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/zh/articles/alphaproof-nexus-erdos-problems-oeis-proo-b583eb5b.md.
Google DeepMind 的 AlphaProof Nexus 是一篇《Science》论文的研究主题，该论文探讨了如何利用 AI 生成的形式化证明解决尚未解决的研究问题。论文报告称，在 353 个尚未解决的 Erdős 问题中取得了 9 项成功，并为 492 个 OEIS...
Google DeepMind 的 AlphaProof Nexus 是一篇《Science》论文的研究主题，该论文探讨了如何利用 AI 生成的形式化证明解决尚未解决的研究问题。论文报告称，在 353 个尚未解决的 Erdős 问题中取得了 9 项成功，并为 492 个 OEIS 猜想中的 44 个给出了证明，同时还涉及其他数学领域的研究。
其中一个重点案例解决了 Erdős 和 Sárközy 于 1970 年提出的两个问题。更广泛的意义在于其工作流程：语言模型用形式语言提出论证，再由 Lean 检查每个证明步骤是否有效。
这种组合针对的是生成式数学中一个常见的弱点：听起来有说服力的论证不一定正确；形式化验证器可以提供更严格的判定标准，前提是形式化陈述准确表达了原本要研究的问题。
这个例子来自 Erdős 问题 #12。它讨论的是满足以下限制的正整数无限集合：不能存在三个互不相同的元素 a、b 和 c，使得 b 和 c 都大于 a，且 a 能整除 b + c。
例如，2、3 和 5 不能同时属于这样的集合：2 能整除 3 + 5。难点在于避免这些整除关系，同时又保留足够多的整数。
问题陈述据原始来源转载；Erdős Problems 页面会记录当前状态。
第一个问题询问：对于每个充分大的 N，这样的无限集合在不超过 N 的范围内，能否至少包含正比于 sqrt(N) 的常数倍数量的元素。该构造给出的答案是 可以。
原始来源介绍了一种逐块构造方法。通过中国剩余定理安排同余条件，可以防止不同区块之间发生被禁止的相互作用。例如，一个素数可以整除某一区块中的元素，而后续区块中的元素都与 1 对该素数同余，从而阻碍所要求的整除关系。
论证还必须控制区块之间的间隔。在下一个区块开始之前，当前区块中要选取足够多的元素，以满足计数界限，这样集合在中间的整数区间内才不会过于稀疏。
以上只是证明思路的概述，并非完整证明。公开讨论中提供了形式化陈述和详细构造的链接。
第二个问题询问：对于每个满足限制的集合，是否存在一个小于 1 的固定指数，使其计数函数沿着无限多个 N 值都受到相应上界约束。答案是 否。
对于任意固定的正数 c，该构造都可以生成一个符合条件的集合，使其计数最终始终至少与 N^(1-c) 一样大。因此，不存在一个对所有此类集合都普遍适用的此类幂次上界。
公开的 Erdős Problems 页面将该构造归功于 DeepMind，并记录了社区后续的简化和改进。重要的是，Problem #12 的第三个问题仍未解决，该问题询问倒数和是否收敛。解决前两部分并不等于解决这个编号问题的所有部分。
证明发表后，Terence Tao 指出，原始构造中的一部分可以去除一个排除三项等差数列的限制。在这一步中，较大的两个数都大于较小的数这一条件，已经排除了相关的相等情况。
Tao 的评论据原始来源转载；下方提供了原始公开讨论的链接。
后续评论进一步发展了更稠密的构造。这是协作的一个具体例子：AI 生成的形式化论证成为数学家可以检查、简化和改进的材料。相关讨论发生在 2026 年 4 月，早于 10 月《Science》论文的发表；发表日期与最初发现的日期不应混为一谈。
根据原始来源对完整 Nexus 架构的描述，多个证明代理会生成草稿，评分代理负责比较这些草稿，共享的候选成果库则会保存有前景的工作。即使某个部分证明中的有用构造尚未完成，剩余引理仍未解决，它也可能继续得到处理。
系统还可以针对子目标调用 AlphaProof，并复用先前已解决目标的证明。语言模型负责组织和拆解论证，形式化工具则检查或完成由此产生的证明义务。
Nexus 架构图据原始报告转载。
关键区别在于，系统不会直接接受未经验证的自然语言答案。候选证明必须通过形式化验证循环。失败的证明尝试会为下一次尝试提供反馈，而不会被当作已完成的数学结果来呈现。
研究人员还分析了在所选 Erdős 问题上取得成功，是否需要完整架构中的所有部分。《Science》摘要确认，一个由语言模型生成与 Lean 验证交替组成的基础代理，复现了这些成功结果。
