AI数学竞赛得了银牌，但不会做小学三年级应用题——'数学常识'的鸿沟

一个让人哭笑不得的测试

2026年，我们做了一个简单但揭示性的测试：给AI一道IMO银牌级别的数论题和一道小学三年级应用题，看AI的表现。

IMO题：求所有正整数n，使得n^2 + 1整除n! + 1。

AI答对了，用了巧妙的数论推理。

小学题：小明有15颗糖，他想分给3个朋友，每个朋友分到的糖要比小明自己留下来的多2颗。小明应该分给每个朋友几颗糖？

AI答错了。它给出的答案是"每个朋友分5颗"，但正确答案是"每个朋友分4颗，小明留3颗"。

为什么AI能做IMO题，却做不对小学题？因为IMO题是"纯数学推理"——AI的强项。小学题需要"数学常识"——把中文描述转化为数学关系，理解"分给朋友"和"留给自己"之间的逻辑。AI缺乏这种"数学常识"。

鸿沟一：从文字到数学的"翻译"。 小学应用题的核心能力是把"中文"翻译成"数学"。AI的文字理解能力很强，但数学翻译能力很弱——它经常搞错"谁比谁多"、“先买了再退了”、“涨价后打折"等涉及顺序和关系的描述。

鸿沟二：对"现实约束"的理解。 数学题往往有现实约束——“糖不能分半颗”、“人数必须是整数”、“速度不能超过光速”。AI在做纯数学推理时不需要考虑这些约束，但应用题需要。AI经常给出"数学上正确但现实中不可能"的答案——比如"分给每个朋友4.5颗糖”。

鸿沟三：对"多余信息"的过滤。 应用题往往包含"多余信息"——“小明买了3个苹果和5个橘子，苹果2元一个，橘子3元一个，他还剩下10元钱，问小明原来有多少钱？“AI经常被"多余信息"干扰，把"买苹果"和"买橘子"当成两个独立事件，而不是一个整体。

鸿沟四：对"隐含条件"的识别。 应用题经常有"隐含条件”——“连续自然数"意味着"两两相差1”、“相向而行"意味着"速度相加”。AI经常忽略这些隐含条件，导致推理出错。

原因一：训练数据的偏差。 AI的训练数据中，IMO级别的数学题和解答很多（因为互联网上有大量讨论）。但小学应用题的"错误解答"和"正确解答"的对比数据很少。AI学到的更多是"高级数学的模式”，而不是"基础数学常识的模式"。

原因二：AI的"推理"是"文本推理"，不是"数学推理"。 AI在做数学题时，本质上是"文本生成"——它生成看起来像数学推理的文本。这种"文本推理"在纯数学领域（有严格的符号和规则）效果不错，但在应用题领域（需要语义理解和常识判断）容易出错。

原因三：AI缺乏"世界模型"。 人类在做应用题时，会在脑海中构建一个"场景"——小明拿着糖，分给朋友，留下一些。AI没有这个"场景"，它只是在处理文字。没有"世界模型"，就无法正确理解"分糖"这个动作的含义。

方向一：增加"应用题"专项训练数据。 最简单的方法：给AI更多"应用题"的训练数据，特别是"错误解答和纠正"的对比数据。

方向二：引入"代码执行"验证。 让AI在生成数学答案后，通过代码执行来验证——如果"分给每个朋友5颗糖，3个朋友就是15颗，小明自己留0颗"，代码会检测到"小明自己留的糖不满足条件"。

方向三：引入"世界模型"增强。 让AI在解题前，先用自然语言描述"场景"——“小明有15颗糖，要分给3个朋友，每个朋友分x颗，小明自己留y颗，满足x > y + 2，且3x + y = 15。“先把"应用题"转化为"纯数学题”，再做推理。

AI在IMO拿银牌，但做不对小学应用题——这不是AI的"耻辱”，而是暴露了AI数学能力的"结构性缺陷"。AI的数学能力是"模式匹配"的，不是"理解"的。在"纯数学"（模式清晰）领域，AI表现优异。在"应用题"（需要常识理解）领域，AI表现糟糕。

金句：AI数学的"常识鸿沟"，不是"数据不够"的问题，而是"AI没有真正理解数学"的问题。AI可以"算"出答案，但不会"理解"题目。