法证先锋3

容联云全栈产品Agent化破解“Token黑洞” 为智能体效果付费_我的网站

一 |     悬而未决 87 年的经典数学难题——雅可比猜想（Jacobian Conjecture），可能被一个只有三行公式的反例推翻了。

二 |     IT时报记者 郝俊慧          夏日炎炎，比天气更热的是AI。         7 月 20 日，数学家、Anthropic 研究人员 Levent Alpöge 在社交平台 X 公布了一个三元多项式映射。         7月20日，2026世界人工智能大会（WAIC 2026）的展馆里，有两个词到处可见：智能体和Token。它满足了雅可比猜想要求的前提条件，却违背了猜想的结论，因此构成了一个可能推翻整个猜想的反例。

三 | 不少展台演示着类似的场景：某个智能体如何替人完成一段工作，比如读财报、写代码、打开网页……          然而，《IT时报》记者的一个困惑始终无法被解答：如何衡量这些智能体的价值？Token烧完之后，企业到底得到了什么？          “用Token收费，是大模型公司一种很‘狡猾’的做法，它不为自己的错误买单，你的钱还被花了。”2026世界人工智能大会期间，在容联云举办“协同进化·价值共生——企业级Agent的进化与商业化落地”的主题论坛上，亿欧董事长王彬坦言。         更引人关注的是，Alpöge 在帖子中将这一反例归功于 Anthropic 最新发布的 AI 模型 Claude Fable 5。         容联云产研中心副总经理唐兴才引用的一组数据与之相印证：全球88%的企业已经部署了Agent，但其中不到10%的Agent真正为企业创造了可量化的业务价值。

四 | 他还表示，是朋友 Akhil 首先向模型提出这一问题，而 Fable 5 则在他们观看世界杯决赛期间持续搜索，最终找到了这一反例构造。

五 |          论坛上，从Token定价模式到效果付费，从技术指标到业务闭环，围绕“价值”重新校准的AI评价体系成为嘉宾热议的话题。         （来源：X）          消息发布后，数学界迅速展开核验。

六 | 斯坦福大学数学系助理教授 Jared Duker Lichtman 转发称这一结果“相当惊人”；MathOverflow 很快收录了相关讨论，不少研究者还利用 Wolfram Alpha、SymPy 等工具进行了独立计算。目前，最关键的两项验证：雅可比行列式是否恒为 −2，以及三个不同点是否确实映射到同一点，均已通过公开计算验证。

七 |          如果后续没有发现新的漏洞，这将意味着：1939 年提出的雅可比猜想在三维情形下不成立，并可进一步推出其在所有三维及以上维数下均不成立；而二维情形仍然保持开放。         被称为“民科坟场”的雅可比猜想          雅可比猜想由德国数学家奥特－海因里希·凯勒（Ott-Heinrich Keller）于 1939 年提出，讨论的是一个看似简单、却困扰数学界近九十年的问题：什么时候，一个多项式映射一定能够"倒推"回原来的函数？          图｜海因里希·凯勒（左）（来源：Wikipedia）          理解这个猜想，可以先想象一张橡胶膜。如果局部看，每一小块都没有被撕裂或压扁，人们很自然会问：整张膜会不会在别的地方折叠起来，让两个不同的位置重合？          数学里的情况与此类似。对于多变量多项式映射，如果它在每一个局部都满足一种“没有折叠”的条件，也就是雅可比行列式始终等于同一个非零常数。         当日，容联云宣布全栈产品Agent化，涵盖Voice Agent、质检Agent、辅助Agent、协呼Agent、CRM辅助Agent、智能客服Agent、私域运营Agent等完整产品矩阵，实现对企业营销、销售、服务、质检、运营全场景的纵深覆盖。

八 |          Token黑洞 价值缺席          现阶段的企业级Agent往往有一个核心矛盾：Token在加速消耗，价值却持续缺席。         唐兴才描述了一个典型场景：企业引入AI编程工具后，如果不加以节制和规划使用，单个程序员的Token消耗成本可能是自身人力成本的10倍。

九 | 许多企业初期以Token消耗量作为智能化程度的度量指标，直到财务报表出来，才发现成本膨胀与价值产出之间完全脱钩。         在现有按Token消耗计费的模式下，AI服务方不承担产出质量风险，所有试错成本全部由企业端承担。那么它是否一定在整体上也是一一对应的？它的逆映射又是否仍然是一个多项式？          这就是雅可比猜想。它的陈述只有短短几句话，却异常难以证明。不少数学研究者戏称它为“crank graveyard”——“民科坟场”。