原始来源将这一基线描述为 Gemini 3.1 Pro 加 Lean，不包含进化式共享或 AlphaProof 调用；并称通过多次独立尝试，成功恢复了全部九个入选问题的证明。来源还报告，在相应比较中，单独使用 AlphaProof 未能解决任何问题。
这是针对已成功问题集开展的回顾性消融实验。它并不意味着该系统在最初的 353 个问题中成功率为 100%，也不表明简单代理每次尝试都能成功。
输入一句想法，We0 AI 即可生成展示站、页面与 CMS。发布上线后并帮你获取客户和流量。
用户注册赠送一次完整项目生成
适合先体验一次完整生成流程，快速看到项目初稿。
研究中的问题分解示例，据原始来源转载。
这项研究还考察了 来自《在线整数序列百科全书》（OEIS）的 492 个未解决猜想，并报告为其中 44 个给出了证明。分母很重要：这是一个经过筛选的猜想集合，并非声称已经解决了整个 OEIS 中的问题。
原始来源介绍了人工核查过程，以确认形式化代码准确表达了每个问题，并确认相应猜想此前尚未被证明。来源还介绍了在证明一般性陈述之前，先检查生成序列的初始项是否与预期值一致。
这些检查针对的是不同风险。Lean 可以验证某个形式化陈述的证明，但它本身无法确认该陈述就是预期的非形式化猜想，也无法确认该定理在文献中确实是新的。
其中一个优化应用更进一步：它不只是证明给定的猜想，还要找到有效的参数调度方案，并证明其收敛保证。
锚定梯度下降上升法（Anchored GDA）用于极小极大优化，其中一个变量最小化目标函数，另一个变量则最大化目标函数。普通的梯度下降上升法可能出现振荡；锚定方法会增加一个朝固定参考点拉回的作用，以帮助稳定更新过程。
被引用的预印本 《锚定梯度下降上升法的更优最后迭代收敛率》 报告称，通过选择一组参数，可以得到最后迭代点梯度范数平方的精确 O(1/t) 界限。这里的 t 表示迭代次数。
2026 年 4 月预印本的标题和摘要，据原始来源转载。
该保证适用于论文所列的假设：梯度算子具有单调性、满足 Lipschitz 光滑性，并且存在鞍点；其研究范围是光滑的凸-凹情形。它并不是针对所有非凸机器学习目标的普遍收敛结论，而且梯度范数的平方不能与梯度范数本身混为一谈。
预印本称，该结果由一个能够编写 Lean 证明的 AI 系统自主发现。其 4 月 4 日的提交早于《Science》论文；10 月发布的报告则将这项工作纳入更广泛的 Nexus 研究脉络。
由 Jeremy Avigad 和 Matthew Ballard 撰写的配套《Science》观点文章，将这些结果置于竞赛数学之外，转向开放研究问题。进展并不只是生成更长的解释，而是将提出的数学想法与明确的证明检查结合起来。
人类仍然参与问题选择、形式化陈述、数学库和研究基础设施的建设，以及对新颖性和重要性的评估。Problem #12 周边的公开讨论也表明，经过验证的证明在数学上可能正确，同时仍有大幅简化的空间。
因此，Nexus 为一种有成效的研究工作流程提供了证据；其优势可以通过完成的证明来衡量，其局限也可以通过形式化陈述和公开的数学审查来检视。
AlphaProof Nexus 是一套 AI 形式化证明搜索框架，由 Google DeepMind 在一篇《Science》论文中介绍。它将语言模型生成证明与基于 Lean 的检查结合起来；更完整的设计还可以组织证明草稿并调用专门的证明工具。
论文报告称，在 353 个尚未解决的 Erdős 问题中取得了 9 项成功，并为 492 个 OEIS 猜想中的 44 个给出了证明。这些结果来自研究选定的题目集合，并不意味着这两个资源中的所有开放数学问题都已解决。
没有。公开的问题页面记录了第一个问题的答案为肯定，第二个问题的答案为否定。关于倒数级数是否收敛的问题仍未解决。
Lean 会检查所提交的形式化证明是否确立了对应的形式化定理陈述。仍需另行审查该陈述是否符合预期的问题，以及该结果是否确实具有新颖性。
《Science》摘要称，一个基础的生成与验证代理复现了这些成功结果。原始来源介绍了使用 Gemini 3.1 Pro 和 Lean 进行的多次尝试；这不应被解读为单次运行即可保证成功，也不代表解决了全部 353 个问题。
该结果在论文所述的光滑凸-凹假设下，确立了最后迭代点梯度范数平方的 O(1/t) 收敛率。预印本给出了特定的参数调度方案及其形式化证明，而不是声称所有优化算法都能普遍加速。
AlphaProof Nexus 为 AI 生成并经过形式化检查的证明能够助力开放研究数学提供了证据。报告中的成功结果涉及经过筛选的 Erdős 问题和 OEIS 猜想；在人类公开跟进后，其中至少一个重点构造得到了改进。
验证循环至关重要，但仍需谨慎处理形式化的准确性、结果的新颖性和每个定理的适用范围。经过检查的证明是一项具体的研究成果；要让它真正有用，就必须同样清楚地说明其陈述、假设和仍未解决的问题。
从一句话开始，几分钟内拿到完整网站。
