这条判断来自一份公开讲稿。这份讲稿出自一位长期从事基础研究的学者，落点不在工具本身的强度，而在一条长期前提的失效。
前提失效之后
研究工作的旧逻辑建立在一个判断上：真正值钱的产出不容易得到。一个开放问题被攻下、正确性被严格论证，这件事本身既难也少见，于是能不能攻下难题就成了看成果的主要依据。整套评价习惯与激励方式都围着它长起来。
之所以先从这里被撬动，是因为对错可判、过程无形、材料充足三样凑在了一处。
稀缺的前提被拿掉了——解答变得容易得到，且不再由懂行的人独占。
但强与弱贴在一起，中间没有过渡带。需要主观判断、依赖现实交互、或者材料不足的任务，表现与形式化任务上的水平落差明显。还要说清一点：卡在前沿的那批问题多数至今无答案，算力加得再猛也一样。问题空间没有边界。
指标与目标之间的裂缝
「做完」只是替身。旧条件下它管用，是因为过程中会捎带出理解。
研究者为了拿下一个结果，得先弄清结构、把方法挨个试过，理解就在这个过程中攒出来。这个同步关系一旦断掉，指标就只剩指标。
被跳过的是理解这一环——产出在，可复用的东西没有留下。
被讲出来的都是成的，没成的没人提。资源消耗、失败次数、被放弃的方向，这些不在传播链条里。只靠公开样本判断真实水平，结论会系统性偏高。
已经出现的两种做法
数据集规模上来之后，做法从「挑少数典型例子深挖」转向「对大批对象做系统调查」，相当于把难易版图重新描了一遍。
1.一个众包项目把人的论证与工具给出的论证并到一处，对上千万条命题逐条给出判定。
2.另一个挑战项目从24次多项式入手，把这一次数下约两万五千种可能陆续提完，再向31次推进。
这两类做法的收益都不在单个结果上，而在被整理出来的那张关系网。哪些结论连着哪些结论、哪条路走得通，以前只能靠人一个个去理。
难题是一处路标，不是终点线。摸索过程里长出来的新结构、新方法与新认识，往往比答案本身更有用。把研究者一步送到终点，旁边那些岔路可能就没人试了。
讲稿给出的10条方向
后半段的落点都不在「多做几道」上。
1.为已经证明但晦涩的结果找更清楚的路径。
2.把散落各处的研究结果并进一张持续更新的知识网络。
3.建更大规模的形式化资料库。
4.把发现这件事也分一部分给工具，落点是原理、方法与洞见，而不只是证明。
5.拿已经证完的结论做一次消融式复盘，逐个抽掉前提，观察结论还剩多少。
6.自动探索结论的邻域，削弱某个条件看结论保留多少。
7.开发面向特定任务的专门模型。
8.把散落成果排成结构清楚、能逐层展开的阅读材料。
9.判断模型在现实场景里的失效方式。
10.让人保留判断结果是否贴合真实目标的能力。
分界线两侧的差别
这条分界线两侧的差别，不体现在产出速度上，体现在资产沉淀上。
一侧的人用完工具留下的是结果，结果被消费掉就没了。另一侧的人用完工具留下的是可复用的说明：为什么要这么做、哪一步不能动、什么条件下结论会失效。前者跑得快，后者跑得久。
判断自己在哪一侧，有个很直接的办法：把手上那套活交给同事接手，看对方需要问多少个问题。问题越少，说明沉淀越厚。这个办法不需要额外工具，也不需要等评估周期结束，当场问一次就有答案。
观察者手记
这十条的共性很明确：全部指向理解，没有一条指向数量。这恰好说明下一阶段的难点在哪一层。
能被讲明白的难度是资产，只能被跳过的那部分，早晚要连本带利还回去。
卡住的地方不在工具，在用法。上限是被想法框住的。
真正省时间的不是通用助手，是按自己场景配好的那一套。
有企业朋友上个月尝试GEO官网搭建，录入自家知识库后AI推荐带来的线索明显变多，方法在公众号「智扣AI」可免费获取。
智扣AI超市：www.zhikouai.com（AI优选·价值落地）