如果 LLM 是 " 高端制造业 "，那马斯克输在哪呢？
因为如果 LLM 是 " 高端制造业 "，那么马斯克应该是全球最强的玩家才对，他人多，卡多，熟悉制造业全流程，供应链之王，但最终 Grok 路边一条，十万卡租给 Anthropic。
如果 AI 的终点是电力，那么坐在座谈会上应该是电力公司的老总，而不会是梁文锋、杨植麟，是该前者享有高等级安保，而不是后者中的一员。
直到今天，很多人还以为拥有海量工程师、撒钱、买卡、调整组织架构，像制造业那样搞，等效智能的 LLM 就水到渠成，全然不知那些造 LLM 者的价值，以及他们的直觉有多么重要。如果没有 DeepSeek、Kimi 团队的直觉，那就没有 MLA 带来的极致压缩与成本骤降，也没有 KDA 对长程推理一致性的提升，国内的 LLM 就仍会是一坨。
我们无数次复盘，如果没有这两个团队对 LLM 底层技术的数学直觉、工程化能力，今天国内的 LLM 会是什么样子，最后得出了个结论：会被锁死在公版开源框架里，在墙内自娱自乐，距离最前沿水平越来越远。
外推得出结论：中国资产也因此会被锁定在 " 旧时代 "，应抛尽抛。其实，并非 924 改变了资产定价，而是 DeepSeek-R1 改写了全球资产定价叙事和历史线。
这不是夸张，也并非我的偏爱，自有中国科学院的官网报道、市场反应为我辩经。
前段时间，我参加雪球的活动，在饭叙中，我抛出了我们两个月多前就下的判断：LLM 是由数学 / 应用数学构造的压缩 - 预测概率生成器，它应以实现等效智能的长程推理一致性为最大化目标，前沿 LLM 竞赛是一场数学 / 应用数学竞赛。
正是 DeepSeek 用 MLA+GRPO+ 开源权重，在数学层面证明了中国团队可以原创，" 可以工程化、可以规模化、可以成本优化，但不能原创，在 AI 竞赛中被封锁 " 的旧叙事才会瓦解；Kimi K3 以 KDA+AttnRes+ 混合布局，在长程推理一致性上进一步证明，中国团队不仅能定义范式，还能在等效智能的维度上做出差异化壁垒。
没有 DeepSeek 的开源框架，就没有智谱；没有 V4、K3 就不能打破 OpenAI、Anthropic 的垄断，他们尽可以提高价格、拉长垄断租金久期，哪像现在这样 LLM 百花齐放，搞出个 " 高端制造业 "、"AI 终点是电力 " 的叙事。
你得先有最先进的 LLM，才能谈算力、电力的价值，你得有领先的开源架构，才能谈人人手搓 LLM。
但是，其实架构、权重、技术报告可以开源，但直觉永远模仿不了。所以，经过数昼夜的研究和对话，我又修正了下：LLM 是数学 / 应用数学、工程化的直觉竞赛。
比如，标准的注意力机制中，KV Cache 是高维向量，从线性代数角度看，这个矩阵是满秩或接近满秩的，梁文锋团队直觉跳跃意识到，高维向量在序列维度上不是独立的，它们共享一个低维的潜在结构，看到了高维数据流形上的低维嵌入。
从数学角度，低秩近似是标准技术（SVD、PCA、随机投影），一个懂线性代数的研究生都能写出公式，但知道可以做低秩分解和知道 KV Cache 适合做低秩分解之间，隔着一堵墙。这堵墙就是 KV Cache 在序列维度上的冗余，不是可以压缩，是本来就在低维流形上。
前者是优化工程师的思维，后者是物理数学的思维，得拥有在复杂系统中识别简正模式的能力，这正是看到高秩表象下低秩本质的直觉来源。
同理，长程推理一致性绝非加功能组件，而是数学骨架层面的重构：注意力机制能不能在扩展上下文时抑制误差积累，是残差连接能不能在深层网络中保持梯度语义，是 MoE 路由能不能在跨文档推理时不把关键信息路由到错误的专家。它不是让模型多记几页上下文的产品功能，是自回归误差的指数衰减能不能被架构设计对冲的数学问题。
K3 的 KDA 重新设计了注意力核函数，AttnRes 在注意力层和 FFN 层之间重新建立了信息流的几何结构。没有经过数学优化的 LLM 长程推理一致性差，是因为误差积累到语义空间发生了漂移。所谓的幻觉，本质是概率分布在高维空间里的随机游走，游走出了吸引域。
所以，我在给某大厂递交的 X 报告里写道：LLM 竞赛不是抄功能，而是 " 发现数学 "，你们应该多招募精通非凸优化、矩阵计算 / 数值线性代数、编码理论、组合优化、微分方程 / 动力系统的数学人才。
