揭秘“好奇心”的数学公式：为什么人类（和 AI）会对某些事着迷？

想象一下，你正坐在书桌前，手里拿着三样东西： 1. **一份昨天的报纸**：你已经读过了，每一个字你都记得清清楚楚。 2. **一堆杂乱无章的雪花点**：那是电视机没信号时闪烁的随机噪音。 3. **一个你从未玩过的魔方**：虽然你还没解开它，但你隐约感觉到它有一套精妙的规律。 **在这三样东西里，哪一个会让你觉得“有趣”？** 几乎所有人都会选魔方。报纸太简单（已知的），雪花点太复杂（纯随机的），唯有魔方处于那个“即将被理解”的边缘。这种被某种东西吸引、想要去钻研它的冲动，我们称之为“好奇心”或“趣味性”。 长期以来，我们觉得“有趣”是一种主观的、感性的体验。但 2026 年 5 月，AI 界的“教父”级人物 **Jürgen Schmidhuber** 及其团队发表了一篇里程碑式的论文：**《Interestingness as an Inductive Heuristic for Future Compression Progress》**（趣味性作为未来压缩进度的归约式启发）。 他们用严谨的数学证明了一个惊人的结论：**“有趣”其实是一个可以被计算的物理量，它是预测“未来进步”的最佳指标。** ## 什么是“趣味性”的数学定义？ 费曼曾经说过：“理解的本质，就是简化。” 在计算机科学里，这叫 **“数据压缩”**。 这篇论文的核心逻辑是：**如果你能压缩一段数据，说明你理解了它的规律。** - **报纸**：已经压缩到极限了，没油水可捞，所以“无聊”。 - **雪花点**：完全没有规律，无法压缩，所以也是“无聊”。 - **有趣的事物**：是你感知到“只要我再花点时间研究，我就能大幅度简化它”的事物。 **趣味性 = 学习进度的第一导数。** 也就是说，你觉得一个东西有趣，本质上是因为你的大脑正在经历一次“压缩率暴增”的快感。 ## 论文的重大发现：趣味性可以“预测未来” 这篇论文最硬核的地方在于，它证明了这种快感不仅是当下的，它还是**前瞻性**的。 研究人员利用 **柯氏复杂性（Kolmogorov Complexity）** 证明了： 1. **“趁热打铁”效应**：数学证明显示，如果你刚刚在某个领域发现了一个新模式（压缩了一点数据），那么在同一个方向上，你极大概率能很快发现更多的模式。 2. **“停滞期”判罚**：如果你花了很多时间试图钻研一件事，却一直没能实现新的“压缩”，那么根据指数级衰减规律，这件事大概率真的不适合你（要么太难，要么纯属噪音）。你应该果断放弃，寻找下一个“有趣”的目标。 ## 为什么这事儿对 AGI 至关重要？ 费曼一生都在追求那种“发现的快乐”。 对于 AI 来说，这篇论文提供了一套 **“自主进化”的导航仪**。 以前，我们需要告诉 AI ：“去学数学”、“去写代码”。AI 只是被动的执行者。 现在，有了这套“趣味性公式”，AI 可以自己决定该干什么： - 它会嗅闻海量的数据流。 - 当它发现某个领域（比如量子力学）的规律正在被它快速简化时，它的“趣味性指标”会瞬间爆表。 - 于是，它会自发地投入更多的算力去攻克那个领域。 **这让 AI 从一个“被喂食的机器”，变成了一个“有追求的猎人”。** ## 总结一下： “有趣”不是大脑的某种情绪垃圾，而是大自然赐予我们的最精妙的**捷径**。 当你觉得一本书、一个难题、或者一个新模型极其“有趣”时，那其实是你的直觉在利用数学法则告诉你：**“嘿，看这儿！这里的真理正在排队等着你压缩，千万别走开！”** 正如费曼宁愿在不确定中探索，也不愿在错误的答案中获得确定。这篇论文告诉我们：**“有趣”就是那道指引我们穿过不确定性、通往最深刻理解的唯一光束。** **智慧的本质，就是寻找那些能被简化的复杂。** 这，就是 2026 年“好奇心数学”带给我们的终极智慧。