热点新闻
2025年10月初，硅谷传来爆炸性消息：初创公司Axiom Math完成6400万美元（约合人民币4.56亿）首轮融资，投后估值破3亿美元。这家没有产品、没有客户的公司，创始人是一位来自中国潮汕的00后女性——年仅24岁的洪乐潼。
洪乐潼早年便显露出超凡数学天赋，高中就读于广东名校华南师大附中，成为广东省奥数队四名女生之一，在"华罗庚金杯"、全国高中数学联赛等多项顶级竞赛中屡创佳绩。2019年进入麻省理工学院攻读数学与物理双学位，仅用三年完成所有课程，额外修读20门硕博级别高阶课程。本科阶段已在数论、组合数学等专业领域发表多篇高质量论文。
她荣获北美数学本科生最高荣誉"摩根奖"、全美顶尖本科女数学家"Schafer数学卓越奖"、牛津大学罗德奖学金（当年全球仅四名中国学生获此殊荣）。凭借罗德奖学金，洪乐潼赴牛津大学攻读神经科学硕士，后进入斯坦福大学同步攻读数学博士与法学博士。
2024年，洪乐潼决定退学创业，源于在斯坦福附近咖啡厅与Meta工程师Shubho Sengupta深度交流"运用AI攻克数学难题"。此时ChatGPT o3被曝光在数学测试中存在"作弊"嫌疑，洪乐潼犀利评价："OpenAI大模型在数学测试中表现优秀，大概率是因为训练数据中提前泄题了。在一些测试中，大模型回答的准确率虽然高达96%，但一旦展示推理过程，得分率就降至5%。"
这正是洪乐潼立志攻克的核心难题，她认为现有训练方法有局限性，要打造"AI数学家"：不仅能将现有数学知识全部吸收，还能自主推理甚至提出数学猜想。数学作为基础研究创新密钥，任正非曾感慨："光靠砸钱没用，还要'砸'数学家、物理学家。"洪乐潼构建的AI数学模型，目标为科学研究、芯片设计、金融建模等领域实现底层突破。
该想法吸引多位数学与AI领域顶尖人才加盟：曾领导Meta FAIR团队的Shubho Sengupta、最早将Transformer应用于解决复杂数学问题的法国数学家François Charton、最早将深度学习应用于代码生成的AI开发者Hugh Leather。如此豪华阵容是硅谷投资人慷慨押注的核心原因。
本文内容引用自微信公众号"华商韬略"（ID：hstl8888）文章《全体起立，00后大老板来了》，原文链接：https://36kr.com/p/3603327983928581
焦点分析
洪乐潼的创业案例展现了焦点解决短期治疗（SFBT）中"例外询问"技术的典型应用。SFBT强调从问题例外中寻找解决方案，而非过度分析问题成因。洪乐潼没有陷入对AI数学推理缺陷的批判，而是敏锐发现"96%准确率与5%推理得分率"之间的巨大落差这一关键例外，从中识别出AI数学能力的潜在突破点。
SFBT的例外询问技术特点在于：聚焦成功经验而非失败教训，寻找问题不存在或影响较小的时刻。洪乐潼观察到即使当前AI数学推理存在局限，但在答案准确率方面已接近完美，这一例外表明AI具备数学问题解决的底层能力，只需在推理过程验证机制上进行针对性改进。这种思维模式将"AI数学推理能力不足"的问题重构为"如何将答案准确率优势延伸至推理过程"的解决方案探索。
应用范畴上，例外询问技术适用于各种看似困顿的情境：当个体或组织面临看似无法突破的瓶颈时，引导其回顾问题暂时缓解或例外好转的时刻，从中提取有效策略。洪乐潼团队正是通过分析AI在数学问题解答中偶尔展现出的完整推理链条，逆向工程出提升推理一致性的算法路径。
这一焦点解决思路可迁移至五个类似场景：第一，教育领域中学生某科目成绩突然提升的例外时刻分析；第二，企业管理中团队效率偶然提高的关键因素识别；第三，心理干预中情绪缓解瞬间的环境与行为模式复盘；第四，产品设计中用户意外好评的功能点深度挖掘；第五，个人成长中突破性进步的具体条件复现。
洪乐潼的解决方案核心在于建立"答案-推理"一致性验证机制，通过强化学习让AI在得出正确答案时同步生成可信推理过程。这种方法不仅解决数学AI的推理透明性问题，更为可解释AI提供通用框架。团队采用协同训练策略，让多个AI模型相互验证推理逻辑，逐步提升推理可靠性。
从SFBT视角看，洪乐潼团队避免陷入"为什么AI推理能力弱"的问题漩涡，直接构建"如何让AI推理像人类数学家一样自然"的目标愿景。他们通过小步实验快速迭代：首先在有限数学问题上实现推理验证，然后逐步扩展至更复杂定理证明，最后迈向自主提出猜想的终极目标。
这种解决路径体现SFBT的实用性哲学——不追求完美解决方案，而是寻找下一个可执行的改进步骤。洪乐潼没有等待完全成熟的数学AI理论出现，而是从当前技术条件出发，构建渐进式提升的实践路线。这种聚焦可能性而非局限性的思维模式，正是硅谷资本青睐的本质原因。
未来，这种基于例外询问的解决思路可进一步应用于：跨学科知识推理整合、科学发现自动化、教育个性化适配等领域。洪乐潼的AI数学家项目不仅技术创新，更展示了一种突破学科壁垒的解决导向思维——当传统方法陷入困境时，从异常成功案例中寻找突破口，将例外转化为新的规则。