其实，我现在发现少了一句：并且，祈祷你们招到的人，有奇特的思维，有不同凡响的直觉。
这种人不是训练出来的，不是制造业流水线上的打工仔，是天生的天赋怪，他们的出现存在一定的概率。
比如信息几何学之父甘利俊一，他独立提出了随机梯度下降和多层感知机训练算法，1998 年提出自然梯度下降，用微分几何研究概率分布流形上的优化，是深度学习的数学基础。还有福岛邦彦，1980 年提出卷积神经网络（CNN）的直接前身层级化多层神经网络模型。法国是概率论和优化的故乡，布尔巴基学派奠定了现代数学的严谨性。
只是，后来无论是日本还是欧洲，都没能在 LLM 领域出现天赋怪接班人。他们的种子在沙漠里发了芽，却在美国、中国的土壤里结了 LLM 之果。
所以，那些改写历史线的 DeepSeek、Kimi 里的天赋怪们，有直觉，能安静推公式、敢大胆试错，这个耦合带有太强烈的偶然性，偶然到近乎国运。
直觉，真的很重要。你对 LLM 的本质琢磨越深，就越是发现，此时此刻的 LLM 得以创生，本身就是一部直觉锻造为犁的历史。
OpenAI 最早意识到 Scaling Law，Anthropic 最早意识到长上下文是推理的基础设施。但其实无论哪家模型厂，迄今为止都是在沼泽地里摸索，并且都撞上了校准墙，能力高但幻觉率也高。其实，前面的墙还有很多，符号接地的墙、因果推理的墙，以及最终那堵在数学映射的算法实现自我审视的墙。
一堵堵高墙，困住的不仅是 LLM 演进的路，还困住了人类实现等效智能的野心。并且，更扎心的是，炸墙的任务只能人类自己来，因为 "LLMs can't jump"，目前只有人类拥有直觉。
而之所以沼泽密布，最根本原因是，LLM 整个结构并未被严格数学化证明，有太多现有数学工具覆盖不到的地方。
这个判断，你从 DeepSeek、Kimi 的技术报告里，都能读到，他们写道：尽管对其底层机制的全面理论理解，目前仍是一个开放问题。
1948 年，香农发表《通信的数学理论》，他直觉意识到，信息是消除不确定性，是概率的负对数。于是，" 信息 " 第一次有了数学定义，他用一页纸的公式定义了信息是什么、能压缩多少、信道容量在哪里。在此之前，工程师们已经造出了电话、电报、收音机，但没人真正知道自己在做什么。
香农之后，通信从手艺变成了科学。今天的 LLM，正处在香农之前的那个世界。
我们有一堆 work 的东西：Transformer、MLA、GRPO、MoE 路由、KDA。每一篇技术报告都写满了公式，看起来很像科学，但拆开来看：
注意力机制为什么必须是这样的，试过别的核函数吗？试过，但不知道哪个在数学上更优，只能跑 benchmark 碰运气。
Scaling Law 为什么是双幂律？拟合得很漂亮，但这个数字有什么物理意义？万亿参数之外还成立吗？不知道，先训了再说。
GRPO 为什么能收敛？DeepSeek 说 " 我们试了，没崩 "，然后行业跟着用。但严格证明呢？开放问题。Jin et al. 2025 年发现它实际上估计的是旧策略的梯度，加一个无法消除的偏差项。我们用一个理论上不知道对不对的算法，在训练价值数十亿美元的前沿模型。
然后价值十万亿美元的 AI- 硬件市场，其实是建立在仍靠经验在黑箱里不断摸索试错的基础上的。
这一滑稽的结果就是，人类最强模型 Anthropic 的旗舰 Fable 5，准确率高，幻觉率也高。因为它的 RLHF 奖励函数里，猜测的期望收益永远大于拒绝。这不是工程失误，是数学基础的缺失，因为没有一个严格的框架，能让模型在答对和说不知道之间做出最优决策。
是的，可能有工程师们会说：这有什么关系？飞机发明的时候，空气动力学也没建立，莱特兄弟不也飞起来了？算法迭代，大力出奇迹。就像湍流问题没有数学形式化，但靠经验公式堆出来的空气动力学、风洞实验、数值计算，人类依然能造出各种各样的飞机。
有必要非要把 LLM 严格数学形式化吗？靠堆经验、堆参数、堆数据，人类不照样造出相当不错的 LLM 吗？
但技术报告里的那些开放问题，其实是一朵朵可能动摇整个十万亿美元市场的雷暴乌云。
