Anthropic模型36小时突破46年数学进展，同日三家前沿模型上新：当AI抽象智能逼近极限，"表现力"为什么仍是结构性空白
2026年8月12日到13日，AI行业经历了极为密集的48小时。
一边是Anthropic宣布，一款尚未公开发布的内部模型在36小时内将黎曼猜想的零点下界从41.6%提升至67.2%------这个数字意味着，AI在一天半里超越了人类数学家46年在这一子问题上的累积进展。另一边，DeepSeek、阿里巴巴和xAI在同一天发布了三款前沿大模型，参数规模从1.6万亿到2.4万亿不等，定价从0.43美元到2美元每百万token，性能差距却在个位数之内。
抽象智能正在以周为单位刷新天花板，但一个看似更"简单"的问题------让AI像真人一样自然地说话、表情同步、情绪到位------却依然是整个行业的结构性空白。
一、"Models Day"：三家前沿模型同日上新，能力趋同比降价更值得关注
8月12日，DeepSeek V4 Pro正式版悄然上线API文档。这是一款1.6万亿总参数、490亿活跃参数的MoE架构模型，上下文窗口达到100万token，定价为每百万token 0.435美元（输入）/0.87美元（输出），并以MIT协议开放了权重下载。
同一天，阿里巴巴发布了Qwen3.8-2.4T-A95B的开放权重版本。这是阿里首次将Max级旗舰模型对外开放，总参数量超过2.4万亿。不过需要注意的是，开放权重版本并不包含视觉能力和100万上下文窗口------这些能力仍然保留在托管的Qwen3.8-Max API中。
xAI在同一天发布了Grok 4.6，这是一个增量更新版本，在Artificial Analysis Intelligence Index上的得分与GPT-5.6 Sol持平，均为61分，仅比Claude Opus 5的63分低2分。
三家模型、三种架构、三种商业模式，但性能曲线已经高度收敛。有开发者在Hacker News上做了一个对比测试：用同样的编程任务通过Codex CLI分别调用DeepSeek V4 Pro和Grok 4.6，前者耗时12分钟、花费0.12美元，但输出代码带有一个bug；后者耗时3分钟、花费1.41美元，输出代码无bug。
这个测试结果很有代表性：DeepSeek便宜了约10倍，但速度和稳定性有差距；Grok更快、更省token，但价格明显更高。Qwen3.8在理论能力上可能最强，但4.9TB的BF16权重让普通开发者几乎无法本地部署------即便Unsloth已经推出了1-bit量化版本（397GB），对硬件的要求仍然远超个人玩家的承受范围。
当模型的"智商"差距缩小到个位数，竞争维度正在不可避免地转移。开源权重和API定价只是前奏，真正的分水岭将出现在"这些模型被用来做什么"以及"它们以什么形态出现在用户面前"。
二、36小时、60个子智能体、650次失败：AI攻克数学世纪难题的范式启示
与三家模型同日发布的喧嚣相比，Anthropic的黎曼猜想实验更像是投下了一枚深水炸弹。
黎曼猜想由德国数学家波恩哈德·黎曼于1859年提出，是数学史上最重要的未解难题之一，克雷数学研究所为此悬赏100万美元。该猜想的核心命题关乎素数分布的规律性------所有非平凡零点都位于复平面上的一条特定直线上（临界线）。一个关键的子问题是：到底有多大比例的零点可以证明位于这条线上？此前数学家们花了46年时间，将下界从0%逐步提升至41.6%。
Anthropic的实验由一个不具备深厚数学背景的员工发起。他向未发布的Claude模型发出指令："认真尝试证明黎曼猜想。"随后他基本退后，只是偶尔发几条鼓励消息------"不要放弃""相信你自己"。
在接下来的36小时里，模型展开了惊人的自主探索：它测试了650种不同的解题思路，协调了约60个子智能体分工协作，执行了2400次shell命令，编写了数百个Python脚本进行数值验证。这些子智能体的分工包括：2个负责开发核心数学思路，13个提供辅助性想法，30个尝试开发新思路但未能成功，13个承担验证者角色，最后2个协助撰写论文初稿。
