人类与机器数学中的抽象阈值
认知约束、抽象缺口与人机数学协同

数学的发展伴随着持续的高阶抽象。具体对象被表示为变量，变量之间的关系被表示为函数，函数又被置于空间之中，空间、变换和结构本身进一步成为新的数学对象。这一过程通常被理解为数学不断发现更深层结构的结果。本文提出另一个互补的视角：数学抽象的历史演进不仅受到数学对象本身结构的塑造，也受到人类认知能力边界的塑造。

个体人类具有有限的记忆、检索、并行处理和连续推理能力。当某一表示层级中的低阶复杂性超过个体能够有效处理的范围时，将大量低阶对象、关系和推理过程封装为新的高阶对象，便成为继续推理的一种重要方式。本文将一个认知系统仍能有效维持当前表示层级的最大复杂性区域概括为其抽象阈值（abstraction threshold）。不同认知系统由于记忆、计算、检索、并行处理和时间约束不同，可能具有不同的抽象阈值。

这一概念对理解人工智能介入数学具有直接含义。如果人工智能具有远高于个体人类的低阶信息处理能力，那么机器可能在一个人类早已必须进行高阶抽象的复杂度区域中继续执行大规模低阶搜索与推理。因此，更强的求解能力并不必然意味着机器在每个阶段都采用更高阶的表示。人类和机器可能针对同一个问题形成不同的最优表示路径，由此出现一种新的现象：机器能够获得或验证一个解，而人类理解该解的成本却极高。

本文进一步提出，当机器生成的数学结果超出人类可理解范围时，不应笼统地将其视为“人工智能缺乏可解释性”。至少需要区分三种情形：第一，已有适当的高阶数学表示，但机器未使用它，即机器抽象失败；第二，机器的低阶解中存在稳定、可复用的结构，而现有人类数学尚不存在适当的高阶表示，即抽象缺口（abstraction gap）；第三，该推理路径本身可能缺乏足够有效的人类尺度压缩，即存在某种压缩极限。三种情形对应不同的人机协同机制：改变机器求解的抽象阶次、从机器低阶解中发现新的数学概念，或者在有限人类理解条件下依赖形式验证。

本文因此提出一个更一般的问题：人工智能的意义可能不仅在于更快地解决数学问题，而在于它第一次提供了一个具有显著不同认知资源约束的数学推理主体。通过比较人类与机器采取的不同表示路径，我们或许能够逐步区分：数学中的高阶抽象有多少来自数学结构本身，又有多少来自人类认知架构的限制。