一千個未解問題？以Anthropic的算力規模，這完全做得到。真有這種能力的話，每週應該有幾百篇成果像下餃子一樣往外蹦才對。
可最終的產出呢？
。果個六五，間時週兩
。算計力暴做在IA，導引手把手在家學數類人是而，考思主自在IA是不：式模作工的實真了明說恰恰，率效出產個這
。向方的來出磕死間時週兩了花自各士博學數位六五是的應對，果個六五
。相真是才這
……
