AI解决数学难题并非源于更强的推理能力，而是凭借远超人类大脑的巨大外部符号工作记忆，即通过海量数据存储和快速检索来“记住”而非“思考”出答案。

好的，这是根据您的要求，对原文主要内容进行的中文重述，保留了核心细节，并删减了与主题无关的冗余内容。

标题：AI并非比数学家更会思考，而是比他们更“能记”

当AI系统解决复杂的数学问题时，人们通常归因于其智能的提升。但一个更简单的可能性是：AI拥有比人脑大得多的“工作记忆”，或者说，它拥有一个巨大的外部符号工作空间，执行着人类工作记忆的许多功能。

人类数学家一次只能在脑中同时处理少量不熟悉的元素。而AI模型可以在其“上下文窗口”中，同时保留整个问题陈述、数百个中间方程、几种被放弃的解法、定义、约束条件以及早期结论。我们通常将这种表现视为更优推理能力的证据，但其中一部分可能仅仅是因为移除了人类推理的一个关键生物限制：极其有限的工作记忆容量。

工作记忆是让我们能短暂保持和操作信息的心理系统。解方程时，你需要记住每个变量代表什么、已执行了哪些运算以及当前目标。人类工作记忆容量非常有限。例如，在心算两个三位数相乘时，困难主要来自在计算的同时必须保留部分结果。把数字写下来，问题就变了。纸并没有让你更聪明，而是扩展了你的有效工作记忆。数学家使用符号、草稿纸、图表，不仅是为了交流解法，更是为了让推理在认知上成为可能。专家通过“组块化”来弥补，但组块化只是压缩信息，并未消除限制。

工作记忆对数学的重要性有研究支持。多项研究表明，在控制智商（IQ）后，工作记忆能力仍能独立预测数学表现。例如，有研究发现，在智商相似的儿童中，工作记忆的差异依然能预测其数学成绩的差异。这为理解AI提供了关键线索：如果人类数学表现部分受限于工作记忆瓶颈，那么赋予机器一个巨大的符号工作空间，就改变了竞赛的性质。机器看起来数学能力更强，部分原因正是它受制于一个抑制人类表现的认知局限。

现代语言模型可以一次性处理极长的token序列，这就像一个巨大的外部笔记本。其推理过程常常是外化的，文本不仅是思考结果的报告，更是思考机制的一部分。人类用草稿纸时也类似，但规模差异巨大。一个未经辅助的人可能难以同时记住五个不熟悉的条件，而AI可以明确地保留数十甚至数百个。

这种上下文窗口的优势并非在所有推理中都同等有用。它尤其适用于数学，因为数学推理可以极好地转化为明确的符号。数学问题中几乎所有相关元素都可以被写下来：假设、定义、已知方程、当前目标、已证明的结果、已排除的情况等。一旦写下，这些信息就保持稳定。数学符号的设计就是为了减少歧义，这使得数学几乎完美适配于通过大型文本工作空间运作的智能。

例如，一个需要记住“n是奇数”、“p是质数”、“x≠0”等条件的问题。人类可能因“记账”失误而出错，而AI可以在每个阶段重述这些活跃约束，将上下文变成推理状态的分类账。许多困难的数学问题包含深刻的洞察，但之后还有大量不那么光鲜的工作：展开表达式、检查各种情况、确保最终结论与每个早期假设兼容。机器无需比人类拥有更深刻的洞察力，它可能只是更擅长在完成长序列操作时保留问题的完整状态。

数学是高度组合的。一个证明可以表示为A→B→C→D。一个大的工作空间允许模型在“丢失线索”前构建更长的链条。AI可以通过写下几乎所有内容来弥补人类在维持全局结构上的不足。这或许解释了为什么额外的“思考时间”能提升模型性能——更多的计算允许系统产生更多中间状态，这看似是更深入的思考，有时可能只是在一个更大的笔记本里进行更广泛的搜索。

相比之下，社会问题（如“玛丽为什么突然不回我消息？”）则不同。更大的上下文窗口可能有用，但决定性信息可能仍然缺失。这类非正式推理依赖于含义不稳定的概念，其核心问题往往不是工作记忆容量，而是在证据不完整和模糊时识别正确的因果模型。数学则不同，其推理环境是人为构建的，使假设明确、变换可验证。数学答案通常可以被检验，这为AI创造了理想环境。

将AI的上下文窗口称为工作记忆并不完全准确。人类工作记忆涉及注意力、抑制、持续更新和主动操作，而AI的上下文更被动。更准确的描述可能是增强型符号工作记忆。在某些方面，AI的私密心理记忆比人类弱，但在其他方面，其显性记忆能力远超人类。对于数学，后一种能力可能更有价值。

那么，说AI“更擅长数学”意味着什么？想象两个人解同一道数学题，一个只能心算，另一个有无限纸笔、完美笔记、即时访问所有计算、并行尝试多种方法以及检查结果的机器。如果后者赢了，我们不会认为他拥有更高的原始数学智力，而是拥有更好的认知架构。对AI也应如此。AI的表现是数学知识、推理能力、记忆容量、搜索和验证的共同产物。我们倾向于关注推理，但记忆可能做了比我们意识到的更多的工作。

