据 Science 杂志十月八日在线发表的论文，Google DeepMind 的 AlphaProof Nexus 智能体在大规模开放数学问题上首次展示了价值：它自主解决了 353 个开放 Erdős 问题中的 9 个，证明了在线整数序列百科全书（OEIS）492 条猜想中的 44 条，并已被部署到组合数学、优化、图论、代数几何与量子光学的实际研究中。论文指出，即便是一个用 LLM 生成加 Lean 形式化的基础智能体，也已经能在开放问题上产出可验证成果。
过去两年 AI 数学叙事的主线是「证明」：模型在 IMO 拿银牌、在 Lean 里写出人类写不出的长证明。证明是收敛性工作，目标明确，路径可验证。但数学真正的生命力在于猜想：提出一个别人没想到问的问题，猜出一个尚未被证明的模式。这是发散性工作，没有标准答案。AlphaProof Nexus 这次的突破恰恰在后半段——它不是被给定一个待证命题然后证，而是在开放问题池里自主挑选子目标、自主判断哪个值得试。
提出猜想需要的是哪种智能？
数学家拉卡托斯区分过「证明的逻辑」与「发现的逻辑」。证明是演绎，发现是直觉加类比加审美。AlphaProof 在 353 个 Erdős 问题里选中那 9 个能解的，靠的不是穷举——那样算力早炸了——而是一种类似「嗅」的判断：这个问题结构上接近某个已知可解类。这种嗅，过去被认为是人类数学家二十年泡在问题里泡出来的。
如果 AI 开始展示这种嗅，它在数学共同体里的角色就从「计算器」升级为「合作者」。但合作者是要署名的，是要对猜想的方向负责的。一个 AI 猜对了 44 条 OEIS 猜想，这 44 条之后进入教材，谁来为它们的「重要性」背书？
机器的创造力算谁的？
这里有个危险的滑坡。如果一个系统能在十亿条候选命题里筛出 44 条真的，它本质上是在做高维模式识别。模式识别是不是创造？在艺术界，这个问题吵了三十年；在数学界，它会在未来五年变得尖锐。我的立场是：提出猜想的价值，不在于猜出模式本身，而在于判断这个模式为什么重要、它连接了哪两个看似无关的领域。前者 AI 已经能做，后者仍然需要一个能对整个数学版图有判断力的人。
下一个值得盯的信号：当某位菲尔兹奖得主公开引用 AlphaProof Nexus 的猜想作为自己工作的出发点，那条线才算真正跨过。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论。