For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/de/articles/alphaproof-nexus-erdos-problems-oeis-proo-b583eb5b.md.
Google DeepMinds AlphaProof Nexus steht im Mittelpunkt eines Science-Artikels über den Einsatz KI-generierter formaler Beweise zur Bearbeitu...
Google DeepMinds AlphaProof Nexus steht im Mittelpunkt eines Science-Artikels über den Einsatz KI-generierter formaler Beweise zur Bearbeitung offener Forschungsprobleme. Der Artikel berichtet von neun Erfolgen unter 353 offenen Erdős-Problemen und 44 Beweisen unter 492 OEIS-Vermutungen sowie von Arbeiten in weiteren mathematischen Bereichen.
Ein hervorgehobenes Beispiel löst zwei Fragen, die Erdős und Sárközy ursprünglich 1970 gestellt hatten. Die weiterreichende Bedeutung liegt im Arbeitsablauf: Ein Sprachmodell schlägt Argumente in einer formalen Sprache vor, und Lean prüft, ob jeder Beweisschritt gültig ist.
Diese Kombination begegnet einer bekannten Schwäche generierter Mathematik. Ein überzeugend klingendes Argument muss nicht unbedingt korrekt sein; ein formaler Verifizierer bietet einen strengeren Akzeptanztest – vorausgesetzt, die formale Aussage bildet das beabsichtigte Problem korrekt ab.
Das Beispiel stammt aus Erdős-Problem Nr. 12. Es geht um unendliche Mengen positiver ganzer Zahlen mit folgender Einschränkung: Es darf keine drei verschiedenen Elemente a, b und c geben, wobei b und c beide größer als a sind und a die Zahl b + c teilt.
So können beispielsweise 2, 3 und 5 nicht alle zu einer solchen Menge gehören: 2 teilt 3 + 5. Die Herausforderung besteht darin, solche Teilbarkeitsbeziehungen zu vermeiden und zugleich möglichst viele ganze Zahlen aufzunehmen.
Die Problemstellung ist in der Quelle wiedergegeben; auf der aktuellen Erdős-Probleme-Seite ist der derzeitige Status vermerkt.
Die erste Frage lautet, ob eine solche unendliche Menge für jedes hinreichend große N mindestens eine positive Konstante mal sqrt(N) Elemente bis N enthalten kann. Die durch die Konstruktion belegte Antwort lautet ja.
Die Quelle beschreibt eine Konstruktion Block für Block. Kongruenzbedingungen, die mithilfe des chinesischen Restsatzes angeordnet werden, verhindern unerwünschte Wechselwirkungen zwischen den Blöcken. Beispielsweise kann eine Primzahl Elemente eines Blocks teilen, während spätere Blöcke kongruent zu 1 modulo dieser Primzahl sind. Dadurch wird die erforderliche Teilbarkeit verhindert.
Das Argument muss außerdem die Abstände zwischen den Blöcken kontrollieren. Wenn im aktuellen Block genügend Elemente gewählt werden, um die Zählschranke bis zum Beginn des nächsten Blocks zu erfüllen, wird verhindert, dass die Menge im dazwischenliegenden Abschnitt der ganzen Zahlen zu dünn wird.
Dies ist ein Überblick über die Beweisstrategie, kein vollständiger Beweis. Die formalen Aussagen und detaillierten Konstruktionen sind in der öffentlichen Diskussion verlinkt.
Die zweite Frage lautet, ob für jede Menge, die die Einschränkung erfüllt, entlang unendlich vieler Werte von N eine feste Exponentenschranke unterhalb von 1 für die Zählfunktion gilt. Die Antwort lautet nein.
Für jedes feste positive c lässt sich eine zulässige Menge konstruieren, deren Anzahl schließlich mindestens so groß bleibt wie N^(1-c). Somit gilt keine solche Potenzschranke einheitlich für alle diese Mengen.
Auf der öffentlichen Erdős-Probleme-Seite wird DeepMind die Konstruktion zugeschrieben; außerdem werden spätere Vereinfachungen und Verbesserungen durch die Community dokumentiert. Entscheidend ist: Die dritte Frage in Problem Nr. 12 zur Konvergenz der Summe der Kehrwerte ist weiterhin offen. Die ersten beiden Teile zu lösen bedeutet nicht, alle Teile des nummerierten Problems gelöst zu haben.
Nach Veröffentlichung des Beweises merkte Terence Tao an, dass sich eine Einschränkung zum Ausschluss dreigliedriger arithmetischer Progressionen aus einem Teil der ursprünglichen Konstruktion entfernen ließe. Die Bedingung, dass beide größeren Zahlen die kleinere übersteigen, schließt den in diesem Schritt relevanten Gleichheitsfall bereits aus.