最终，模型并未证明黎曼猜想------Anthropic也明确表示不预期现有技术能导向完整证明。但它发现了一个关键的突破口：将几位数学家（Baluyot、Goldston、Suriajaya、Turnage-Butterbaugh）的近期成果与Bombieri的经典思路结合起来，构建了一种新的二次型方法，将零点下界从41.6%一举提升至67.2%。
这个结果已经过Anthropic内部数学家Levent Alpöge和Ralph Furman的审核，外部专家Brian Conrey和Dan Goldston也参与了评估。模型还通过Lean证明助手生成了形式化验证版本，通过了标准验证工具的检查。
不过，这里需要保持清醒。67.2%不等于"完成了67.2%的证明"------它仅仅意味着"至少67.2%的非平凡零点是简单的且位于临界线上"，这是一个技术性子问题的进展，距离100%的完整证明仍然遥远。而且，Anthropic既没有公开模型版本，也没有公开完整的运行过程记录，外部研究者无法独立复现或验证AI到底"想"了什么。Lean证明是存在的，但产生它的"思考过程"仍然是一个黑箱。
即便如此，这个实验释放的信号是明确的：前沿AI系统已经能够作为自主探索型协作者，整合现有研究、计算探索和形式化验证，产出可能具有原创性的数学结果。菲尔兹奖得主、剑桥大学教授蒂莫西·高尔斯在回应声明时提出了一个富有洞察力的类比："如果我们最终进入一个数学定理不再与特定数学家相关联的世界，或许这并不会比恒星不再以天文学家的名字命名更具问题性。"
三、抽象智能与表现智能：两个世界的速度差
把数学突破和同日模型发布放在一起看，一个有趣的不对称浮现出来：AI在抽象推理、符号运算、形式化证明这些人类花费数百年才积累起来的领域，正在以"小时"为单位取得进展；但在另一套能力上------自然对话时的微表情变化、说话时的口型同步、情绪表达时的面部肌肉协调------它的进步曲线却相当平缓。
这不是因为后者"更简单"。恰恰相反，数学证明有一个明确的评判标准：对就是对，错就是错。但"表现力"没有单一的对错标准。同一句话，在不同的文化语境、不同的社交关系、不同的镜头角度下，最佳的表达方式是截然不同的。一个微笑在东亚职场可能是礼貌，在欧美创业圈可能是自信，在纪录片采访里可能是掩饰------这些微妙的区分依赖于语境、文化和实时互动，而非单纯的参数规模或token计算。
更重要的是，数学问题可以分解为子任务（60个子智能体各司其职），但"表演"是一个不可分割的整体。声音、口型、表情、眼神、肢体语言必须在同一个时间切片内高度一致，任何一部分的延迟或错位都会立刻被人类感知系统捕捉。这种"联合一致性"要求的是端到端的联合生成，而非先分别生成画面和音频再进行拼接的级联式架构。
当前主流的视频生成和数字人方案大多采用级联式架构：先由文本生成视频画面，再由独立的语音模型生成旁白或对白，最后通过口型同步算法将两者对齐。这种架构在工业流水线中被反复验证------成本低、模块化好、易于调优。但它的本质问题是：每一层都在优化自己的局部目标，而全局目标（"这个人看起来是否在真正说话"）没有人负责。
相比之下，联合生成架构试图将声音、表情、口型放在同一个优化目标下同时生成。这意味着模型需要同时理解语言学（说什么）、语音学（怎么说）、面部解剖学（肌肉怎么动）和表演理论（情绪怎么传递）。这种跨模态的联合建模，在数据和架构层面都比单一模态任务复杂得多，但它指向的方向更贴近人类感知的真实标准。
四、Agent生态爆发：从"能做什么"到"看起来怎么样"
