IBM 数学家 Khot 重思计算难题：AI 代理如何突破理论瓶颈

在 2026 年 IBM Think 峰会的 keynote 演讲中，著名数学家 Subhash Khot 再次将目光投向了计算科学中最棘手的难题。与以往聚焦于大模型参数规模不同，Khot 此次的核心议题是：当 AI 从‘计算工具’进化为‘智能代理（Agent）’时，其理论边界究竟在哪里？

从工具到代理：计算范式的转变

Khot 指出，过去十年，AI 主要被视为强大的计算引擎，擅长处理海量数据与模式识别。然而，随着 Agent 架构的兴起，AI 开始具备自主规划、工具调用与环境交互的能力。这种转变使得 AI 不再仅仅是求解者，而是成为了问题的‘决策者’。

“我们正站在一个临界点上，”Khot 在演讲中强调，“传统的计算复杂性理论（如 P vs NP 问题）在静态计算模型中已给出明确答案，但在动态的、具有自主性的 Agent 环境中，这些理论是否依然适用？这是一个亟待重新审视的领域。”

重新定义‘最难’的问题

Khot 以其在 NP 完全性问题上的开创性研究著称。他提出，对于 AI 代理而言，‘最难’的问题并非单纯的数据复杂度，而是多智能体协作中的不确定性管理与长链条推理中的逻辑一致性。

在 Think 2026 的讨论中，Khot 认为，未来的突破不在于让模型‘更大’，而在于让 Agent 具备更深层的‘元认知’能力——即理解自身推理过程的不确定性，并在资源受限的情况下做出最优决策。这要求我们重新构建计算理论，以容纳非确定性的智能行为。

商业价值落地的新路径

对于企业而言，理解这些理论边界至关重要。Khot 呼吁开发者与架构师不要盲目追求算力堆叠，而应关注Agent 架构的鲁棒性与可解释性。只有当 AI 代理能够清晰界定自己的能力范围，并在面对未知问题时具备合理的 fallback 机制时，才能真正转化为可信赖的商业价值。

这一观点为当前 AI 应用的落地提供了新的理论视角：真正的智能，往往诞生于对‘不可能’问题的重新定义之中。

“AI 的终极目标不是计算得更快，而是思考得更深。” —— Subhash Khot

延伸阅读：IBM Think 2026 峰会完整记录