Atomly
當 AI 用一個生物學系學生也能負擔的成本證明了百年數學猜想——我們還在問「AI 會不會搶工作」，而真正的問題是：下一個被重定義的是哪個學科？
當一個認知工具的能力邊界推進時，使用者能解決的問題類別會非線性擴張——不是問題難度提升，而是問題性質本身被重新定義和拓展到原本無法觸及的領域。
提出者:Marshall McLuhan / Andy Clark (1964)
▸ 展開完整 6 步推理鏈(事件 → 觀察 → 模式 → 原則 → 應用 → 反例)
Multilateral lens
Atomly 自動判斷這篇文章跟哪些 mental model 板塊相關、各從一個 lens 拆解。同一件事、不同視角。
OpenAI 在 8 月 1 日發布：其下一代模型 Astra 用約 2000 美元的算力成本，連續破解十項數學與計算機科學難題，包括高維球體堆積密度、球面碼界限、索菲群存在性、康涅斯剛性猜想、拉姆齊數下界等長期開放問題。
不是「AI 更聰明」的故事。而是：當認知工具成本驟降 25 倍後，原本只有頂級大學實驗室能做的工作，變成任何博士研究生都能嘗試的日常。這會改寫整個學科的人才分佈與問題優先序。
歷史類比：顯微鏡問世前，細胞形態是謎；問世後，整個微生物學被重新繪製。AI 對理論數學的作用相似——不是讓現有數學家更強，而是把「能做數學發現」的人口基數擴大 10 倍。
這不是「AI 又發現了一個東西」的新聞點。關鍵是：成本結構的轉變決定了誰能進入這個遊戲。 當搜索空間的開啟成本從「需要終身投入」變成「花 2000 美元試一次」，學科的進入門檻會根本性下降。
「這十項突破可能是挑選的成果、不是 AI 的全部嘗試成功率——倖存者偏差嚴重」
— 傳統數學家
「破解現有難題不等於創造新難題——AI 擴大的是搜索空間、不是原創想像空間，數學的根本創新仍需人類直覺」
— Andrew Wiles（費馬最後定理證明者）
「2000 美元成本包含 OpenAI 十年研發投入攤平——真實邊際成本和標價成本完全不同」
— 經濟分析者
當工具成本極低後，人類數學家應該投入「高創新、低搜索密度的領域」還是「趁工具便宜時大量驗證舊想法」？競爭策略會根本改變。
驗收 · 出題中…
想一個妳自己所在領域或熟悉產業，近三年有沒有某個核心工具的成本驟降（比如軟體、儀器、服務）？試著預測：當這個成本下降後，哪種新進者會湧入？他們會怎樣改寫行業？
💡 把這個練習帶到一天裡 — 下次走在路上、看新聞、跟人聊天時、想想能怎麼套用這個原則。