十 |          在商业模式中，这是一个典型的错位：供给方按消耗收费，消耗越多赚得越多，却与使用方的价值无关，优化Token成本的动力显然不足。         唐兴才也举例，一个语音Agent的意图识别准确率达到95%，但如果它无法推动订单转化、无法缩短工单了结时长、无法提升复购率，95%这个数字对企业经营者而言没有实际意义。         “关注业务闭环应关注的是业务指标，订单转化率、工单了结时长、运营覆盖人数与GMV贡献。许多人被它吸引，最终却陷入漫长而徒劳的推导之中。”唐兴才指出。         著名华人数学家张益唐，就曾把整个博士阶段投入到这个问题。1991 年，他在普渡大学完成博士论文《雅可比猜想与域扩张的次数》，导师莫宗坚是国际上研究雅可比猜想最重要的学者之一。         但目前来看，技术指标和业务指标之间是断层的，需要工程化能力和行业Know-how来建立桥梁。

十一 |          王彬将这一现象归结为评价体系的缺位。他提出VPT（Value Per Token）模型，主张以单位Token创造的商业产出来衡量AI的实际生产力，推动智能体从“Token消费者”向“价值生产者”跃迁。张益唐的工作推进了这一研究方向，却并没有解决猜想本身。这一框架的核心逻辑是：Token的定价权不应掌握在算力提供方手中，而应由其对业务结果的实际贡献来决定。后来，他离开代数几何，转向解析数论，并最终因证明有界素数间隔而闻名世界；雅可比猜想，则依然留在开放问题名单中。

十二 |          效果付费 共担风险          当评价体系从技术指标转向业务指标，收费模式的重构就成为必然。         1998 年，菲尔兹奖得主 Stephen Smale 将其列入著名的《下一个世纪的数学问题》（Mathematical Problems for the Next Century）第 16 题，认为它的解决将对数学发展产生重要影响。         容联云解决方案中心总经理闫玉华在论坛圆桌环节透露，容联云今年正在探索一种新的业务模式——效果付费或成果付费，尤其涉及AI新技术和新场景，通过共担风险的方式化解客户的投入顾虑。         效果付费的前提，是Agent能够在特定场景中实现业务闭环，产出可被量化的业务结果。         过去近 90 年里，一维情形早已证明成立，二维至今仍未解决，而三维及更高维也始终没有答案。由于这一猜想要求所有维数都成立，因此，只要在任意一个维数找到反例，整个猜想就会被推翻。         三个点，击穿一个猜想          而此次，Alpöge 公布的是一个从三维复空间到三维复空间的多项式映射：          直接计算可知，这个映射的雅可比行列式恒等于 −2。由于 −2 是一个非零常数，因此它完全满足雅可比猜想的前提条件。

十三 |          今年6月，容联云发布了Voice Agent。数据显示，在银行信贷催收与营销场景中，日均通话超过2万通，完成率94%。

十四 |          然而，当把三个不同的点          分别代入这一映射时，得到的结果却都是同一个点：          这足以构成反例。以可比口径计算，人工坐席月成本为5000至8000元，日均处理话务150至300通；Voice Agent月成本2000至3000元，日均处理话务量1万通以上，而且24小时运转，服务标准统一。         当Agent的产出可以精确到通话量、完成率、回款金额这些业务指标时，效果付费就具备了可操作性的商业模式。原因很简单：如果多个不同的输入对应同一个输出，那么映射就不是单射。         私域运营Agent则提供了另一个维度。换句话说，当已知输出时，无法唯一确定原来的输入，因此它不可能拥有逆映射，更不可能拥有由多项式组成的逆映射。一个人力运营人员管理几千到几万用户已是上限，而Agent可管理几十万乃至上百万用户，容联云的私域运营Agent已独立管理超8万私域客户，经营规模增长87%。这与雅可比猜想的结论正面冲突。         这个反例还具有极强的可核查性。许多重大数学成果往往需要专家花费数月甚至数年时间，逐页检查上百页证明；而这个结果的核心，仅涉及两项有限的代数计算：一是验证雅可比行列式恒等于非零常数，二是验证三个不同的点确实映射到了同一个点。         在效果付费框架下，这一数字可以直接映射为GMV增量，成为定价的依据。         多点数智副总裁张宇的定价逻辑也很清晰，他以海外一个大超市客户为例，生鲜年销售额三四十亿元，损耗率8%至9%，通过补货智能体，哪怕损耗率只降低1个百分点，一年就节省数千万元，AI系统的投入成本相比之下几乎可以忽略。         截至目前，这两项计算均已得到公开复核。         如果Agent替代的是一个具体的岗位、承担的是一个具体的KPI，它的定价就不再取决于消耗了多少Token，而是取决于创造了多少可衡量的业务增量。         企业级Agent的价值锚点          企业级Agent的价值锚点究竟在哪里？          根据容联云这几年的实践，唐兴才总结认为，数据连通、人机协同、业务闭环缺一不可。研究者 Zihan Zhang 给出了独立的 SymPy 验证脚本，并指出，只需将其中一个输出坐标乘以 −1/2，就可以把雅可比行列式规范化为猜想中更常采用的常数 1，而这不会改变反例的本质。

