“一切都已被解决”的前提：Matthew Berman如何用反编译解释AI循环

一、主讲人与议题背景

这期节目没有可核验的嘉宾背景。证据显示，它是Matthew Berman在 Matthew Berman / Forward Future 频道发布的单人评论，标题为“Everything has been solved”，上传日期标为20261010，时长1057秒。因此，这里的“背景”不是嘉宾履历，而是主持人与议题的关系：Berman从AI写代码能力的快速提升切入，讨论它如何改变游戏反编译、软件复刻、数学求解，以及更具风险意味的递归自我改进。

节目开头，他直接把问题落到一组可观察案例上：把一个游戏角色放进另一个游戏世界，让Call of Duty出现滑板式移动机制，把Spiderman放进Batman游戏，有人复刻Photoshop并开源，以及他自己为Mod Retro从零重建Super Mario World。整期分析的对象不是某位受访者，而是Berman提出的一条技术论证链：只要任务拥有可检查的目标，AI就可以在循环中不断逼近结果。

二、本期主要内容

节目从“反编译到底是什么”讲起。Berman解释，程序员写的是人可以阅读和编辑的源代码，编译器会把它转换成计算机能够高效执行的机器码；玩家在主机上安装或运行的游戏，本质上是机器码，而不是原始源代码。人当然可以试着读机器码，但往往需要长期猜测某段指令的作用，再反复验证猜测是否正确。这也是传统游戏反编译经常耗时很长的原因。

他的关键说明是：反编译并不等于把原作者写下的代码逐行找回来。编译过程会丢掉注释，名称可能消失，结构也可能被优化、重排或简化。他举了一个很小的例子：源代码里写“返回2加3”，编译后的机器行为可能只剩下“返回5”。因此，反向恢复时真正重要的是行为等价，也就是游戏看起来、玩起来、运行规则上与原版一致，而不是变量名、注释和写法完全相同。

在这个基础上，Berman把AI的作用定义为“可验证循环”的放大器：写一段候选代码，检查它是否让Mario跳起来；错了就再试，对了就继续。他把这套逻辑延伸到Snowboard Kids反编译、自己用GPT 6.1 Sol为Mod Retro重建Super Mario World、游戏混搭、Photoshop和Excel复刻、数学证明、科学发现，以及最后的递归自我改进。整期内容因此不是工具教程，而是围绕一个判断展开：当目标能够被验证，AI是否会持续压低抵达目标的成本。

三、核心观点：推理、例子与边界

Berman最有说服力的部分，不在于把AI写代码描绘成一次性灵感，而在于把它放进反复试错的工程循环里。反编译天然适合这个框架：已知游戏应该表现出什么行为，却不知道产生这些行为的源代码；于是AI可以提出候选实现，再把结果和原始游戏行为比较。这个解释也降低了“AI是否真正理解原始代码”的要求，因为目标不是还原作者的每一行，而是让输出行为一致。Snowboard Kids的84天说法、Super Smash Brothers Melee多年社区工程的对比，以及他自己Super Mario World项目多日运行的例子，都服务于同一个推理：当任务能拆成小块，而且结果可检查，AI就可以并行推进大量局部问题。

这个推理的边界同样重要。Berman说最近有许多游戏在几周内被反编译，并把速度变化归因于AI；这些是节目中的主持人陈述，证据JSON没有提供外部验证。Chris Lewis、Snowboard Kids、GPT 6.1 Sol、OpenAI Dev Day和Mod Retro的具体细节，也只能按节目内陈述处理。更关键的是，他自己承认Super Mario World项目“不一定是严格意义上的反编译”，更接近从零复刻：AI看目标画面，查在线文档，写代码，再检查结果。这说明“反编译”“复刻”“重建行为”在节目中被放进同一条论证链，但它们不是同一个技术动作。

游戏混搭部分进一步展示了复杂度层级。换皮只是把Batman看起来换成Spiderman，行为仍沿用原游戏；pass-through mod则让两个游戏同时运行，例如Minecraft引擎继续处理方块，连接层负责对齐摄像机、合成画面，并把TNT爆炸等事件传入GTA；机制移植要求把加速度、跳跃、落地、碰撞等规则迁入新引擎；重建游戏规则则要写替代软件，控制力更强，成本也最高。这个分类很关键，因为它避免把所有“AI游戏混搭”都看成同一难度。Berman真正押注的是后两类：AI观察行为并生成规则，或者重建软件本身。

