今年，数学家陶哲轩公开了一段与 ChatGPT 讨论雅可比猜想新近发现反例的对话记录。GitHub 工程师 Sean Goedecke 把这段对话当案例分析后得出一个判断：大模型没有抹平专业差距，反而在放大它。他在博客里直言，同样是 ChatGPT，自己“砸再多token”也到不了陶哲轩聊到的深度。
这个判断值得程序员和依赖AI做复杂任务的知识工作者认真看一眼。它戳破了一个流行说法——“大家问的是同一个模型，谁用得好全看提示词技巧”。Goedecke 的观察是：决定产出上限的从来不是话术，而是用户能不能凭专业知识挑出错误、重构问题、持续把方向拉回来。
陶哲轩到底做对了什么
翻看那段对话，陶哲轩的操作其实很朴素：消息短，不逐句回应模型，只抓要点；模型给出的回复也明显比对普通用户更简洁——一旦模型判断出对方是行家，就会自动切换到“跟同行说话”模式，而不是“给外行科普”模式。
更关键的是纠错方式。陶哲轩不会直接说“你错了”，而是用“这看起来比我预想的复杂”这类委婉说法推回去。他还常常自己提出下一步该往哪走，很少直接采纳模型的建议。
- 结论.陶哲轩能做到这些，前提不是话术熟练，而是他真的懂这道数学题——能从模型几段话里揪出关键那一句，判断哪里“看着不对劲”。
Goedecke 说得很直白：普通人照抄陶哲轩的提问句式，学不到他的效果。语言技巧是表象，数学功底才是门槛。
门槛降了，但复杂任务里的差距变大了
这不意味着新手用不了大模型。十年前想写像样的CSS，要么靠身边的高手，要么在网上死磕搜索。今天随便一个人都能靠模型写出“凑合能用”的样式代码——这一层门槛确实被踩平了。
但雅可比猜想这种任务不一样。信息“在模型里”，不代表模型一定能给出正确答案，尤其是推理链条长的任务，幻觉和跑偏依旧存在。这时候能不能拉回正轨，考验的是人。
大模型没有抹平专业差距，而是把它放大了。
放到软件开发里也是同样的逻辑：对具体代码库和系统约束的熟悉，往往比记住一堆抽象的软件设计原则更能让AI给出靠谱方案。Goedecke 自己的经验是，如果对一个系统有“自己的理论”，就能说出“这里应该更简单”“我们是不是已经有现成方案了”这类具体质疑，模型会被推着往更好的方向走；换成一个不熟悉这套系统的人，同样的模型只能给出一个说得过去、但未必是最优解的答案。
- 风险.如果把这类判断当成已被验证的普遍规律，容易误导——目前更像是个人经验总结，不是实验结论；新手依旧能从AI里获得实打实的效率提升，只是复杂任务的上限，仍然卡在人的专业积累上。
对程序员和技术负责人来说，落点很具体：AI适合拿来扩展执行力度——让原本要写一天的代码几小时写完，但架构判断、错误识别、最终验收，这些环节目前还外包不出去。谁在这些环节上更懂行，谁就能把同一个模型用出完全不一样的效果。