Taos Kommentar, wie er in der Quelle wiedergegeben wird; die ursprüngliche öffentliche Diskussion ist unten verlinkt.
In weiteren Kommentaren wurden dichtere Konstruktionen entwickelt. Das ist ein konkretes Beispiel für Zusammenarbeit: Ein KI-generiertes formales Argument wird zu Material, das Mathematikerinnen und Mathematiker prüfen, vereinfachen und verbessern können. Die Diskussion fand im April 2026 statt, vor der Science-Veröffentlichung im Oktober. Veröffentlichung und ursprüngliche Entdeckung sollten nicht als dasselbe Datum behandelt werden.
Der Beschreibung der vollständigen Nexus-Architektur in der Quelle zufolge entwickeln mehrere Beweisagenten Entwürfe, ein Bewertungsagent vergleicht sie, und eine gemeinsame Population speichert vielversprechende Ansätze. Auch ein Teilbeweis mit einer nützlichen Konstruktion kann weiterbearbeitet werden, selbst wenn ein noch offenes Lemma den Abschluss verhindert.
Das System kann AlphaProof außerdem für Teilziele aufrufen und Beweise bereits gelöster Ziele wiederverwenden. Das Sprachmodell übernimmt die Organisation und Zerlegung des Arguments, während die formalen Werkzeuge die daraus entstehenden Beweisverpflichtungen prüfen oder erfüllen.
Diagramm zur Nexus-Architektur, wiedergegeben im Bericht der Quelle.
Der entscheidende Unterschied besteht darin, nicht einfach eine unverifizierte Antwort in natürlicher Sprache zu akzeptieren. Kandidatenbeweise müssen die formale Verifizierungsschleife bestehen. Fehlgeschlagene Beweisversuche liefern Rückmeldungen für einen weiteren Versuch, statt als abgeschlossene Mathematik präsentiert zu werden.
Die Forschenden untersuchten auch, wie viel von der vollständigen Architektur für die ausgewählten Erdős-Erfolge erforderlich war. Das Science-Abstract bestätigt, dass ein einfacher Agent, der zwischen Sprachmodellgenerierung und Lean-Verifizierung wechselt, diese Erfolge reproduzierte.
Die Quelle beschreibt diese Basisversion als Gemini 3.1 Pro plus Lean, ohne evolutionäres Teilen oder AlphaProof-Aufrufe, und gibt an, dass wiederholte unabhängige Versuche Beweise für alle neun ausgewählten Probleme wiederfanden. Im entsprechenden Vergleich habe AlphaProof allein keines gelöst.
Dies ist eine rückblickende Ablationsstudie zu den erfolgreichen Problemen. Daraus folgt weder eine Erfolgsquote von 100 % bei den ursprünglichen 353 Problemen noch, dass ein einfacher Agent bei einem einzigen Versuch stets erfolgreich ist.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Beispiel zur Problemzerlegung aus der Forschung, wie es in der Quelle wiedergegeben wird.
Die Studie betrachtete außerdem 492 offene Vermutungen aus der On-Line Encyclopedia of Integer Sequences und berichtet von Beweisen für 44 davon. Der Nenner ist wichtig: Es handelte sich um eine ausgewählte Sammlung von Vermutungen und nicht um die Behauptung, die OEIS als Ganzes sei gelöst worden.
Die Quelle beschreibt eine menschliche Prüfung, ob der formale Code jede Frage korrekt ausdrückt und ob die Vermutung nicht bereits bewiesen war. Außerdem wird geschildert, dass generierte Anfangsglieder der Folgen mit den erwarteten Werten abgeglichen wurden, bevor eine allgemeine Aussage bewiesen wurde.
Diese Prüfungen begegnen unterschiedlichen Risiken. Lean kann einen Beweis einer formalen Aussage verifizieren, aber nicht selbst feststellen, ob diese Aussage der beabsichtigten informellen Vermutung entspricht oder ob der Satz in der Fachliteratur neu ist.
Eine Anwendung in der Optimierung geht über den Beweis einer vorgegebenen Vermutung hinaus: Sie findet einen wirksamen Parameterplan und beweist dessen Konvergenzgarantie.
Anchored GDA befasst sich mit Min-Max-Optimierung, bei der eine Variable eine Zielfunktion minimiert, während eine andere sie maximiert. Gewöhnliches Gradient Descent Ascent kann oszillieren; beim Anchoring wird eine Zugkraft hin zu einem festen Bezugspunkt hinzugefügt, um die Aktualisierungen zu stabilisieren.
Der zitierte Preprint, An Improved Last-Iterate Convergence Rate for Anchored Gradient Descent Ascent, berichtet von einer Parameterwahl, die eine exakte O(1/t)-Schranke für die quadrierte Gradientennorm des letzten Iterats erreicht. Dabei bezeichnet t die Anzahl der Iterationen.