工作记忆假说产生了明确的预测：AI的优势应在涉及多约束、长计算、大量案例分析、反复引用先前结果、精确符号记账和大量形式定义的问题上最大；而在主要依赖一个简短概念性飞跃的问题上优势较小。该假说还预测，减少模型的可用上下文或阻止其写下中间步骤，会不成比例地损害其在长数学任务上的表现。反之，扩展人类的外部记忆（如清晰的符号、图表、软件）应能缩小部分差距。因此，最公平的比较可能不是AI与无辅助的人类，而是AI及其工具，与拥有同样强大外部记忆和验证系统的人类。

AI在数学上的崛起常被描述为机器智能战胜人类智能。这种解释可能为时过早。AI的部分优势可能更平淡无奇：人脑进化受限于严重约束，而AI不受此限。它可以将推理转化为文本，并将其用作巨大的外部认知工作空间。数学因其精确性和符号结构，成为这种优势最容易转化为卓越表现的领域。

也许最具启发性的比较不是在AI和普通人之间，而是在两种不同形式的天才之间。物理学家尤金·维格纳曾评价，冯·诺依曼的思维“敏捷而敏锐”，能吸收海量信息并处理极其复杂的论证；而爱因斯坦的理解则更深刻、更具原创性。冯·诺依曼拥有更强的原始智力处理能力，但爱因斯坦更可能重新构想问题本身。如今的AI更像前者能力的机器放大版：极快、极广，能保存和操作海量显性信息。但这不一定意味着它拥有爱因斯坦式的深度——即抛弃公认框架、识别隐藏概念错误并发明全新视角的能力。AI目前可能在数学上击败人类，与其说是像爱因斯坦那样思考，不如说是结合了冯·诺依曼的速度和广度，以及一个几乎无限的笔记本。下一个重大门槛将是AI不仅能比人类更快地解决现有问题，还能认识到问题本身被错误地构建，并发明一种根本性的更好理解方式。

根据评论内容，主要观点和论据总结如下：

观点一：AI的优势在于“超强记忆”而非“真正思考” - 支持者认为AI通过庞大的工作记忆和跨领域知识连接实现“超强记忆”，而非人类式的抽象推理（评论2、15、17）。 - 关键引用：评论2：“super intelligence comes from more working memory... once AI makes arguments that require a working memory of hundred items, then we as humans will have no way of understanding”；评论17：“Working memory is the RAM... AI is out-remembering us, even if in a brute force sort of way.”

观点二：AI将超越人类理解能力，开启新纪元 - 部分评论认为AI能产生人类无法理解的复杂证明，人类在科学、数学领域的贡献将终结（评论3、10、23）。 - 关键引用：评论3：“It's going to produce proofs far more intricate than humans can understand... the age of humans comprehending things is coming to an end”；评论10：“There are long machine generated proofs... high volumes of code with similar code not being folded into functions.”

观点三：AI缺乏人类直觉，但擅长跨领域连接 - 批评者指出AI缺乏人类直觉，但能跨越学科壁垒应用技术（评论14、25）。 - 关键引用：评论14：“it's making connection across vast set, not bringing the magic intuition”；评论25：“AI is happily applying techniques and abstractions across these silos.”

观点四：AI是“随机鹦鹉”或“知识重混器” - 部分评论认为AI本质是复现训练数据，而非创新（评论18、19、24）。 - 关键引用：评论18：“they are very capable at reproducing what they have already seen”；评论19：“it’s a stochastic parrot with a good memory”；评论24：“being a superhuman knowledge remixer is right on target.”

观点五：AI将改变数学和编程实践 - 评论指出AI能处理负结果、永不疲倦，但存在“锯齿边缘”缺陷（评论5、16、24）。 - 关键引用：评论5：“It just never gets tired... it's just onto the next thing until something ends up working”；评论16：“AI agents have no such limitations and can publish and re-use negative traces easily”；评论24：“it's still trivially easy to find the jagged edges of their training.”

观点六：对AI炒作和定义移动的批评 - 部分评论质疑AI宣传的夸大性，认为“智能”定义在随AI进步而改变（评论4、7、8、9、22）。 - 关键引用：评论4：“'It's not X, it's Y' hot take AI slop”；评论7：“an article about AI that's at the very least been polished using AI”；评论22：“the definition of intelligence will keep changing in order to exclude it.”

观点七：人机协作的未来 - 少数评论持乐观态度，认为人类可通过与AI协作（“半人马模式”）拓展前沿（评论13）。 - 关键引用：评论13：“some 20something mathematician to outdo both humanity and machines by leaning hard into centauring to expand the frontiers of mathematics.”

总体评价：评论呈现两极分化——一方强调AI的“记忆优势”和“跨领域能力”，另一方质疑其“缺乏真正理解”和“炒作过度”。多数评论认可AI在数学、编程等领域的实用价值，但对其是否构成“智能”存在根本分歧。