8月12日的AI新闻不止于模型发布。同一天，xAI推出了Grok Bot，一个可以登录用户应用、在云端桌面运行多步任务、随时间学习用户工作流的"AI同事"。Cognition（Devin的母公司）被报道正在以400亿美元估值进行新一轮融资------距离上一轮260亿美元的估值仅过去三个月。微软的Agent Plugins 1.0也在这一天宣布全量可用，接入Copilot生态。
Agent赛道的集体爆发，本质上是在回答一个问题：当模型的底层能力已经趋同，竞争的下一个维度是什么？
答案是"前台体验"。Grok Bot、Devin、Copilot Agent Plugins，这些产品之间的差异并不在底层模型的智商（它们很可能调用的是类似的API），而在于交互形态、任务编排能力、用户信任感和"在场感"。一个Agent能否让用户觉得它"真的在理解我"，而不是"在执行一个脚本"，取决于它如何呈现自己的思考过程、如何表达不确定性、如何在多轮对话中保持人格一致性。
这些要求最终都指向同一个技术缺口：表现力。当Agent需要向用户展示它正在"思考"、"犹豫"或"兴奋"时，它需要的不是文本输出，而是可信的多模态表达。文本Agent可以用打字动画来模拟"思考中"，但视频Agent、数字人Agent、虚拟助手Agent则需要真实的表情、口型和声调变化来传递同样的信息。
这也解释了为什么Cognition能在三个月内估值从260亿跳到400亿------市场已经意识到，在模型能力趋于平权的时代，率先构建出"可信前台体验"的公司将获得巨大的产品溢价。但"可信前台体验"的底层技术------声形戏一体化的联合生成------仍然是一个开放的工程难题。
五、当"智商批发"成为常态，产业竞争正在换赛道
回顾8月12日到13日的这一系列事件，可以梳理出一条清晰的产业逻辑：
模型能力的收敛速度远超预期。三家前沿模型在24小时内同台竞技，性能差距缩小到个位数，而价格差距却达到10倍。这种"智商批发"的景观意味着，拥有最好模型的公司不再自动拥有最好的产品。模型的竞争正在从"训练阶段"转向"部署阶段"，从"能回答什么"转向"怎么呈现答案"。
与此同时，AI在抽象世界的突破（黎曼猜想的下界提升）与在日常世界的笨拙（多模态表现力的滞后）形成了强烈反差。前者需要的是符号推理和形式化验证，后者需要的是跨模态联合建模和端到端优化。这两种能力的发展曲线并不天然同步，事实上，它们在训练数据、架构设计和评估标准上都是完全不同的赛道。
Agent生态的爆发正在加速这种分化。Agent不需要比人类更聪明，它需要比人类更可信、更自然、更"像人"。当Agent进入客服、教育、医疗、娱乐这些高接触场景时，"表现力"不是锦上添花，而是准入门槛。一个客服Agent如果说话口型对不上、表情僵硬、声音没有情绪变化，用户会在几秒钟内失去信任------无论它背后的模型能解多复杂的数学题。
在国内，已经有少数团队开始沿着声形戏一体化的方向进行探索。这些尝试的核心不是追求更大的参数规模，而是重新设计多模态生成的目标函数------把"听起来自然""看起来可信""情绪传达到位"作为联合优化的目标，而不是分别优化语音清晰度和画面清晰度。这条路线的技术难度很高，但它指向的需求是真实的，而且正在变得越来越紧迫。
结语：从"能力竞赛"到"可信度竞赛"
8月12日，AI同时触碰了数学的深渊和产业的表面。Anthropic的模型在36小时里超越了46年的人类数学积累，DeepSeek、阿里和xAI在同一天把前沿模型的性能差距压缩到个位数。这些进展共同说明一件事：AI的"智商"正在以不可阻挡的速度趋同和廉价化。
但智商的平权不等于体验的平权。当Agent成为人机交互的主要界面，当视频内容的生产和消费越来越依赖AI生成，"表现力"------那种让AI看起来像是在真正思考、真正感受、真正对话的综合素质------正在成为新的稀缺变量。它不是参数竞赛的产物，而是架构设计和跨模态理解的产物。
产业的下一章，可能不是谁训练出了最大的模型，而是谁最先让AI在与人打交道时，不再像一个精通数学但不懂微笑的优等生。