从游戏推广到通用软件，是节目中最强、也最需要谨慎处理的跳跃。Berman提出，如果AI能观察游戏并复刻行为，为什么不能观察Photoshop、Excel或Premiere？他举了Photocraft作为Photoshop复刻并开源的例子，也提到自己让AI点击Excel、观察公式和单元格行为，然后重建输出。这里的推理不是“AI读取了源码”，而是“AI复刻了可观察行为”。因此，“software is solved”更准确地说是一种商业护城河判断：如果公司的防线只有软件代码本身，复制成本下降会带来压力；但企业功能、培训、客户支持、持续维护、更新和信任关系仍可能构成价值。

数学与科学的外推更宏大，也更不确定。Berman认为数学同样具有目标明确但路径未知的结构，AI可以尝试大量路径直到找到证明；他提到OpenAI发布许多数学证明和研究，又引用Will Depu让GPT-6 Pro和Fable 5.1给近三年数学发现分类。基于这些例子，他说“人类独自解数学的时代已经过去”，并进一步追问科学、材料发现、癌症治疗为什么不能用同一方式推进。这里必须保留限制：这些是Berman的评论性判断和节目内引用，不是证据JSON独立确认的学术事实；“可验证结果的问题基本可被AI解决”也应理解为他的框架，而不是普遍定律。

最后，递归自我改进把这条论证推到风险层面。Berman说，最强的循环是让AI优化自身效率、速度或方法，再把改进反馈给自己，进入下一轮能力提升。他由此连接到前沿实验室关于放慢或控制AI进展的讨论，并提醒模型对齐仍然重要。他还引用Google Alpha Evolve节省巨额成本作为收益例子，但这同样是节目中的 speaker-cited claim。节目没有把问题处理成单纯的乐观叙事：如果AI能复刻软件、解数学并优化自身，人类就需要同时面对效率收益、对齐不确定性和社会节奏控制。

四、学习与应用

把这期节目转化为可用的方法，第一步是区分“生成结果”和“验证结果”。AI循环最适合的任务，不是所有复杂任务，而是那些能够判断候选输出是否更接近目标的任务。软件团队可以把需求改写成可测试的验收条件：界面行为、API响应、性能阈值、回归测试、截图对比、数据一致性检查。条件越明确，AI越能承担生成、运行、比较、修正的循环；条件越模糊，循环越容易在看似勤奋的输出里空转。

第二步是给任务分层。游戏换皮、pass-through mod、机制移植和规则重建代表了不同难度，软件开发中也一样：改文案和样式、复用已有模块、移植一套业务规则、重建一个完整系统，不能按同一种成本估算。Berman的案例提醒我们，AI最有价值的地方往往不是替人完成一个巨大黑箱任务，而是把大任务拆成可验证的小块并行推进。但并行不自动等于正确，仍然需要测试集、人工抽检、边界样例和失败记录。

第三步是重新评估软件护城河。如果一个产品的价值主要来自界面和可观察行为，那么AI复刻会压低模仿成本；如果价值来自专有数据、品牌信任、合规能力、客户集成、服务流程、分发渠道、持续维护和组织知识，代码被复刻并不等于业务被复刻。Berman的“software is solved”适合作为风险提示，而不是裁决书：它要求公司回答，用户为什么继续选择你，而不仅仅是因为你有一套功能。

第四步是谨慎外推到数学和科学。可验证目标确实是强信号：证明是否成立、程序是否通过测试、材料性质是否达标，都比“是否好看”“是否动人”更适合循环搜索。但真实世界的验证可能昂贵、缓慢、有噪声，甚至涉及伦理和安全约束。把AI指向癌症治疗、材料发现或递归自我改进，不能只说“让它一直试”；还要定义实验边界、失败成本、数据质量、监管条件和停止规则。

最后，这期节目对个人创作者和产品人也有一个反向提醒：当复制和变体生产变得便宜，稀缺性会转向判断。你可以生成很多游戏、图片、软件原型或内容版本，但哪些值得发布，哪些会被人记住，哪些具有文化信号，不能完全靠可验证循环解决。Berman把这称为人类品味和创造力的重要性：在噪声更多的环境里，能识别信号、设定方向、理解受众、承担取舍，反而更接近核心能力。

来源

• 原始节目：Everything has been solved