十五 |          如果这一反例最终成立，它不仅推翻三维情形，也意味着所有更高维情形都不再成立。         数据连通是价值锚点的地基。企业内部的Agent平台与CRM、ERP等业务系统长期割裂，Agent无法理解订单、合同、工单等业务对象的语义，也无法将作业过程中的知识与经验沉淀为可复用的资产。

十六 | 因为只需在三维反例后增加若干保持不变的坐标，就可以直接构造出任意更高维的反例。不过，二维雅可比猜想仍然是一个独立的开放问题          值得补充的是，Levent Alpöge 并不是从 AI 领域半路进入数学，而是一位长期从事数论与算术几何研究的职业数学家。容联云的解法是在Agent与底层系统之间架设数据语义层，将业务数据抽象和实体化。近年来，他才加入 Anthropic，从事人工智能研究。         业务闭环是价值锚点的度量刻度。

十七 |          他本科毕业于哈佛大学，主修数学，并获得物理学硕士学位；随后在剑桥大学完成数学高级研究课程。唐兴才认为，企业级Agent有四个阶段的进化路径：单点能力（Copilot）、闭环任务、人机协作、自主业务闭环。前三个阶段，Agent的价值仍然依附于人的判断和执行；只有到第四阶段，Agent自主完成从订餐到信审的完整业务链路，其对业务结果的贡献才具备独立可量化的条件。         容联云将全栈产品Agent化，本质上是寻找那些可以实现业务闭环的场景，将Agent的考核从技术指标体系切换到业务指标体系。         行业Know-how是价值锚点的壁垒，多点数智在零售领域积累了10年的数字化底盘（Dmall OS）和智能中枢（D-BRAIN），因此，其Agent集群能够在选品、定价、补货、巡检等核心环节，输出可量化的经营结果。2020 年，他在普林斯顿大学获得数学博士学位，导师是菲尔兹奖得主 Manjul Bhargava。         图｜Levent Alpöge（来源：Quanta Magazine）          大型语言模型兴起后，Alpöge 开始转向人工智能。         简而言之，企业级Agent的价值不在通用模型的参数规模，而在垂直行业知识与业务流程的深度融合。他曾在个人主页写道，GPT-4 让他认为人工智能是“人类创造过的最有意思的东西”，因此重新回到计算机科学领域，希望增加这场变化产生积极结果的可能性。         论坛上，嘉宾们形成的共识是，Agent 规模化核心突破口在于深度绑定企业客服、风控等核心业务，而技术幻觉、业务组织抵触是规模化两大核心壁垒。未来一年，多角色协同 Agent、全企业规模化部署将成为产业关键突破方向，合规与信任仍是长期普及的最大制约。         根据目前公开的信息，这次发现的大致过程是：Akhil 提出问题，Alpöge 将其交给 Claude Fable 5 进行探索，模型最终给出了具体的反例构造；随后，Alpöge 公开了这一构造，数学界再通过人工推导以及 Wolfram Alpha、SymPy 等工具进行了独立验证。         这一过程与 AI 替数学家写出一份传统意义上的数学证明有所不同。

十八 | 对于否定一个猜想而言，并不需要解释所有可能情况，只需要找到一个满足前提、却违反结论的反例即可。

十九 | 这样的任务天然适合计算探索：模型可以不断尝试构造候选映射、调整参数、检查雅可比条件，再寻找是否会出现不同点映射到同一点的情况。         如果这一反例最终得到确认，它带来的意义将十分重大。因为它展示了一种此前极少出现的研究模式：不是 AI 帮助数学家验证已经存在的思路，而是AI参与寻找一个人类 87 年来始终没有找到的数学对象。

|          从 AlphaGeometry 解决竞赛题，到 GPT、Gemini 参与证明具体命题，再到这一次可能找到推翻经典猜想的反例，大模型参与数学研究的角色正在发生变化。它开始探索的，不再只是“答案”，而是过去只有数学家才会进入的未知搜索空间。         参考链接：          1.https://x.com/leventalpoge          2.https://mathoverflow.net/questions/513387/galois-structure-of-the-new-counterexample-to-the-jacobian-conjecture-an-explic          3.https://www.leventalpoge.com/          4.https://dataspace.princeton.edu/          5.https://www.ams.org/prizes-awards/ams-morgan-prize          运营/排版：何晨龙          注：封面由 AI 辅助生成。

Current article:http://p6514u.zhanggengsenchaiweikeng.cfd/65wrb89/20260826/8908264.html

Published on:18:49:10