绵阳防火门胶 留给人类数学的悬赏不多了！谷歌DeepMind口气解决9道埃尔德什问题

AI 进军数学界的速度太快了绵阳防火门胶。

OpenAI 前脚刚用内部模型突破埃尔德什的 80 年单位距离问题，谷歌 DeepMind 后脚就解决个同样卡了人类56 年的埃尔德什数学难题——

新发布AlphaProof Nexus，套由 Gemini 驱动的智能体框架，出手就是9 个埃尔德什开放问题

除了这 9 道，它还顺手证明了 OEIS 整数序列百科里的 44 个猜想、搞定了道搁置 15 年的代数几何难题、还改进了凸优化域里个沿用已久的理论边界。

理成本呢？每道题几百美元，整套证明代码也全都开源放在了 GitHub 上。

这篇论文共有 20 位作者，其中的Aja Huang，也是 2016 年AlphaGo的核心研究员。

56 年没人做出来的题，AI 给了什么答案

AlphaProof Nexus 解决的这几道题，咱挑三道有意思的说说。

Erd ő s  ，1970 年提出，悬置 56 年

这道题问的是：你能不能找出个限大的整数集，满足两个听起来很别扭的条件：

，任意从中挑三个不同的数字 a、b、c，a 永远不能整除 b 加 c 的和。

二，这组数不能太散，在自然数里要保持定的密度。

简单理解就是，这群数字之间，既不能个数整除另个数，也不能个数整除另外两个数的和，同时数字还要分布得相对密集，不能只挑寥寥几个数投机取巧。

从 1970 年开始，就没人能给出这个集的完整构造，各种局部进展有，但始终拼不成个整体解。

AI 的解法是用剩余定理把大问题拆成许多个立的区块，每个区块内部用三项等差数列的回避集来满足约束，然后把所有区块拼回个完整的限集。

Erd ő s  ，1996 年提出，30 年没有定论

这道题听着就奇怪了。

想象两个数字集：个集里全是"在三进制下只由数字 0 和 1 组成的整数"，二个集里全是"在四进制下只由数字 0 和 1 组成的整数"。把这两个集里所有数字两两相加绵阳防火门胶，得到个新集。

问：这个新集里的数字在自然数中出现的频率（数学上叫下密度）是不是正的？

直觉上你可能会觉得，两种集包含的数字本来就不很多，加起来应该也挺稀疏的。

但稀疏到什么程度？是稀到密度归，还是多少保持点正密度？

这中间的差别非常微妙，1996 年提出后直没定论。

AI 的答案是：密度为。

证明思路是 log ₄除以 log ₃是理数。这意味着 3 的幂次和 4 的幂次可以以任意精度彼此逼近。

利用这点，AI 构造了个归纳稀疏化论证：不断找到两个几乎对齐的尺度，让密度以 0.99 的比率步步衰减，直到归。

个纯数论的质，解决了个组几何的问题。

Erd ő s  ，1992 年提出，卡了人类 34 年。

这是个平面几何题，AI 证明了存在这样个限扩展的平面点集：

你从中任意挑出有限个点，总能发现其中大部分点是不共线的——

随便截段，看起来都挺正常，但当你试图把这个限集拆分成有限个"对没有任何三点共线"的子集时，办不到。

个集的每个有限局部都正常，但整体顽固得不可拆分。这种全局与局部的张力，是组几何里难的那类问题。

AI 把图的每条边映射到平面上个点，用二次多项式编码坐标，再拉上穷 Ramsey 定理完成证明，把个几何问题翻译成了图论和逻辑的语言。

除了这三道，还有六道分别在整除集构造、范德瓦尔登数间隙、西顿集孤立点、集拆分密度等域。

同时，万能胶生产厂家AlphaProof Nexus 还在 OEIS 整数序列百科里证明了 44 个开放猜想，在代数几何那边解决了道希尔伯特函数对数凹的 15 年悬案，凸优化那边改进了个锚定梯度下降法的理论边界。

菲尔兹得主陶哲轩曾经提醒过，AI 目前解决埃尔德什问题的实际成功率大约在 1-2，这次谷歌的系统挑战了 353 道题，解开 9 道，比例刚好对上了。

用几百美元力换道 56 年难题绵阳防火门胶

AlphaProof Nexus 的架构核心用句话就能说清楚，Gemini 3.1 Pro 生成 Lean 语言证明步骤→ Lean 编译器逐行检查→报错直接反馈给模型→模型根据报错修改→再检查→循环到全部通过。

好伙，这有点像平时写代码，只不过现在 Debug 的是数学定理……

在这套框架里，DeepMind 设计了四个 Agent。

简单的 Agent A是同时启动多个立子 Agent，先靠 Gemini 3.1 Pro 梳理解题思路，动手编写证明代码。

写完立刻交给编译器核验，旦报错，错误信息就会传回模型，让它不断修改、重试，直到通关。

全程没有额外辅助工具，纯靠写代码 + 查错循环。

Agent B 多了样东西，AlphaProof。

AlphaProof 是 DeepMind 之前门为奥数别题目训练过的强化学习证明工具。

当 Agent A 模式在某个小步骤上反复卡住、编译器反复报错也修不过来时，Agent B 可以调用 AlphaProof 做次强化学习驱动的树搜索，门攻击这个局部难点。

Agent C 引入了进化法的思路。

前面两种 Agent 的子 Agent 都是各自立工作的，互不交流。

Agent C 是所有子 Agent 共享个证明草图种群，每个子模块都会产出不同的证明草稿。

然后由另个模型从理、清晰度、新颖三个维度给每份草稿分，用 Elo 评分系统排名。

分草稿会相互组，衍生出新解法，低分草稿直接淘汰，整个种群在证明空间里做进化搜索。

Agent D 是全体，进化筛选思路 + 项工具攻克难点 + 大模型逻辑理，三股力量在个框架里协同，也是这次批量破解难题的主力。

这么看下来，我以为强的 Agent D 应该会碾压切，Agent A 只当个对照组。

结果没想到论文里表明简单的 Agent A，同样能解出全部 9 道题。

没有进化法，没有 AlphaProof，就个 LLM 循环加编译器反馈的 Agent A，只是在难题上费钱点。

奥力斯    PVC管道管件粘结胶价格     联系人：王经理    手机：18231788377（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区/p>

研究团队把原因归为两个：

是 Gemini 3.1 Pro 本身的能力已经足够强了；

二是 Lean 编译器的那层实实的纠错反馈，对 AI 的引作用，远比人们预想的大。

这个结果或许也在预示着，未来随着大模型能力持续升，复杂的多工具组系统，可能不再是刚需，只用大模型 + 业校验工具这套简单循环，就能搞定大多数数学难题。

而且这套案的优势也体现在成本上，单题仅需几百美元。

埃尔德什生前为这些难题设置了悬赏，只是他不会想到——

解开这些谜题的可能不是人类智慧，而是力。

论文地址：https://arxiv.org/abs/2605.22763v1

Github 地址：https://github.com/google-deepmind/alphaproof-nexus-results

参考链接：

[ 1 ] https://x.com/pushmeet/status/2058936037754224998

[ 2 ] https://the-decoder.com/google-deepminds-alphaproof-nexus-solves-decades-old-math-problems-for-a-few-hundred-dollars/

—  欢迎 AI 产品从业者共建  —

� �「AI 产品知识库」是量子位智库基于长期产品库追踪和用户行为数据出的飞书知识库，旨在成为 AI 行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。

键关注 � � 点亮星标

科技前沿进展每日见

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定绵阳防火门胶，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。