Titel und Abstract des Preprints vom April 2026, wiedergegeben in der Quelle.
Die Garantie gilt unter den Annahmen der Arbeit: ein monotoner Gradientenoperator, Lipschitz-Stetigkeit und die Existenz eines Sattelpunktes im glatten konvex-konkaven Setting. Sie ist keine allgemeine Konvergenzaussage für jede nichtkonvexe Zielfunktion des maschinellen Lernens. Außerdem darf die quadrierte Norm nicht mit der Norm selbst verwechselt werden.
Laut Preprint wurde das Ergebnis autonom von einem KI-System entdeckt, das Lean-Beweise schreiben kann. Die Einreichung vom 4. April liegt zeitlich vor dem Science-Artikel; der Bericht im Oktober ordnet diese Arbeit in die umfassendere Darstellung von Nexus ein.
Die begleitende Science-Perspektive von Jeremy Avigad und Matthew Ballard stellt diese Ergebnisse über die Wettbewerbsaufgaben-Mathematik hinaus in den Kontext offener Forschungsfragen. Der Fortschritt besteht nicht einfach darin, längere Erklärungen zu erzeugen, sondern darin, vorgeschlagene mathematische Ideen mit expliziter Beweisprüfung zu verbinden.
Menschlicher Beitrag bleibt bei der Auswahl der Probleme, den formalen Aussagen, den Bibliotheken und der Forschungsinfrastruktur sowie bei der Bewertung von Neuheit und Bedeutung bestehen. Die öffentliche Diskussion zu Problem Nr. 12 zeigt zudem, dass ein verifizierter Beweis mathematisch korrekt sein und dennoch erheblich vereinfacht werden kann.
Nexus liefert somit Hinweise auf einen produktiven Forschungsablauf. Seine Stärken lassen sich anhand abgeschlossener Beweise messen, seine Grenzen anhand formaler Aussagen und öffentlicher mathematischer Prüfung untersuchen.
AlphaProof Nexus ist ein Rahmenwerk für die KI-gestützte Suche nach formalen Beweisen, das in einem Science-Artikel von Google DeepMind beschrieben wird. Es verbindet die Beweisgenerierung durch Sprachmodelle mit einer Prüfung durch Lean. In der umfassenderen Ausführung kann es Entwürfe organisieren und spezialisierte Beweiswerkzeuge einsetzen.
Der Artikel berichtet von neun Erfolgen unter 353 offenen Erdős-Problemen und 44 Beweisen unter 492 OEIS-Vermutungen. Diese Ergebnisse beziehen sich auf die ausgewählten Sammlungen der Studie und bedeuten nicht, dass alle offenen mathematischen Probleme in einer der beiden Ressourcen gelöst wurden.
Nein. Auf der öffentlichen Problemseite wird die erste Frage mit Ja und die zweite mit Nein beantwortet. Die Frage zur Konvergenz der Kehrwertreihe ist weiterhin offen.
Lean prüft, ob der eingereichte formale Beweis den formalen Satz belegt. Zusätzlich muss geprüft werden, ob die Aussage dem beabsichtigten Problem entspricht und ob das Ergebnis tatsächlich neu ist.
Laut Science-Abstract reproduzierte ein einfacher Agent zur Generierung und Verifizierung diese Erfolge. Die Quelle beschreibt wiederholte Versuche mit Gemini 3.1 Pro und Lean. Das sollte weder als Garantie für einen einzelnen Durchlauf noch als Erfolg bei allen 353 Problemen verstanden werden.
Es wurde eine O(1/t)-Rate für die quadrierte Gradientennorm des letzten Iterats unter den angegebenen glatt konvex-konkaven Annahmen der Arbeit hergeleitet. Der Preprint liefert einen bestimmten Parameterplan und einen formalen Beweis, aber keine pauschale Beschleunigung für alle Optimierungsalgorithmen.
AlphaProof Nexus liefert Hinweise darauf, dass KI-generierte und formal geprüfte Beweise zur offenen mathematischen Forschung beitragen können. Die berichteten Erfolge betreffen ausgewählte Fragen aus den Bereichen Erdős und OEIS; zudem verbesserten Menschen öffentlich mindestens eine der hervorgehobenen Konstruktionen.
Die Verifizierungsschleife ist zentral. Bei der Genauigkeit der Formalisierung, der Neuheit und dem Geltungsbereich jedes Satzes ist jedoch weiterhin Sorgfalt erforderlich. Ein geprüfter Beweis ist ein konkretes Forschungsergebnis. Am nützlichsten ist er, wenn seine Aussage, seine Annahmen und die verbleibenden offenen Fragen ebenso klar sind.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