倘若 LLM 最终撞上了 Scaling Law 的墙，倘若压缩 - 预测 token 最终被证明是难以验证的拟合游戏，那么，所有建立在 "AGI 终将到来 " 信仰上的估值，会同时崩塌，市场将陷入股债双杀。这一剧本其实正是这两个月来市场多空绞肉机轰然转动的核心原因。
借助 K3 的推理帮助，我们在两个月多前得出了个结论，并构造了模型，对市场走势有了直接的判断，并且有朋友运用到了持仓里。好消息是解释力很强，坏消息是靠自回归公式构造的 LLM 可能实现不了等价 AGI。
市场并未意识到这点，但市场用价格反应了对这个结果的担忧，而各家的 ARR 用钱映射了这个结果的隐忧。
也正因如此，我们才会下新结论：LLM 竞赛的后半程，数学 / 应用数学将更重要。
湍流问题是没有严格解，但飞机设计师知道风洞实验的边界，马赫数多少会抖振，攻角多少会失速，这些是靠无量纲数（雷诺数、马赫数）严格标定的。但 LLM 的 " 风洞 " 在哪里？没有。我们不知道多少参数会触发幻觉雪崩，不知道多长的上下文会导致语义漂移，不知道 RLHF 的奖励函数在哪个临界点会从对齐变成欺骗。
我们连无量纲数都还没有。
没有数学形式化，你就不知道 LLM 的路径、边界、可验证在哪里。
映射到市场，大厂不知道它们心心念念的超大参数模型会在哪个点崩溃，烧到自由现金流转负的巨额投入可能只是买到一堆会折旧的芯片，市场以 ARR 给模型定价却不知道下一代模型的定价，万亿级资本开支背负着太平洋两岸赌国运的叙事，最终的杠杆支点其实是一群拿着有限的数学工具的年轻人。
然后，在迷雾之中，就出现各种简化的奇特暴论：LLM 是制造业，AI 尽头是电力。
抱着这种想法的诸多大厂，有钱、有人、有卡，在前沿 LLM 竞赛上半程输了，并且看样子还要输掉下半程。因为他们既没有数学，也没有直觉，更没有信仰。
这条路究竟有出口，还是前方有墙，固然可以用试错法无限逼近，但仅有试错法，那么最终我们不过是在优化一个永远无法自检的概率生成器，豢养了一只会复述的鹦鹉。
香农的伟大，在于他用数学形式化了直觉，定义了可能性空间的边界，有了信息论，电信、互联网、半导体乃至今天的 LLM 才得以创生。
LLM 还没有到 " 香农时刻 "。我们有太多不知道的，比如万亿参数下的数值误差传播，有没有闭合形式解？十亿参数、百 T 数据，为什么训出来的模型不在测试集上崩塌？给定 X 参数、Y 数据、Z 架构，最大可实现的推理能力是多少？
以及所谓 VLA、世界模型、物理 AI ，本质上就是个像素生成器，连 LLM 级的明确的损失函数、可量化的 benchmark、可规模化的训练管线都没有，没有物理因果的归纳偏置，不懂能量守恒，不懂牛顿定律，只是在拟合人类拍摄的像素分布。
截至目前，人类的 AI 军备竞赛其实不过是蒙眼狂奔，拿着形式上没有严格化、输出结果难以验证的 LLM，去写文章，去写代码，生成医疗、法律、交易建议，等等。结果不准确，那么付费逻辑就必然受限，谁会为 " 胡编乱造 " 支付长期溢价呢，在可信性被数学严格证明之前，MaaS 的高毛利叙事都值得被怀疑。
比如本文，它是我和 Kimi 一段段共创的，看上去像那么回事，其实不过是经过我调教后的模型的概率编织物。
所以悖论就是：如果本文论述为真，那么 LLM 确实要继续补数学课；如果本文纯粹胡说八道，那么 LLM 确实还要补数学课。
所以，既然那么多钱都花出去了，与其卷补贴卖 token 的办公市场收几两碎银，真不如顺手多招几个数学、物理怪才，让他们推 LLM 公式去，让他们爆发直觉去，让他们去完成 AI 不可能做到的 jump，让他们去探索人类理性计算的边界，让他们去证明碳基生物依然是智慧之光。
有志于再次改写历史线的年轻人，如果有天赋，自信有直觉，那就去学数学，去学物理吧。
也许哪天，你们当中就有人能写出 LLM 的 " 香农定理 "，以简洁的公式，告诉我们等效智能的压缩极限、推理一致性的信息论下界，以及自回归误差积累能否被架构设计对冲的临界条件，甚至创造出全新的数学语言，构造出 " 理解 "、" 反思 "、" 跳跃思维 " 的数学表达。
那才是人类真正需要颤栗的时刻。
那是钱买不到的创世纪。
本文来自微信公众号：翔哥趋势研究，作者：翔哥
