「為什麼給出 π 前一億位也無法讓 AI 預測後面數字」——證明的基本錯誤清單

對象：標題如上之影片（署名 Castelu，浙江大學數學科學學院，日期 2026 年 5 月 31 日）。 原則：就事論事，只評推導本身，不臆測作者動機。 被評對象（影片所述）：

• 題目：「將 π 前 1 億位餵給 AI，證明：AI 預測後面數字正確的機率為 0。」
• 證明骨架：把位序看成 f_π∈V₁（全位序空間，無限維）→ 給定前 N 位，Lagrange 插值造出唯一的次數 <N 多項式 p_N，使 p_N(k)=π_k（k=1…N）→ 證 Φ:V₂→ℝᴺ（取值映射）為線性同構 → 於是 p_N(N+1)=L(π₁,…,π_N)，L 為固定線性泛函 → 收尾：「π_{N+1} 與前 N 位沒有必然的數學聯繫，故無法預測，機率為 0。」

一、致命錯誤（動搖整個證明）

E1．未定義機率空間。 題目要證「機率為 0」，但全程未指定樣本空間、隨機變數、機率測度。對什麼取機率？π 是一個固定的數，π_{N+1} 是一個固定的值，本身毫無隨機性。要談「預測正確的機率」，必須先指定隨機來源——是隨機的 N？隨機的預測器？還是對「這是哪個常數」的先驗分布？三者給出三個不同的問題與不同的答案。沒有這個指定，「機率為 0」這句話在數學上未定義。這正是條件空間未完整敘述的後果：結論的型別還沒被定義，就被宣稱了值。

E2．「機率為 0」對單一位是錯的，且對會計算的 AI 完全相反。 在任何合理模型下（如位值均勻），單純猜下一位的命中率是 1/10，不是 0。要讓機率趨於 0，唯一的讀法是「連續猜對無窮長的尾巴」：(1/10)^k→0（k→∞）。但這個讀法立刻反噬——一個會計算的 AI（套 BBP／Chudnovsky／Ramanujan 級數）拿下整條尾巴的機率是 1，不是 0。所以「機率為 0」這個結論，對它真正該描述的對象（一個能取用 π 之生成程式的系統）而言，方向恰好相反。

E3．Lagrange 插值是非必然推論，且與結論自相矛盾。 V₁／V／V₂／Φ／L 這整套線性代數，推出的是 p_N(N+1)「完全由前 N 位決定」——這是決定論。但結論要的是「測不準／機率 0」，是反決定論。兩者直接打架，作者從未調和：若值「完全被決定」，何來「機率 0」？真正的重量全壓在最後一句沒有證明的話上，前面的同構與泛函對結論毫無貢獻，是裝飾性機器。把一個正確但無關的推導擺在結論前面，不會讓結論被證明。

二、嚴重錯誤（核心論點不成立）

E4．範疇錯誤：把 AI 模型成「窗口外推器」。 整個證明預設 AI 的行為是「拿 N 個點、擬一條曲線、外推下一點」。但這是稻草人。真實的計算系統不外推序列，它辨識生成元（這是 π）並計算。證明處理的是 extrapolation，結論宣稱的是 computation——兩者是不同範疇。值得指出：作者用的甚至不是統計學習器，而是確定性的 Lagrange 插值，一個固定、無參數的外推子。這比「統計外推」更純粹的稻草人——連學習都談不上。證明「這個固定外推子的輸出 ≠ π_{N+1}」是對的，但這跟「AI 能不能得到 π_{N+1}」無關。

E5．「沒有必然的數學聯繫」字面為假。 π_{N+1} 與 (π₁,…,π_N) 有最強的必然聯繫——它們同屬一個完全確定的常數 π，π_{N+1} 被 π 唯一決定。作者真正想說的是「沒有可從局部窗口學到的聯繫」，這是另一個命題，且程度弱得多。把「沒有聯繫」與「沒有我的多項式抓得到的聯繫」混為一談，是對「聯繫」一詞的歧義偷換（equivocation）。

E6．隱性依賴未證的正規性。 即使採最寬容的讀法——「π 的位序表現得像隨機」——這也需要 π 是正規數（normal number），而正規性至今未被證明，只是經驗上通過隨機性檢驗。作者把一個未證猜想當定理使用，且未加任何標註。

三、結構與敘述錯誤

E7．標題與內文的範疇不一致（claim 大於 argument）。 標題斷言「無法讓 AI 預測」，內文只處理「以插值外推預測」。內文從未觸及計算、辨識、工具調用、或任何非外推機制。論斷的射程遠超出論證的射程——這是一個邏輯上的範圍不匹配，無論成因為何。

E8．關鍵詞未定義、定義不完整。 「預測後面的數字」——是單一位？有限段？還是無窮尾巴？三者的正確答案不同（見 E2），而作者從未釘死。「AI」——從未被定義為某一類機制（外推子？計算器？學習器？），證明卻悄悄選了最弱的那一種（固定外推子），且未論證它能代表「AI」。前提空間沒有完整展開，後面用語言去補，補不回最初定義的缺口。

E9．「幾頁公式承載過多斷言」的密度失衡。 三張投影片中，形式化的篇幅幾乎全花在與結論無關的 E3 機器上，而真正承載結論的命題（E5 那句）只有一行、且未證。形式化的重量放錯了地方——堆在不需要證明的地方，空在最需要證明的地方。

四、為求公允：哪些是對的

戰場評審不靠誇大對手的錯誤取勝，以下是證明中正確或謹慎的部分：

• 線性代數本身正確。 Φ:V₂→ℝᴺ 確為線性同構（次數 <N 多項式 ↔ 在 N 個相異點的取值，Vandermonde 非奇異），p_N(N+1) 確可寫成前 N 個值的固定線性泛函。個別形式步驟有效——問題在它們與結論無關（E3），不在它們本身錯。
• 投影片 2 比標題謹慎。 題目寫的是「預測……機率」而非「計算」，範疇比標題收斂。可惜內文與標題又漂開（E7）。
• 一個被埋沒的正確洞見。 「給定前 N 位，存在唯一的多項式」——通過 N 點的擬合是精確且唯一的，卻對第 N+1 點毫無約束。這其實是對的、且重要：精確擬合 N 個點，不蘊含任何外推能力。作者摸到了正確的事實，卻從它推出了相反的結論。

五、錯誤的依存結構（一句話收束）

九個錯誤不是並列的，是有根的。根是 E4（把 AI 當外推器）：選錯了任務的範疇。由它長出 E7、E8（範疇與定義隨之失準）；E1、E2 是「機率」這個未定義型別被強行賦值的後果；E3 是在錯誤範疇內，正確的線性代數推出與結論相反的決定論；E5、E6 是為了把決定論扳回「測不準」而臨時注入、且未證或為假的斷言。

也就是說：這不是九個獨立的疏忽，是一個上游的範疇選擇錯誤，向下游擴散、並用正確的形式化把自己偽裝起來。下游每一步的精準（同構、泛函都沒算錯），恰恰讓最初站錯房間這件事更難被一眼看穿。

證明的形式可以無懈可擊，只要它一開始就在回答錯的問題。