党哥下一步是做ansys和simulink，AI Agent开发，Agent使用，goal driven去设计仿真完整产品。 党哥的终极目标是agentically and recursively把制造业、工业、控制、电子、电气的所有设计验证仿真工作全部做完， 我相信，中国是一个制造业大国，如果能用agent完成一切的工业电气自动化半导体设计， 就可以帮中国的企业节约掉绝大多数工程师研发的费用，中国所有工科生（包括清华电子电机电气本硕博）就不用坐在办公室里加班做设计研发测试，直接集体进厂了。

美国和中国学术界，现在涌现出一大诈骗灌水方向，就是“消除AI幻觉”， 还是那句话，让AI去预测一个完全没有信息的论断，并且不允许出现幻觉，这个事情从根本上是违反信息论和因果推断的，是100%不可能的事情。 就好像让你只借助百度，去预测山东潍坊某个村的青皮大萝卜的亩产量，你不跑去萝卜地里， 亲自数一遍，你给出的任何结论都是错的，都是幻觉。 从这个角度来看，任何开放的问题，比如金融、产业、数据相关的内容，如果消除幻觉，那就不要AI给出任何答案，因为所有答案、估算、预计、拟合出来的结论和数据，都是幻觉。 AI唯一一个没有幻觉的方向，就是在一台计算机内部完全闭包环境下能运行模拟仿真的项目，比如写代码、用lean4推导数学定律、操作simulink进行电子信号仿真，这些是没有幻觉的。 一堆傻逼教授们现在开始在开放世界问题上追求“消除幻觉”，完完全全就是不读书的傻逼三本文盲行为，这种我见一个骂一个。

我来告诉你们，数学界接下来一个最大的问题。 我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。 这直接导致Tony Feng解决了7道Erdos问题，三道FirstProof问题，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问题。 我去年就说过，下一步要解决的问题是，尝试把一个数学命题以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命题，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。 所有人都忽视了一个最重要的问题，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。 但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。 过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。 你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域： 1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍； 2. 用lean4尝试构建新的问题，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级； 3. 当人类尝试定义新的问题的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明； 4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问题，并且并行in parallel用已有mathlib2去验证或者证伪这些新问题，最后由人类数学大师cherry pick出其中有价值的问题和完整证明方案出来。 回到开头，首尾呼应一下： 人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了， 能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。 这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域， 而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。 说人话说就是，脑子到极限的前提下，好脑子不如烂笔头。