2026年10月8日出版的《科学》杂志刊出一篇来自谷歌DeepMind的论文,介绍一套名为AlphaProof Nexus的数学证明框架。论文给出的数字相当克制。在353道已完成形式化的埃尔德什开放问题中,这套系统自主解出9道,其中两道悬置时间超过50年,最老的一道是1970年提出的埃尔德什第12号问题,已经搁置56年。它还证明了整数数列在线百科全书OEIS的492个开放猜想中的44个,并处理了一道存在约15年的代数几何问题。
论文的核心并不在解题数量。系统用Lean形式化语言书写证明,由Lean编译器逐行查验,推理出错就回传模型修改,循环直到编译通过。数学结论的可信度因此有了一个可以重复执行的判定环节。这套框架并非凭空出现,前代AlphaProof曾在2024年的国际数学奥林匹克竞赛中拿到银牌,2026年5月扩展为多智能体版本。
写、查、改的闭环怎么运转
框架的运转方式接近一个自动化车间。人类数学家只需提交一份带有sorry占位符的证明草图,把可变动范围用EVOLVE-BLOCK一类标记圈出,后续的战略规划、引理构造乃至参数调整由智能体接管。撰写环节由Gemini 3.1 Pro完成,一旦编译器报错,错误信息被送回模型,模型改写代码再提交,直到没有报错。
可以把它理解成一道只有对错两种结果的验算手续。编译器不看思路是否漂亮,也不接受跳过一步,引理引用不成立就直接驳回,模型只能回头重写。人手写证明的力气省不掉,反复核对的精力可以交出去。
这套闭环的价值在大模型身上体现得最清楚。语言模型擅长写出看起来完整的推导,中间那些跳跃的理由很难被逐行揪出来。编译器不接受含混的过渡,一步对不上就拒绝通过,模型只能回到出错的位置重写。验证动作从人的阅读理解变成对代码的机械检查。成本也从专家时间换成了算力时间。
DeepMind在论文中给出了四种智能体配置。基础版Agent A由多个子智能体并行尝试,各自与Gemini 3.1 Pro多轮对话。Agent B在子智能体卡住时调用AlphaProof,用强化学习驱动的树搜索攻局部难点。Agent C引入进化算法。Agent D整合以上能力。对照实验显示,Agent A已经能解出全部9道埃尔德什问题,只是在难题上开销更高。完整版在部分难题上的成本效率高出约2至5倍。论文披露的单题推理成本大致在几美元到数百美元之间。
9/353这个比例说明了什么
9除以353约等于2.5%。这个数字不该被读成系统能力不足,也不该被读成数学界已经被攻破。真实的约束在另一个环节。全球能被形式化的问题数量有限,埃尔德什问题里只有353道有Lean版本,剩下的题目多数卡在缺少编译器能读的形式化表述。
埃尔德什问题的来历值得补一句。匈牙利数学家保罗·埃尔德什一生抛出大量开放问题,并给其中不少设立悬赏,难度分布很宽。这次的9道题里,1970年提出的那一道拖了56年,并不属于容易啃的边角。这个题库被选中,与其中多数问题已经有了Lean版本有关。
Lean能保证的是代码所写的命题被证明成立,不能保证这个命题就是研究者真正想解决的那道题。工具链上这步翻译做得对不对,仍然要人把关。系统在OEIS猜想上拿下44个,并处理了一道存在约15年的代数几何问题,但这些都属于形式系统内部可以完成的工作,缺少的是对问题究竟值不值得做的判断。
同一时间段的另一种发布方式更能说明行业分歧。10月6日,OpenAI在GitHub一次性上传722份由内部模型生成的数学手稿,覆盖372个数学开放问题。据媒体报道,发布后24小时内就有结果被撤稿,原因涉及模型的计算错误。DeepMind这边选择了完整走完同行评审,论文出现在《科学》正刊,同期还配发了题为《研究数学的AI已经到来》的评论文章。

判定权转移比解题数量更值得关注
在此之前,数学证明的可信度建立在同行评议和专家共识上,验证成本由人承担,一位数学家的声誉和精力决定了一篇证明能被检查到什么程度。形式化验证把这一步改成了可重复执行的动作。编译器通过,证明在逻辑上就成立,幻觉可以潜入的空间被压缩到很小。
这类变化在其他行业有过类似的路径。财务审计从人工抽查账本,转向电子账本逐笔自动对账。变化来自核对动作被写进了系统本身,审计员的勤奋程度不再是关键变量。数学证明正在走同一条线,只是它的账本用的是Lean。
边界同样清楚。机器判定的是形式正确性,不负责研究品味。菲尔兹奖得主陶哲轩公开提到,把解题过程交给自动化工具,可能让研究者错失只有在亲自尝试时才会获得的知识。这类判断解释了为什么论文作者反复强调AI的定位是辅助,研究方向的选择和成果价值的评估仍然留在人这一侧。
形式化生态正在多个方向同时扩张。2026年4月,北京大学AI4Math团队在Lean4中完成了安德森猜想约19000行形式化验证。瑞典查默斯理工学院搭建的闭环AI实验室以酿酒酵母为对象,在极少人工干预下完成假设生成、实验设计与结果解读。数学之外,自主科研智能体也被列入2026年世界科技与发展论坛发布的十大科技前瞻。
接下来可以盯的三个信号
第一个是形式化问题库的扩张速度。目前353道埃尔德什问题这个基数,衡量的主要是翻译进度,模型能力并非主要瓶颈。问题库如果快速变大,同类成果出现的频率会跟着变高。
第二个是复现。除DeepMind之外,是否出现第二家、第三家愿意走同行评审并开源证明的实验室。如果一年内有多家实验室正式发表同类结果,这种工作方式就会成为常规路径。
第三个是期刊的投稿要求。数学期刊是否把AI使用披露和机器可验证证明列为硬性门槛,决定了这套流程是停留在少数团队的实验,还是变成整个领域的默认标准。
9道题的绝对值不大,2.5%的命中率也算不上压倒性。真正变动的是流程本身。证明的生成和证明的查验第一次可以被分开,而后面那一步,已经能交给一台不会疲倦的机器持续完成。
